YOLO Vision 2026:

YOLOX مقابل DAMO-YOLO#

شهد تطور اكتشاف الكائنات في الوقت الفعلي تحولات عديدة في النماذج، من البنى القائمة على المراسي إلى البنى الخالية من المراسي، ومن الهياكل الأساسية المصممة يدوياً إلى البحث الآلي في بنية الشبكات العصبية (NAS). في هذه المقارنة التقنية الشاملة، سنحلل معلمين هامين في هذه الرحلة: YOLOX وDAMO-YOLO. سنستكشف ابتكاراتهم المعمارية، ومنهجيات التدريب، والمقايضات في الأداء، مع تسليط الضوء أيضاً على كيف توفر Ultralytics YOLO26 الحديثة بديلاً لا يُضاهى للمطورين المعاصرين.

YOLOX: ريادة النموذج الخالي من الصناديق المرجعية (Anchor-Free)#

تم إطلاق YOLOX في 18 يوليو 2021 بواسطة Zheng Ge، وSongtao Liu، وFeng Wang، وZeming Li، وJian Sun في Megvii، لتشكل نقطة تحول حاسمة من خلال دمج تصميم خالٍ من المراسي بنجاح في عائلة YOLO. وكما هو موضح في تقريرهم التقني المفصل على ArXiv، هدفت YOLOX إلى سد الفجوة بين البحث الأكاديمي والنشر الصناعي.

الابتكارات المعمارية الرئيسية#

قدم YOLOX العديد من التحولات الهيكلية الأساسية التي أدت إلى تحسينات جذرية مقارنة بأسلافه:

  • آلية خالية من المراسي: من خلال التنبؤ بمركز الكائن وأبعاد صندوق الإحاطة الخاص به مباشرةً، قللت YOLOX من عدد الاستدلالات التصميمية وساهمت في تبسيط عمليات تجمع المراسي المعقدة. وهذا يجعلها قابلة للتكيف بدرجة كبيرة مع سيناريوهات الرؤية الحاسوبية المتنوعة.
  • رأس مفكك (Decoupled Head): استخدمت نماذج YOLO التقليدية رأساً مقترناً واحداً لكل من التصنيف والانحدار. نفذ YOLOX رأساً مفككاً يعالج التصنيف وتحديد الموقع بشكل منفصل، مما أدى إلى التقارب بشكل أسرع وتحسين الدقة.
  • تعيين الملصقات SimOTA: تم استخدام نسخة مبسطة من النقل الأمثل للتعيين (OTA) لتعيين العينات الإيجابية ديناميكياً، مما يقلل من أوقات التدريب ويتغلب على غموض تعيينات النقاط المركزية.
إرث YOLOX

أثر تصميم الرأس المفكك في YOLOX بشكل كبير على الأجيال اللاحقة من كاشفات الأجسام، ليصبح ميزة قياسية في العديد من النماذج الحديثة.

اعرف المزيد عن YOLOX

DAMO-YOLO: البحث الآلي عن البنية على نطاق واسع#

تم تطوير DAMO-YOLO بواسطة Xianzhe Xu وفريق من الباحثين في مجموعة Alibaba، وتم تقديمها في 23 نوفمبر 2022. وكما هو موضح بالتفصيل في منشورهم على ArXiv، استخدم النموذج بشكل مكثف البحث في بنية الشبكات العصبية (NAS) لدفع حدود باريتو للسرعة والدقة.

الابتكارات المعمارية الرئيسية#

ارتكزت استراتيجية DAMO-YOLO على أتمتة تصميم الهياكل الفعالة:

  • الهياكل الأساسية MAE-NAS: باستخدام خوارزمية تطورية متعددة الأهداف، اكتشفت DAMO-YOLO هياكل أساسية عالية الكفاءة مخصصة لميزانيات زمن انتقال محددة، لا سيما عند التصدير إلى أطر عمل مثل TensorRT.
  • Effecient RepGFPN: تصميم ذو عنق ثقيل يعزز بشكل كبير دمج الميزات عبر درجات الدقة المكانية المختلفة، وهو أمر مفيد للغاية لـ تحليل الصور الجوية واكتشاف الكائنات بمقاييس متفاوتة.
  • ZeroHead: رأس تنبؤ مبسط يقلل من التكرار الحسابي دون التضحية بمتوسط الدقة (mAP) العام للنموذج.
  • AlignedOTA والتقطير (Distillation): يدمج تعيين ملصقات متطوراً وتقطير المعرفة من المعلم إلى الطالب لاستخلاص أقصى أداء من نماذج الطلاب الأصغر.

تعرف على المزيد حول DAMO-YOLO

مقارنة الأداء والمقاييس#

عند مقارنة هذين النموذجين، يجب أن ننظر إلى عدد المعلمات، وعدد العمليات الحسابية المطلوبة (FLOPs)، وملفات تعريف زمن الانتقال. فيما يلي بيانات المعايير التي تقارن بين YOLOX وDAMO-YOLO عبر مقاييس متعددة.

النموذجالحجم
(بكسل)		mAPval
50-95		السرعة
CPU ONNX
(ms)		السرعة
T4 TensorRT10
(ms)		المعلمات
(M)		FLOPs
(B)
YOLOXnano41625.8--0.911.08
YOLOXtiny41632.8--5.066.45
YOLOXs64040.5-2.569.026.8
YOLOXm64046.9-5.4325.373.8
YOLOXl64049.7-9.0454.2155.6
YOLOXx64051.1-16.199.1281.9
DAMO-YOLOt64042.0-2.328.518.1
DAMO-YOLOs64046.0-3.4516.337.8
DAMO-YOLOm64049.2-5.0928.261.8
DAMO-YOLOl64050.8-7.1842.197.3

على الرغم من أن كلا النموذجين يحققان نتائج مثيرة للإعجاب، إلا أن هناك محاذير. تتطلب YOLOX ضبطاً دقيقاً لرأسها المفصول، بينما يجعل اعتماد DAMO-YOLO الكبير على التقطير إعادة التدريب على مجموعات البيانات المخصصة كثيفة الاستهلاك للموارد، مما يتطلب كميات هائلة من ذاكرة GPU.

حالات الاستخدام والتوصيات#

يعتمد الاختيار بين YOLOX وDAMO-YOLO على متطلبات مشروعك المحددة، وقيود النشر، وتفضيلات النظام البيئي.

متى تختار YOLOX#

يعد YOLOX خياراً قوياً لـ:

  • أبحاث الكشف بدون نقاط ارتكاز: البحث الأكاديمي الذي يستخدم بنية YOLOX النظيفة والخالية من نقاط الارتكاز كخط أساس لتجربة رؤوس كشف جديدة أو دوال خسارة مبتكرة.
  • أجهزة الحافة خفيفة الوزن للغاية: النشر على وحدات التحكم الدقيقة أو أجهزة الجوال القديمة حيث يكون البصمة الصغيرة جداً لمتغير YOLOX-Nano (0.91 مليون معلمة) أمراً بالغ الأهمية.
  • دراسات تخصيص التصنيفات SimOTA: المشاريع البحثية التي تبحث في استراتيجيات تخصيص التصنيفات القائمة على النقل الأمثل وتأثيرها على تقارب التدريب.

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.

ميزة Ultralytics: تقديم YOLO26#

بينما تمثل YOLOX وDAMO-YOLO محطات تاريخية مهمة، فإن المطورين المعاصرين يتطلبون حلًا يجمع بين دقة متطورة وسهولة استخدام لا مثيل لها. وهنا يأتي دور Ultralytics YOLO26 ليغير المشهد. تم إصدار YOLO26 في يناير 2026، وهي تعتمد على إرث النماذج الخالية من NMS لتقديم التوازن النهائي للسرعة والدقة وتجربة المطورين.

لماذا تختار YOLO26؟#

يتفوق نظام Ultralytics البيئي المتكامل على المستودعات الأكاديمية المجزأة من خلال تقديم:

  • تصميم شامل خالٍ من NMS: تلغي YOLO26 محلياً كبح الحد الأقصى غير (NMS) أثناء الاستدلال. ونتيجة لذلك، ينتج عن ذلك زمن انتقال سريع بشكل لا يُصدق ويمكن التنبؤ به، وهو أمر بالغ الأهمية للنشر على الحافة والمركبات ذاتية القيادة.
  • إزالة DFL: من خلال إزالة توزيع خسارة البؤرة (Distribution Focal Loss)، يبسط YOLO26 عمليات التصدير إلى أجهزة الحافة، مما يقلل بشكل كبير من متطلبات الذاكرة للتطبيقات خفيفة الوزن.
  • مُحسِّن MuSGD: يستعير YOLO26 ابتكارات تدريب النماذج اللغوية الكبيرة (LLM) مع مُحسِّنه الهجين SGD وMuon، مما يضمن استقراراً قوياً في التدريب وتقارباً فائق السرعة.
  • استدلال أسرع بنسبة تصل إلى 43% على وحدة المعالجة المركزية (CPU): بفضل التحسينات الهيكلية العميقة، يعمل YOLO26 بسرعة مذهلة على وحدات المعالجة المركزية دون الحاجة إلى أجهزة GPU باهظة الثمن.
  • دوال الخسارة المتقدمة: يوفر دمج ProgLoss + STAL تحسينات هائلة في التعرف على الكائنات الصغيرة، مما يجعلها مثالية لمهام مثل فحص الطائرات بدون طيار ومراقبة إنترنت الأشياء (IoT).
  • التعددية: على عكس DAMO-YOLO، التي تعد كاشفًا بحتًا، تدعم YOLO26 محليًا مهام تجزئة المثيلات، وتقدير الوضعيات، وتصنيف الصور، وصندوق الإحاطة الموجه (OBB) في إطار عمل واحد وموحد.
ابدأ البناء فوراً

باستخدام واجهة برمجة تطبيقات Python لـ Ultralytics، لن تحتاج إلى تكوين خطوط أنابيب تقطير معقدة يدويًا أو كتابة مئات الأسطر من كود C++ لنشر نموذجك.

from ultralytics import YOLO

# Load the cutting-edge YOLO26 nano model
model = YOLO("yolo26n.pt")

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

# Run ultra-fast, NMS-free inference
results = model("https://ultralytics.com/images/bus.jpg")

# Export to ONNX or OpenVINO with a single command
model.export(format="openvino")

تعرف على المزيد حول YOLO26

نماذج أخرى يجب مراعاتها#

نظام الرؤية الحاسوبية واسع النطاق. بناءً على قيودك المحددة، قد ترغب أيضاً في استكشاف بنى أخرى مدعومة بالكامل من نظام Ultralytics البيئي:

  • YOLO11: السلف القوي للغاية لـ YOLO26، المعروف بمتانته في تحليلات قطاع التجزئة ومراقبة جودة التصنيع.
  • YOLOv8: نموذج أسطوري عالي الاستقرار وخالٍ من المراسي ساهم في انتشار عمليات نشر الحافة على نطاق واسع.
  • RT-DETR: محول اكتشاف في الوقت الفعلي (DEtection TRansformer) تم تطويره بواسطة Baidu، ويقدم بديلاً ممتازاً للتهام التي تستفيد بشكل كبير من آليات الانتباه الشامل، وإن كان ذلك على حساب متطلبات ذاكرة تدريب أعلى.

الخلاصة#

ساهم كل من YOLOX وDAMO-YOLO بمفاهيم حيوية في تطور التعلم العميق—حيث أكد YOLOX النهج المفكك والخالي من المرساة، وأثبت DAMO-YOLO قوة البحث الآلي في بنية الشبكات. ومع ذلك، بالنسبة للإنتاج في العالم الحقيقي، يمكن لتعقيدات قواعد أكواد أبحاثهم الأصلية أن تبطئ الفرق الرشيقة.

من خلال الاستفادة من منصة Ultralytics الشاملة، يمكن للمطورين تجاوز هذه العقبات. مع تصميم YOLO26 الشامل، وسرعات وحدة المعالجة المركزية (CPU) الفائقة، والوثائق الواسعة النطاق، أصبح تحقيق الذكاء الاصطناعي للرؤية المتطورة أكثر سهولة من أي وقت مضى. وسواء كنت تبني بنية تحتية للمدن الذكية، أو تشخيصات الرعاية الصحية، أو الروبوتات المتقدمة، فإن Ultralytics توفر المسار الأكثر كفاءة من البيانات الخام إلى النشر القوي في العالم الحقيقي.

المساهمون
GLglenn-jocher15PDpderrenger1

التعليقات