YOLOv7 مقابل DAMO-YOLO#

يتطور مجال كشف الأجسام في الزمن الحقيقي باستمرار، إذ يسعى الباحثون والمهندسون إلى إيجاد التوازن الأمثل بين السرعة والدقة. في هذه المقارنة التقنية، سنتناول بعمق بنيتين بارزتين ظهرتا عام 2022: YOLOv7 وDAMO-YOLO. وقدمت كلتا البنيتين مفاهيم جديدة لمجتمع الرؤية الحاسوبية، وعالجتا تحديات مختلفة في تدريب النماذج وتصميم البُنى ونشرها.

خلفية النماذج والتفاصيل التقنية#

قبل التعمق في بُنى النموذجين، من الضروري فهم أصولهما. فقد طوّرتهما مجموعتان بحثيتان رائدتان، وقدمتا منهجيات متقدمة لدفع حدود كشف الأجسام في الزمن الحقيقي.

تفاصيل YOLOv7#

طُوّر YOLOv7 امتدادًا لعائلة YOLO، وطرح مفهوم «مجموعة الحيل المجانية القابلة للتدريب» لتعزيز الدقة بدرجة كبيرة من دون زيادة كلفة الاستدلال.

• المؤلفون: Chien-Yao Wang وAlexey Bochkovskiy وHong-Yuan Mark Liao
• المؤسسة: معهد علوم المعلومات، أكاديميا سينيكا، تايوان
• التاريخ: 2022-07-06
• Arxiv: https://arxiv.org/abs/2207.02696
• GitHub: https://github.com/WongKinYiu/yolov7
• الوثائق: https://docs.ultralytics.com/models/yolov7

تعرّف على المزيد عن YOLOv7

تفاصيل DAMO-YOLO#

طوّر باحثون في مجموعة Alibaba نموذج DAMO-YOLO، مع تركيز كبير على البحث عن بُنى الشبكات العصبية (NAS) وتقطير المعرفة المتقدم لبناء نماذج عالية الكفاءة لمختلف الأجهزة.

• المؤلفون: Xianzhe Xu وYiqi Jiang وWeihua Chen وYilun Huang وYuan Zhang وXiuyu Sun
• المؤسسة: Alibaba Group
• التاريخ: 2022-11-23
• Arxiv: https://arxiv.org/abs/2211.15444v2
• GitHub: https://github.com/tinyvision/DAMO-YOLO

اطّلع على مزيد من المعلومات حول DAMO-YOLO

ابتكارات البنية#

YOLOv7: تحليل مسارات التدرج وإعادة المعلمة#

يركز YOLOv7 بشدة على شبكات تجميع الطبقات الفعّالة الممتدة (E-ELAN). وصمم المؤلفون E-ELAN عبر تحليل مسارات التدرج في الشبكة، لضمان استمرار الشبكة في التعلم من دون إضعاف مسار التدرج الأصلي. علاوة على ذلك، يستخدم YOLOv7 إعادة معلمة النموذج بفاعلية أثناء الاستدلال، إذ يدمج الطبقات بسلاسة لخفض FLOPs وتسريع أوقات التنفيذ. وهذا يجعله مناسبًا جدًا لـالاستدلال في الزمن الحقيقي على وحدات GPU الحديثة.

DAMO-YOLO: البحث عن بُنى الشبكات العصبية وRepGFPN#

يختلف DAMO-YOLO باعتماده الكبير على البحث عن بُنى الشبكات العصبية (NAS) في ظل قيود زمن الاستجابة. ويستخدم إطارًا يُسمى MAE-NAS لاكتشاف الأعمدة الفقرية المثلى المصممة لأجهزة محددة، مثل الأجهزة المحمولة أو مسرّعات الحوسبة الطرفية. أما في عنقه، فيقدم RepGFPN فعّالًا (شبكة هرمية معممة للسمات معاد تمثيلها)، ويستخدم تصميم ZeroHead لتقليل العبء الحسابي على رؤوس التنبؤ.

مقارنة الأداء والمقاييس#

عند مقارنة هذه النماذج، من الضروري النظر إلى mAP (متوسط الدقة) وسرعة الاستدلال وتعقيد النموذج.

يوضح الجدول أعلاه أن YOLOv7 يتدرج جيدًا نحو مجالات الدقة العالية (YOLOv7x)، في حين يوفر DAMO-YOLO نماذج صغيرة محسّنة للغاية للبيئات محدودة الموارد.

كفاءة التدريب ومتطلبات الذاكرة#

يكمن أحد الفروق الرئيسية بين البنيتين في منهجيات التدريب. فاعتماد DAMO-YOLO على التقطير يعني أن تدريب نموذج جديد من الصفر أو ضبطه بدقة على مجموعة بيانات مخصصة للرؤية الحاسوبية يتطلب غالبًا قدرًا أكبر بكثير من ذاكرة VRAM ووقت الحوسبة على GPU.

في المقابل، تحظى النماذج المدعومة أصليًا في منظومة Ultralytics، مثل YOLOv8 والإصدارات الأحدث، بتحسينات مكثفة لتلبية متطلبات الذاكرة. وتتيح للمطورين استخدام أحجام دفعات أكبر على الأجهزة الاستهلاكية من دون مواجهة أخطاء نفاد الذاكرة، ما يبسّط تتبّع التجارب وعملية التكرار.

ميزة Ultralytics#

على الرغم من أن YOLOv7 وDAMO-YOLO يقدمان ميزات مقنعة، فإن نشر النماذج ضمن منظومة Ultralytics يوفر تجربة تطوير لا مثيل لها.

• سهولة الاستخدام: توفر حزمة Python من Ultralytics واجهة API موحّدة وبسيطة. ويمكنك التبديل سريعًا بين بُنى النماذج، وبدء حلقات التدريب، أو تنفيذ الاستدلال باستخدام بضعة أسطر من التعليمات البرمجية.
• منظومة متكاملة تُصان جيدًا: توفر Ultralytics تحديثات متكررة تضمن التوافق الأصلي مع أحدث إصدارات PyTorch وبرامج تشغيل CUDA. كما تبسّط تصدير النماذج إلى تنسيقات مثل ONNX وTensorRT وOpenVINO.
• تعدد الاستخدامات: على خلاف DAMO-YOLO، المخصص لكشف الأجسام فقط، تدعم منظومة Ultralytics مهامًا متنوعة بصورة أصلية. ويمكن لنماذج عائلة Ultralytics تنفيذ كشف الصناديق المحيطة القياسي وتقدير الوضعيات وتجزئة الكائنات والصناديق المحيطة الموجّهة (OBB).

مثال برمجي: بدء سريع#

إليك مدى سهولة تحميل نماذج Ultralytics وتدريبها وتشغيل الاستدلال بها:

from ultralytics import YOLO

# ⁨حمّل نموذج YOLO26 مُدرّبًا مسبقًا (لا تدعم Ultralytics أوزان YOLOv7 الأصلية)⁩
model = YOLO("yolo26n.pt")

# ⁨درّب النموذج على مجموعة بيانات COCO8 مع معالجة تلقائية للمعلمات الفائقة⁩
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

# ⁨تشغيل الاستدلال على صورة⁩
predictions = model("https://ultralytics.com/images/bus.jpg")

# ⁨صدّر إلى تنسيق ONNX للنشر⁩
model.export(format="onnx")

الجيل التالي: YOLO26#

على الرغم من أن YOLOv7 لا يزال بنية قديمة قوية، فقد شهد المجال تقدمًا سريعًا. ولعمليات النشر الجديدة، يُوصى باعتماد Ultralytics YOLO26 (الذي صدر في يناير 2026) بوصفه المعيار، إذ يتفوق على الأجيال السابقة في كل المقاييس تقريبًا.

• تصميم شامل من البداية إلى النهاية بلا NMS: ابتُكر هذا النهج أولًا في YOLOv10، ويلغي الرأس الاختياري أحادي المطابقة في YOLO26 (nms=False) المعالجة اللاحقة لكبح غير الأعظميات (NMS). ويضمن ذلك استدلالًا حتميًا بزمن استجابة منخفض للغاية، وهو أمر بالغ الأهمية للروبوتات وتقنيات القيادة الذاتية.
• مُحسِّن MuSGD: يمزج هذا المُحسِّن الهجين، المستوحى من تقنيات تدريب النماذج اللغوية الكبيرة المتقدمة مثل Kimi K2 من Moonshot AI، بين SGD وMuon لتوفير تدريب مستقر للغاية وتقارب أسرع عبر مجموعات البيانات.
• استدلال أسرع على CPU بنسبة تصل إلى 43%: من خلال الإزالة المدروسة لـ Distribution Focal Loss (DFL)، يعزز YOLO26 الأداء بدرجة كبيرة على منصات الحوسبة الطرفية ووحدات CPU.
• ProgLoss + STAL: تحقق دوال الخسارة المتقدمة هذه تحسينات كبيرة في كشف الكائنات الصغيرة، ما يجعل YOLO26 ملائمًا بصورة استثنائية لـالصور الجوية وأعمال المراقبة التفصيلية.

حالات الاستخدام المثالية#

متى تختار DAMO-YOLO#

• البحث الأكاديمي في NAS: إذا كانت مؤسستك تركز بشدة على دراسة منهجيات البحث عن بُنى الشبكات العصبية.
• قيود صارمة للغاية على زمن الاستجابة في أجهزة محددة: إذا كانت لديك الموارد اللازمة لإجراء عمليات بحث شاملة عن بُنى الشبكات العصبية (NAS) لاكتشاف عمود فقري مخصص لشريحة مسرّع ذكاء اصطناعي مخصصة.

متى تختار YOLOv7#

• مسارات عمل قائمة على GPU: للفرق التي تحافظ على مسارات عمل إنتاجية قديمة محسّنة بشدة للعمل مع بنية E-ELAN الخاصة بـYOLOv7 على أجهزة NVIDIA المتطورة.

لماذا تنتقل إلى نماذج Ultralytics الحديثة (YOLO11 / YOLO26)؟#

تتفوق نماذج Ultralytics الحديثة في الغالبية العظمى من تطبيقات المؤسسات، من تحليلات البيع بالتجزئة والتصنيع الذكي إلى الرعاية الصحية. ويوفر التكامل مع منصة Ultralytics مسار عمل كاملًا للتعلّم الآلي، مع سهولة الاستخدام ووثائق متميزة ودعم قوي من المجتمع وتعدد الاستخدامات للمهام. وسواء أكنت تتعقب المخزون على Raspberry Pi أم تشغّل تحليلات مكثفة في السحابة، فإن نماذج مثل YOLO26 توفر التوازن المثالي للأداء لمستقبل الرؤية الحاسوبية.