YOLOv7 مقابل DAMO-YOLO
يواصل اكتشاف الأجسام في الزمن الفعلي تطوره بينما يبحث الباحثون والمهندسون عن أفضل توازن بين السرعة والدقة. تتناول هذه المقارنة التقنية معماريتين بارزتين من عام 2022: YOLOv7 وDAMO-YOLO. قدم كلا النموذجين مفاهيم جديدة لمجتمع الرؤية الحاسوبية، وعالجا تحديات مختلفة في تدريب النماذج وتصميم المعماريات والنشر.
خلفية النماذج والتفاصيل التقنية#
طورت مجموعات بحثية رائدة كلا النموذجين، وقدما أساليب جديدة لتحسين اكتشاف الأجسام في الزمن الفعلي.
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
تفاصيل DAMO-YOLO#
طوّر باحثون في Alibaba Group نموذج DAMO-YOLO، مع تركيز كبير على البحث عن المعماريات العصبية (NAS) وتقطير المعرفة لبناء نماذج فعالة لمختلف أنواع العتاد.
- 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 الفعالة الموسعة (E-ELAN). صمم المؤلفون E-ELAN بتحليل مسارات التدرج في الشبكة، لضمان استمرار الشبكة في التعلم من دون إفساد مسار التدرج الأصلي. كما يستخدم YOLOv7 إعادة معلمات النموذج أثناء الاستدلال، إذ يدمج الطبقات لتقليل عمليات FLOP وتسريع التنفيذ. وهذا يجعله فعالًا للغاية في الاستدلال في الزمن الفعلي 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.
بينما يعتمد YOLOv7 على تحسينات قوية مدمجة في بنيته، يعتمد DAMO-YOLO بدرجة كبيرة على عملية معقدة متعددة المراحل لتقطير المعرفة. ويتطلب ذلك تدريب نموذج معلّم كبير لتقطير المعرفة إلى نموذج متعلّم أصغر، ما قد يرفع الكلفة الحسابية أثناء مرحلة التدريب.
مقارنة الأداء والمقاييس#
عند مقارنة هذه النماذج، من الضروري النظر إلى mAP (متوسط الدقة) وسرعة الاستدلال وتعقيد النموذج.
| النموذج | الحجم (بكسل) | mAPval50-95 | السرعة CPU ONNX (مللي ثانية) | السرعة T4 TensorRT10 (ms) | المعاملات (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv7l | 640 | 51.4 | - | 6.84 | 36.9 | 104.7 |
| YOLOv7x | 640 | 53.1 | - | 11.57 | 71.3 | 189.9 |
| DAMO-YOLOt | 640 | 42.0 | - | 2.32 | 8.5 | 18.1 |
| DAMO-YOLOs | 640 | 46.0 | - | 3.45 | 16.3 | 37.8 |
| DAMO-YOLOm | 640 | 49.2 | - | 5.09 | 28.2 | 61.8 |
| DAMO-YOLOl | 640 | 50.8 | - | 7.18 | 42.1 | 97.3 |
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، تُحسّن النماذج المدعومة أصيلًا في منظومة Ultralytics، مثل YOLOv8 والإصدارات الأحدث، لتقليل استهلاك الذاكرة أثناء التدريب. وتتيح للمطورين استخدام أحجام دفعات أكبر على العتاد الاستهلاكي من دون مواجهة أخطاء نفاد الذاكرة، ما يبسط تتبع التجارب وعملية التكرار.
ميزة Ultralytics#
على الرغم من الميزات الجذابة التي يقدمها كل من YOLOv7 وDAMO-YOLO، فإن نشر النماذج ضمن منظومة Ultralytics يوفر تجربة أبسط للمطورين.
- 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، الذي يقتصر على اكتشاف الأجسام، تدعم منظومة Ultralytics مهام متنوعة دعمًا أصيلًا. تستطيع النماذج من عائلة Ultralytics تنفيذ اكتشاف الصناديق المحيطة القياسي وتجزئة الكائنات وتصنيف الصور وتقدير الوضعيات والصناديق المحيطة الموجّهة (OBB)، كما يضيف YOLO26 التجزئة الدلالية وتقدير العمق.
مثال برمجي: بدء سريع#
إليك طريقة تحميل نماذج Ultralytics وتدريبها وإجراء 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")تتيح Ultralytics تصدير الأوزان المدرّبة إلى تنسيقات مختلفة مسرّعة بالعتاد، مثل TensorRT أو CoreML، باستخدام وسيطة واحدة في أمر التصدير، من دون الحاجة إلى نصوص برمجية منفصلة للتحويل.
الجيل التالي: YOLO26#
على الرغم من أن YOLOv7 لا يزال معمارية سابقة قوية، فقد شهد المجال تقدمًا سريعًا. للنشرات الجديدة، يُوصى بـUltralytics YOLO26، الذي أُطلق في يناير 2026 ويتفوق على الأجيال السابقة في الدقة وسرعة CPU.
- تصميم شامل خالٍ من NMS: استنادًا إلى التدريب الخالي من NMS الذي أدخله YOLOv10 إلى نماذج YOLO، يتجاوز الرأس الاختياري أحادي المطابقة في YOLO26 (
nms=False) معالجة كبح الصناديق المحددة غير القصوى (NMS) اللاحقة. وهذا يقلل تباين زمن الاستجابة ويبسط النشر في الأنظمة الروبوتية وأنظمة القيادة الذاتية. - مُحسِّن MuSGD: يستلهم هذا المُحسِّن الهجين من تقنيات تدريب نماذج اللغة الكبيرة المتقدمة، مثل Kimi K2 من Moonshot AI، ويمزج SGD وMuon لتحقيق تدريب أكثر استقرارًا وتقارب أسرع.
- استدلال أسرع على CPU بنسبة تصل إلى 43%: بإزالة خسارة البؤرة التوزيعية (DFL)، يبسط YOLO26 التصدير ويسرّع الاستدلال على الأجهزة الطرفية ووحدات CPU، إذ يعمل YOLO26n على CPU بسرعة أعلى تصل إلى 43% مقارنةً بـ YOLO11n.
- ProgLoss + STAL: تحسن الخسارة التدريجية واستراتيجية إسناد التسميات المراعية للأهداف الصغيرة اكتشاف الأجسام الصغيرة، ما يجعل YOLO26 ملائمًا للصور الجوية والمراقبة 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)؟#
بالنسبة إلى الغالبية العظمى من تطبيقات المؤسسات، من تحليلات البيع بالتجزئة والتصنيع الذكي إلى الرعاية الصحية، تمثل نماذج Ultralytics الحديثة الخيار العملي الافتراضي. يوفر التكامل مع منصة Ultralytics مسار تعلم آلي متكاملًا، مع API بسيطة ووثائق شاملة ومجتمع نشط ودعم للمهام المتعددة. وسواء أكنت تتعقب المخزون على Raspberry Pi أم تجري تحليلات مكثفة في السحابة، تقدم نماذج مثل YOLO26 توازنًا قويًا بين السرعة والدقة.
التعليقات
اطرح سؤالًا، وشارك نتائجك، أو ساعد شخصًا آخر.