مقارنة بين YOLOv9 و DAMO-YOLO#

أدى التطور السريع للرؤية الحاسوبية إلى إنتاج مجموعة من البنى القوية المصممة خصيصًا لتلبية قيود النشر ومتطلبات الدقة المتنوعة. ومن أبرز النماذج في هذا المجال YOLOv9، الذي يشتهر بقدرته الفائقة على معالجة اختناقات المعلومات، وDAMO-YOLO، الذي يركز بشكل كبير على البحث في بنية الشبكات العصبية (NAS) وهرميات الميزات الفعالة.

يقدم هذا الدليل مقارنة تقنية متعمقة بين YOLOv9 و DAMO-YOLO، مسلطاً الضوء على اختلافاتهم المعمارية، ومنهجيات التدريب، وسيناريوهات نشرهم المثالية. سنستكشف أيضاً كيف يوفر نظام Ultralytics البيئي مساراً سلساً من التطوير إلى الإنتاج، ولماذا أصبحت النماذج الحديثة مثل YOLO26 المعيار الموصى به للمشاريع الجديدة.

غوص معمق في البنية#

إن فهم الآليات الأساسية التي تحرك كل نموذج يكشف عن سبب اختلاف أدائها عبر المقاييس المختلفة.

YOLOv9: معلومات التدرج القابلة للبرمجة#

صُمم YOLOv9 لمعالجة فقدان المعلومات الذي يحدث بشكل مباشر أثناء تدفق البيانات عبر الشبكات العصبية العميقة.

المؤلفون: Chien-Yao Wang, Hong-Yuan Mark Liao
المؤسسة: معهد علوم المعلومات، أكاديمية سينيكا، تايوان
التاريخ: 21 فبراير 2024
الروابط: Arxiv، GitHub، التوثيق

اعرف المزيد عن YOLOv9

تقدم YOLOv9 ميزة معلومات التدرج القابلة للبرمجة (PGI) وشبكة تجميع الطبقات الفعالة المعممة (GELAN). تضمن PGI الاحتفاظ بالمعلومات المكانية والدلالية الحيوية أثناء عملية التمرير الأمامي، مما يمنع تدهور التدرجات المستخدمة لتحديث الأوزان. تكمل GELAN هذا من خلال تعظيم كفاءة المعلمات، مما يسمح للنموذج بتحقيق متوسط الدقة (mAP) بمستوى متطور مع عمليات فاصلة عائمة (FLOPs) أقل من العديد من شبكات CNN التقليدية.

DAMO-YOLO: الكفاءة المدفوعة بـ NAS#

طورت شركة Alibaba Group نموذج DAMO-YOLO، الذي يتبنى نهجاً مختلفاً، حيث يستفيد من البحث المعماري الآلي للعثور على التوازن الأمثل بين السرعة والدقة.

المؤلفون: Xianzhe Xu, Yiqi Jiang, Weihua Chen, Yilun Huang, Yuan Zhang, و Xiuyu Sun
المؤسسة: مجموعة علي بابا
التاريخ: 23 نوفمبر 2022
الروابط: Arxiv، GitHub

تعرف على المزيد حول DAMO-YOLO

يعتمد DAMO-YOLO على هيكل أساسي من نوع MAE-NAS (المشفرات التلقائية المقنعة للبحث في بنية الشبكات العصبية) لتوليد هياكل شبكة فعالة تلقائياً. ويستخدم RepGFPN (شبكة هرمية للميزات المعممة وإعادة المعايرة) لدمج الميزات بشكل قوي، وتصميم "ZeroHead" لتقليل العبء الحسابي لرأس الكشف. بالإضافة إلى ذلك، يدمج تقنية AlignedOTA لتعيين الملصقات وتقطير المعرفة لتعزيز أداء متغيراته الأصغر.

دور NAS في الرؤية الحاسوبية

يعمل البحث في بنية الشبكات العصبية (NAS) على أتمتة تصميم الشبكات العصبية الاصطناعية. وعلى الرغم من قدرته على إنتاج نماذج عالية الكفاءة مثل DAMO-YOLO، فإنه غالباً ما يتطلب موارد حسابية هائلة للبحث في مساحة البنية، وهو ما يتناقض مع فلسفة التصميم الحتمية لنماذج مثل YOLOv9.

مقارنة الأداء والمقاييس#

عند اختيار نموذج اكتشاف الكائنات، فإن تحقيق التوازن بين الدقة والسرعة والبصمة الحسابية يُعد أمراً بالغ الأهمية.

النموذج	الحجم ^(بكسل)	mAP^val 50-95	السرعة ^{CPU ONNX (ms)}	السرعة ^{T4 TensorRT10 (ms)}	المعلمات ^(M)	FLOPs ^(B)
YOLOv9t	640	38.3	-	2.3	2.0	7.7
YOLOv9s	640	46.8	-	3.54	7.1	26.4
YOLOv9m	640	51.4	-	6.43	20.0	76.3
YOLOv9c	640	53.0	-	7.16	25.3	102.1
YOLOv9e	640	55.6	-	16.77	57.3	189.0

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

تحليل#

الدقة مقابل البارامترات: يُظهر YOLOv9 عموماً نسبة بارامترات إلى دقة متفوقة. على سبيل المثال، يحقق YOLOv9c دقة mAP تبلغ 53.0% مع 25.3 مليون بارامتر، بينما يحقق DAMO-YOLOl دقة mAP تبلغ 50.8% ولكنه يتطلب بارامترات أكثر بكثير (42.1 مليون).
سرعة الاستدلال: توفر بنية DAMO-YOLO سرعات استدلال TensorRT تنافسية على وحدات معالجة الرسوميات T4، متفوقة بفارق طفيف على YOLOv9 في الفئات المتوسطة. ومع ذلك، فإن كفاءة YOLOv9 في عمليات FLOPs وعدد المعلمات تترجم إلى كفاءة استثنائية لذاكرة وحدة معالجة الرسوميات.
متطلبات الذاكرة: تُظهر نماذج Ultralytics YOLO، بما في ذلك YOLOv9، عادةً استهلاكاً أقل للذاكرة أثناء التدريب والاستدلال مقارنة بالنماذج المعقدة المولدة بواسطة NAS أو هياكل المحولات (Transformers) الثقيلة، مما يجعلها سهلة الوصول للنشر على أجهزة الحافة (edge hardware) المحدودة.

ميزة نظام Ultralytics البيئي#

في حين أن المقاييس النظرية مهمة، إلا أن التطبيق العملي يحدد إلى حد كبير نجاح المشروع. وهنا يتألق منصة Ultralytics ونظامها البيئي الشامل للبرمجيات متجاوزاً مستودعات العمل المستقلة مثل DAMO-YOLO.

سهولة الاستخدام وكفاءة التدريب#

يتطلب تدريب نموذج YOLOv9 مخصص الحد الأدنى من الأكواد التمهيدية. تقوم واجهة برمجة تطبيقات Ultralytics Python بتجريد العمليات المعقدة مثل زيادة البيانات، والتدريب الموزع، وتحسين الأجهزة.

from ultralytics import YOLO

# Load a pretrained YOLOv9 model
model = YOLO("yolov9c.pt")

# Train the model on your custom dataset
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Validate model performance
metrics = model.val()

# Export for production deployment
model.export(format="onnx")

على العكس من ذلك، يتطلب استخدام DAMO-YOLO غالباً التعامل مع ملفات تكوين جامدة وسلاسل تبعية معقدة خاصة بخط أنابيب التدريب الفريد الخاص به، مما يؤدي إلى منحنى تعلم أكثر صعوبة.

تعدد الاستخدامات عبر المهام#

تتمثل السمة البارزة لننماذج Ultralytics في مرونتها المتأصلة. فبالإضافة إلى اكتشاف مربعات الإحاطة القياسية، يدعم إطار عمل Ultralytics بسلاسة مهام مثل تجزئة المثيلات، وتقدير الوضعية، وتصنيف الصور، واكتشاف مربعات الإحاطة الموجهة (OBB). تم تحسين DAMO-YOLO حصرياً لاكتشاف الكائنات ثنائية الأبعاد، مما يتطلب هندسة عكسية كبيرة للتكيف مع النماذج البصرية الأخرى.

التصدير إلى أجهزة الحافة

تبسط Ultralytics خط أنابيب النشر من خلال توفير تصدير النموذج بنقرة واحدة إلى تنسيقات مثل TensorRT، وOpenVINO، و CoreML، مما يضمن أقصى أداء بغض النظر عن جهازك المستهدف.

حالات الاستخدام والتوصيات#

يعتمد الاختيار بين YOLOv9 و DAMO-YOLO على متطلبات مشروعك المحددة، وقيود النشر، وتفضيلات المنظومة البرمجية.

متى تختار YOLOv9#

YOLOv9 هي خيار قوي لـ:

أبحاث اختناق المعلومات: المشاريع الأكاديمية التي تدرس معمارية معلومات التدرج القابلة للبرمجة (PGI) وشبكة تجميع الطبقات الفعالة المعممة (GELAN).
دراسات تحسين تدفق التدرج: الأبحاث التي تركز على فهم وتخفيف فقدان المعلومات في طبقات الشبكة العميقة أثناء التدريب.
قياس أداء الكشف عالي الدقة: السيناريوهات التي تكون فيها أداء معيار COCO القوي لـ YOLOv9 مطلوباً كنقطة مرجعية للمقارنات المعمارية.

متى تختار DAMO-YOLO#

يوصى باستخدام DAMO-YOLO من أجل:

تحليلات الفيديو ذات الإنتاجية العالية: معالجة تدفقات الفيديو ذات معدل الإطارات العالي على بنية تحتية ثابتة لوحدات GPU من NVIDIA حيث يكون إنتاجية الدفعة-1 هو المقياس الأساسي.
خطوط التصنيع الصناعية: السيناريوهات ذات قيود زمن انتقال GPU صارمة على أجهزة مخصصة، مثل فحص الجودة في الوقت الفعلي على خطوط التجميع.
أبحاث البحث في البنية العصبية: دراسة تأثيرات البحث الآلي في البنية (MAE-NAS) والهياكل الأساسية المعاد برمجتها بكفاءة على أداء الاكتشاف.

متى تختار Ultralytics (YOLO26)#

بالنسبة لمعظم المشاريع الجديدة، يقدم Ultralytics YOLO26 أفضل مزيج من الأداء وتجربة المطورين:

نشر الحافة الخالي من NMS: التطبيقات التي تتطلب استنتاجاً متسقاً ومنخفض زمن الانتقال دون تعقيدات معالجة ما بعد المعالجة باستخدام كبت غير الأقصى.
بيئات وحدة المعالجة المركزية (CPU) فقط: الأجهزة التي لا تحتوي على تسريع مخصص بوحدة معالجة الرسوميات (GPU)، حيث توفر سرعة استنتاج CPU أسرع بنسبة تصل إلى 43% في YOLO26 ميزة حاسمة.
الكشف عن الأشياء الصغيرة: السيناريوهات الصعبة مثل صور الطائرات بدون طيار الجوية أو تحليل مستشعرات إنترنت الأشياء (IoT) حيث تعمل ProgLoss و STAL على تعزيز الدقة بشكل كبير على الأشياء الدقيقة.

المستقبل: الانتقال إلى YOLO26#

بينما تمثل YOLOv9 و DAMO-YOLO محطات تاريخية قوية، فقد تحول رؤية الكمبيوتر الحديثة نحو هياكل متكاملة نهائية الأصل (end-to-end). لأي تطوير جديد، يُعد YOLO26 هو المعيار الموصى به.

تم إطلاق YOLO26 في عام 2026، وهو يبني على نجاحات أسلافه، ويقدم قفزة نوعية في كل من الدقة وسهولة النشر.

ابتكارات YOLO26 الرئيسية#

تصميم بدون NMS متكامل نهائياً: تلغي YOLO26 معالجة كبح الحد الأقصى غير (NMS) تماماً. وهذا يخلق خط أنابيب نشر مبسط متكامل نهائياً بطبيعته، وهو إنجاز رائد تم ابتكاره لأول مرة في YOLOv10.
إزالة DFL: تمت إزالة Distribution Focal Loss لتبسيط التصدير وتحسين التوافق مع أجهزة الحافة/الأجهزة منخفضة الطاقة.
زيادة سرعة استدلال CPU حتى 43%: من خلال إزالة المعالجة اللاحقة المعقدة وتحسين الالتفافات الأساسية، يعد YOLO26 مناسباً بشكل فريد لسيناريوهات حوسبة الحافة التي تفتقر إلى وحدات معالجة رسومات مخصصة.
محسن MuSGD: مستوحى من ابتكارات تدريب النماذج اللغوية الكبيرة، يستخدم YOLO26 مزيجاً هجيناً من SGD و Muon (MuSGD) لضمان عمليات تدريب أكثر استقراراً وأوقات تقارب أسرع بشكل ملحوظ.
ProgLoss + STAL: توفر دوال الخسارة المتقدمة هذه تحسينات ملحوظة في التعرف على الكائنات الصغيرة، مما يجعل YOLO26 مثالياً للصور الجوية عالية الارتفاع وأجهزة IoT.

إذا كنت تبحث حالياً في استخدام YOLO11 أو YOLOv8 لمشروعك القادم، فإن الترقية إلى YOLO26 تضمن لك استخدام أكثر إطار عمل ذكاء اصطناعي رؤيوي محسناً ومتطوراً متاحاً اليوم.

ملخص#

يعتمد اختيار النموذج المناسب على قيودك التشغيلية المحددة:

DAMO-YOLO يقدم لمحة رائعة عن التحسين المعتمد على NAS، مما يوفر سرعات تنافسية لملفات تعريف أجهزة محددة جداً حيث تتألق بنية RepGFPN الخاصة به.
YOLOv9 هو خيار ممتاز للباحثين الذين يركزون على الاحتفاظ بالتفاصيل البصرية الدقيقة، مستفيدين من بنية PGI الخاصة به لمنع فقدان المعلومات في الشبكات العميقة.
Ultralytics YOLO26 يمثل الخيار النهائي لتطبيقات المؤسسات والبحوث الحديثة. إن سهولة استخدامه التي لا تضاهى، وبنيته الخالية من NMS، وتحسينات تدريب MuSGD المتطورة تجعله النموذج الأكثر موثوقية ودقة وسهولة في النشر في مجال الرؤية الحاسوبية.

المساهمون

GLglenn-jocher¹⁶

تم الإنشاء 27 يناير 2025تم التحديث أول أمس