YOLOv8 مقابل DAMO-YOLO#
يتطور مجال الرؤية الحاسوبية باستمرار، مع معماريات جديدة تدفع حدود الإمكانات على الأجهزة الطرفية ومجموعات الخوادم السحابية الضخمة. في هذا التحليل التقني المتعمق، نقارن نموذجين بارزين لكشف الأجسام في الوقت الفعلي: YOLOv8 وDAMO-YOLO. ومن خلال دراسة معماريتيهما ومقاييس أدائهما ومنهجيات تدريبهما، يستطيع مهندسو تعلّم الآلة اتخاذ قرارات مستنيرة بشأن مسارات النشر لديهم.
خلفية النماذج ونشأتها#
طُرح النموذجان في الفترة الزمنية نفسها تقريبًا، لكنهما يستندان إلى فلسفتين تصميميتين وأهداف بحثية مختلفة.
تفاصيل YOLOv8#
- المؤلفون: Glenn Jocher وAyush Chaurasia وJing Qiu
- الجهة: Ultralytics
- التاريخ: 2023-01-10
- GitHub: مستودع Ultralytics على GitHub
- Docs: الوثائق الرسمية لـ YOLOv8
تفاصيل DAMO-YOLO#
- المؤلفون: Xianzhe Xu وYiqi Jiang وWeihua Chen وYilun Huang وYuan Zhang وXiuyu Sun
- المؤسسة: Alibaba Group
- التاريخ: 2022-11-23
- Arxiv: ورقة أبحاث DAMO-YOLO
- GitHub: مستودع DAMO-YOLO على GitHub
تعرّف على المزيد حول DAMO-YOLO
ابتكارات البنية#
YOLOv8: تصميم متعدد الاستخدامات لا يعتمد على المراسي#
قدّم Ultralytics YOLOv8 تحسينات مهمة مقارنة بإصداراته السابقة، معززًا مكانته بوصفه نموذجًا موثوقًا للغاية ومتقدمًا. ويتميز برأس كشف لا يعتمد على المراسي، ما يقلل عدد تنبؤات الصناديق ويسرّع الاستدلال. وتستخدم المعمارية رأسًا مفصولًا يفصل بين مهام التصنيف والانحدار، ما يؤدي إلى تنبؤات أدق لمربعات الإحاطة.
علاوة على ذلك، يطبق YOLOv8 خسارة بؤرية التوزيع (DFL) إلى جانب خسارة CIoU، ما يعزز قدرة النموذج على تحديد حدود الأجسام بدقة، ولا سيما الأهداف الأصغر أو المحجوبة. كما أن عموده الفقري المبسط محسّن للغاية للعمل على GPU وCPU.
DAMO-YOLO: مدفوع بالبحث المعماري#
يتبع DAMO-YOLO نهجًا مختلفًا، إذ يعتمد بدرجة كبيرة على البحث العصبي عن المعمارية (NAS) لتصميم عموده الفقري تلقائيًا. وقد قدم فريق Alibaba تقنية «MAE-NAS» لإيجاد البنى التي تحقق أفضل توازن بين زمن الاستجابة والدقة، خصوصًا مع تسريع TensorRT.
يضم النموذج شبكة RepGFPN (شبكة هرم السمات المعممة المعاد تمثيلها) لدمج السمات بكفاءة، وتصميم «ZeroHead» لتقليل العبء الحسابي لرأس الكشف. وأثناء التدريب، يستخدم AlignedOTA لإسناد التسميات، ويعتمد بدرجة كبيرة على عملية معقدة لتقطير المعرفة، تتطلب نموذجًا معلّمًا أكبر للإشراف على نموذج الطالب المستهدف.
مع أن DAMO-YOLO يحقق مقاييس مبهرة لزمن الاستجابة بفضل البحث العصبي عن المعمارية وتقطير المعرفة، يتطلب ذلك قدرًا أكبر بكثير من ذاكرة CUDA ووقتًا أطول للحوسبة أثناء التدريب مقارنة بمسار التدريب المحسّن أحادي المرحلة في YOLOv8.
الأداء والمقاييس#
عند نشر نماذج الرؤية الحاسوبية في بيئات الإنتاج، يُعد تحقيق التوازن بين الدقة (mAP) وسرعة الاستدلال أمرًا بالغ الأهمية. يوضح الجدول أدناه أداء النموذجين بأحجام مختلفة.
| النموذج | الحجم (بكسل) | mAPالتحقق 50-95 | السرعة CPU ONNX (مللي ثانية) | السرعة T4 TensorRT10 (ms) | المعاملات (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv8n | 640 | 37.3 | 80.4 | 1.47 | 3.2 | 8.7 |
| YOLOv8s | 640 | 44.9 | 128.4 | 2.66 | 11.2 | 28.6 |
| YOLOv8m | 640 | 50.2 | 234.7 | 5.86 | 25.9 | 78.9 |
| YOLOv8l | 640 | 52.9 | 375.2 | 9.06 | 43.7 | 165.1 |
| YOLOv8x | 640 | 53.9 | 479.1 | 14.37 | 68.2 | 257.8 |
| 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 |
يحقق YOLOv8 توازنًا استثنائيًا في الأداء. يتطلب نموذج YOLOv8n (نانو) 3.2 مليون معامل فقط، مقابل 8.5 مليونًا في DAMO-YOLOt، ما يجعله أفضل بكثير للأجهزة المحمولة أو البيئات ذات متطلبات الذاكرة الصارمة. علاوة على ذلك، يقدم YOLOv8 نطاقًا أوسع من الأحجام، وصولًا إلى YOLOv8x عالي الدقة لأعباء العمل السحابية.
تجربة المطور والمنظومة#
سهولة الاستخدام وكفاءة التدريب#
تُعد تجربة المستخدم أحد أبرز عوامل التمايز. صُممت منظومة Ultralytics لتسريع وتيرة عمل المطورين. ويتطلب تدريب نموذج YOLOv8 مخصص قدرًا ضئيلًا جدًا من الذاكرة، ويمكن تنفيذه عبر واجهة Python موحدة أو واجهة سطر الأوامر.
في المقابل، يتطلب تكرار تدريب DAMO-YOLO المعزز بالتقطير غالبًا التعامل مع ملفات إعداد معقدة وإدارة تتبّع التجارب متعددة المراحل بين المعلّم والطالب.
إليك مثالًا يوضح سهولة تدريب YOLOv8 والتحقق من صحته وتصديره باستخدام Python:
from ultralytics import YOLO
# تحميل نموذج YOLOv8 nano مدرّب مسبقًا
model = YOLO("yolov8n.pt")
# تدريب النموذج على مجموعة بيانات COCO8
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device="cpu")
# تصدير النموذج المدرّب إلى تنسيق ONNX
path = model.export(format="onnx")تعدد الاستخدامات عبر مهام الرؤية#
صُمم DAMO-YOLO خصيصًا لكشف الأجسام باستخدام مربعات الإحاطة. في المقابل، تدعم معمارية YOLOv8 مهامًا متعددة دعمًا أصيلًا. وبمجرد استبدال أوزان النموذج، يستطيع المطورون تنفيذ تجزئة المثيلات وتصنيف الصور وتقدير الوضعية من دون تغيير قاعدة شيفرة النشر الأساسية. ويجعل هذا التعدد نماذج Ultralytics أكثر عملية بكثير للتطبيقات المعقدة.
حالات الاستخدام في العالم الحقيقي#
متى تستخدم YOLOv8#
يجعل الجمع بين السرعة والدقة وسهولة النشر في YOLOv8 منه خيارًا مثاليًا لما يلي:
- تحليلات البيع بالتجزئة الذكية: تنفيذ تتبّع الأجسام لمراقبة سلوك العملاء أو أتمتة عمليات فحص المخزون.
- الروبوتات الزراعية: الاستفادة من أدائه القوي على أجهزة متنوعة لتحديد المحاصيل أو الآفات في الوقت الفعلي.
- التشخيص الطبي: استخدام تجزئة المثيلات لرسم خرائط الشذوذ في الصور الطبية بسرعة ودقة.
- عمليات النشر على الأجهزة الطرفية: يتيح التكامل السلس مع تنسيقات التصدير مثل OpenVINO وCoreML لـ YOLOv8 أداءً متميزًا على الأجهزة محدودة الموارد.
متى تستخدم DAMO-YOLO#
قد يكون DAMO-YOLO مفيدًا في سيناريوهات متخصصة، ولا سيما:
- الأبحاث الأكاديمية في البحث العصبي عن المعمارية (NAS): للفرق التي تدرس إعادة المعلمات أو منهجيات التصميم الآلي للمعماريات.
- مسارات العمل المعتمدة كليًا على GPU: التطبيقات التي تعمل حصريًا على أجهزة NVIDIA محددة، حيث حُسّنت بنى البحث العصبي عن المعمارية بدرجة كبيرة لتلائم حدود تنفيذ TensorRT.
حالات الاستخدام والتوصيات#
يعتمد الاختيار بين YOLOv8 وDAMO-YOLO على متطلبات مشروعك المحددة وقيود النشر وتفضيلات النظام البيئي.
متى تختار YOLOv8#
يُعد YOLOv8 خيارًا قويًا لـ:
- نشر متعدد المهام ومتعدد الاستخدامات: المشروعات التي تتطلب نموذجًا مجرّبًا لـالكشف والتقسيم والتصنيف وتقدير الوضعية ضمن منظومة Ultralytics.
- أنظمة إنتاجية راسخة: بيئات الإنتاج الحالية المبنية بالفعل على بنية YOLOv8، والتي تستخدم خطوط نشر مستقرة ومختبرة جيدًا.
- دعم واسع من المجتمع والمنظومة: التطبيقات التي تستفيد من دروس YOLOv8 الشاملة وتكاملاته مع جهات خارجية وموارد مجتمعه النشط.
متى تختار DAMO-YOLO#
يوصى باستخدام DAMO-YOLO في الحالات التالية:
- تحليلات الفيديو عالية الإنتاجية: معالجة تدفقات فيديو ذات معدل إطارات مرتفع على بنية تحتية ثابتة من NVIDIA GPU، حيث تكون الإنتاجية عند batch-1 المقياس الأساسي.
- خطوط التصنيع الصناعي: السيناريوهات ذات قيود زمن استجابة صارمة على GPU ضمن أجهزة مخصصة، مثل فحص الجودة في الوقت الفعلي على خطوط التجميع.
- أبحاث البحث عن البنية العصبية: دراسة تأثيرات البحث الآلي عن البنية (MAE-NAS) والعمود الفقري الفعال المعاد تحديد معلماته على أداء الكشف.
متى تختار Ultralytics (YOLO26)#
بالنسبة إلى معظم المشاريع الجديدة، يقدم Ultralytics YOLO26 أفضل مزيج من الأداء وتجربة المطور:
- النشر الطرفي دون NMS: التطبيقات التي تتطلب استدلالاً ثابتاً بزمن استجابة منخفض، من دون تعقيد المعالجة اللاحقة للكبت غير الأقصى.
- البيئات التي تعتمد على CPU فقط: الأجهزة التي لا تتضمن تسريعاً مخصصاً بواسطة GPU، حيث يمنح الاستدلال الأسرع على CPU بنسبة تصل إلى 43% في YOLO26 ميزة حاسمة.
- اكتشاف الأجسام الصغيرة: السيناريوهات الصعبة مثل صور الطائرات المسيّرة الجوية أو تحليل مستشعرات إنترنت الأشياء، حيث يعزز ProgLoss وSTAL دقة اكتشاف الأجسام الدقيقة بدرجة كبيرة.
نظرة مستقبلية: نماذج Ultralytics الأحدث#
مع أن YOLOv8 لا يزال نموذجًا موثوقًا للغاية وعمليًا، فإن مجال الرؤية الحاسوبية يتطور بسرعة. ينبغي للمستخدمين أيضًا استكشاف الأجيال الأحدث:
YOLO26: تمثل أحدث الأجيال، Ultralytics YOLO26، تحولًا جذريًا. فهي تقدم تصميمًا شاملًا من دون NMS (nms=False) يزيل اختناقات زمن الاستجابة المرتبطة بالمعالجة اللاحقة لقمع الحد الأقصى غير الجوار. ويحقق YOLO26، المدعوم بـ محسّن MuSGD الجديد (مزيج من SGD وMuon) ودوال الخسارة المتخصصة ProgLoss + STAL، تدريبًا مستقرًا بدرجة ملحوظة وتحسنًا كبيرًا في التعرّف على الأجسام الصغيرة. ومع إزالة DFL (إزالة خسارة بؤرية التوزيع لتبسيط التصدير وتحسين التوافق مع الأجهزة الطرفية ومنخفضة الطاقة)، تتيح التعديلات المعمارية استدلالًا أسرع على CPU بنسبة تصل إلى 43% مقارنة بالأجيال السابقة، ما يجعله الخيار الأمثل للحوسبة الحديثة على الأجهزة الطرفية.
YOLO11: يُعد Ultralytics YOLO11 بديلًا ممتازًا آخر؛ إذ يقدم تحسينات معمارية تدريجية مقارنة بـ YOLOv8، ولا يزال نموذجًا قويًا واسع الانتشار في المجتمع.
هل أنت مستعد لنقل نماذجك من النموذج الأولي إلى الإنتاج؟ استخدم منصة Ultralytics لإضافة التعليقات التوضيحية إلى مجموعات البيانات تلقائيًا، وتتبع التجارب، ونشر النماذج بسلاسة على السحابة أو الأجهزة الطرفية.
في الختام، مع أن DAMO-YOLO يقدم رؤى أكاديمية مثيرة للاهتمام حول البحث عن المعماريات، توفر نماذج Ultralytics منظومة أكثر نضجًا وتعددًا للاستخدامات وملاءمة للمطورين بكثير. سواء التزمت بالاستقرار المثبت لـ YOLOv8 أو رقّيت إلى معمارية YOLO26 فائقة السرعة والخالية من NMS، تظل مجموعة Ultralytics الخيار الأبرز لذكاء الرؤية الاصطناعي في الوقت الفعلي.