Bắt đầu

DAMO-YOLO và EfficientDet

Nghiên cứu thị giác máy tính đã tạo ra nhiều kiến trúc đáp ứng các nhu cầu thực tế khác nhau. Một số framework ưu tiên khả năng mở rộng, trong khi những framework khác tập trung vào tốc độ suy luận thời gian thực. Bài so sánh này đề cập đến DAMO-YOLO và EfficientDet, hai model có ảnh hưởng với những cách tiếp cận phát hiện vật thể khác biệt. Bài viết xem xét kiến trúc của chúng, so sánh hiệu năng benchmark và giải thích vì sao Ultralytics YOLO26 là lựa chọn mạnh mẽ cho các triển khai production hiện đại.

Tổng quan kiến trúc#

Cả hai model đều được thiết kế để giải quyết sự đánh đổi giữa hiệu quả và độ chính xác, nhưng dựa vào các cơ chế hoàn toàn khác nhau để đạt được mục tiêu.

Được phát triển nhằm mở rộng giới hạn của phát hiện thời gian thực, DAMO-YOLO tận dụng các kỹ thuật tìm kiếm tự động để xây dựng những mạng hiệu quả cao, phù hợp với môi trường có độ trễ thấp.

Thông tin về DAMO-YOLO:

DAMO-YOLO được xây dựng trên backbone Tìm kiếm kiến trúc nơ-ron (NAS), tối ưu đồng thời tốc độ và độ chính xác. Model giới thiệu RepGFPN (Mạng kim tự tháp đặc trưng tổng quát được tái tham số hóa), giúp tăng cường hợp nhất đặc trưng mà vẫn duy trì tốc độ suy luận cao. Ngoài ra, thiết kế ZeroHead giảm thiểu chi phí tính toán thường gắn với các head phát hiện. Model cũng sử dụng phương pháp gán nhãn AlignedOTA (Gán vận chuyển tối ưu có căn chỉnh) và chưng cất tri thức, nhờ đó ngay cả các biến thể nhỏ nhất cũng học được biểu diễn phong phú từ những model lớn hơn.

Tìm hiểu thêm về DAMO-YOLO

EfficientDet: Khả năng mở rộng nhờ scaling hợp thành#

Khác với cách tiếp cận ưu tiên tốc độ, EfficientDet tập trung vào khả năng mở rộng có hệ thống trên nhiều mức ngân sách tính toán.

Thông tin chi tiết về EfficientDet:

EfficientDet giới thiệu BiFPN (Mạng kim tự tháp đặc trưng hai chiều), cho phép hợp nhất đặc trưng đa tỷ lệ nhanh chóng. Khác với các phương pháp truyền thống mở rộng kiến trúc bằng cách tùy ý thêm layer hoặc channel, EfficientDet sử dụng phương pháp mở rộng hợp thành để đồng thời điều chỉnh đồng đều độ phân giải, độ sâu và độ rộng của backbone, mạng đặc trưng và các mạng dự đoán hộp/phân lớp. Nhờ vậy, khi ra mắt, model đạt độ chính xác tiên tiến nhất trên phần cứng cao cấp, đồng thời cung cấp các biến thể nhỏ hơn cho môi trường hạn chế tài nguyên.

Tìm hiểu thêm về EfficientDet

So sánh hiệu năng và chỉ số#

Khi đặt cạnh nhau, có thể thấy rõ sự đánh đổi giữa độ chính xác và tốc độ suy luận. Bảng dưới đây trình bày các chỉ số hiệu năng chính, làm nổi bật khả năng suy luận của DAMO-YOLO so với dòng model EfficientDet.

Modelkích thước
(pixel)
mAPval50-95Tốc độ
CPU ONNX
(ms)
Tốc độ
T4 TensorRT10
(ms)
params
(M)
FLOPs
(B)
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
EfficientDet-d051234.6-3.923.92.54
EfficientDet-d164040.5-7.316.66.1
EfficientDet-d276843.0-10.928.111.0
EfficientDet-d389647.5-19.5912.024.9
EfficientDet-d4102449.7-33.5520.755.2
EfficientDet-d5128051.5-67.8633.7130.0
EfficientDet-d6128052.6-89.2951.9226.0
EfficientDet-d7153653.7-128.0751.9325.0

EfficientDet-d7 đạt độ chính xác tổng thể cao nhất, phù hợp với các ứng dụng đòi hỏi cao chạy trên cloud. Dòng DAMO-YOLO có độ chính xác cạnh tranh với độ trễ thấp hơn nhiều trên phần cứng GPU, nên phù hợp hơn cho triển khai biên thời gian thực.

Trường hợp sử dụng và khuyến nghị#

Việc lựa chọn giữa DAMO-YOLO và EfficientDet phụ thuộc vào yêu cầu cụ thể của dự án, các giới hạn triển khai và hệ sinh thái bạn ưu tiên.

Khi nào nên chọn DAMO-YOLO#

DAMO-YOLO là lựa chọn phù hợp cho:

  • Phân tích video thông lượng cao: Xử lý luồng video FPS cao trên hạ tầng GPU NVIDIA cố định, trong đó thông lượng batch-1 là chỉ số chính.
  • Dây chuyền sản xuất công nghiệp: Các kịch bản có yêu cầu nghiêm ngặt về độ trễ GPU trên phần cứng chuyên dụng, chẳng hạn như kiểm tra chất lượng thời gian thực trên dây chuyền lắp ráp.
  • Nghiên cứu Neural Architecture Search: Nghiên cứu ảnh hưởng của tìm kiếm kiến trúc tự động (MAE-NAS) và các backbone tái tham số hóa hiệu quả đến hiệu năng phát hiện.

Khi nào nên chọn EfficientDet#

EfficientDet được khuyến nghị cho:

  • Pipeline Google Cloud và TPU: Các hệ thống dựa trên TensorFlow chạy trên hạ tầng TPU của Google Cloud, nơi bản triển khai tham chiếu của EfficientDet hỗ trợ huấn luyện trên TPU.
  • Nghiên cứu mở rộng theo hệ số: Benchmark học thuật tập trung nghiên cứu tác động của việc mở rộng cân bằng độ sâu, chiều rộng và độ phân giải của mạng.
  • Triển khai di động qua LiteRT: Các dự án yêu cầu cụ thể việc xuất sang LiteRT (trước đây là TensorFlow Lite) cho Android hoặc thiết bị Linux nhúng.

Khi nào nên chọn Ultralytics (YOLO26)#

Với hầu hết dự án mới, Ultralytics YOLO26 mang đến sự kết hợp tốt nhất giữa hiệu năng và trải nghiệm dành cho nhà phát triển:

  • Triển khai edge không cần NMS: Các ứng dụng cần suy luận ổn định, độ trễ thấp mà không phải xử lý sự phức tạp của bước hậu xử lý Non-Maximum Suppression (NMS).
  • Môi trường chỉ có CPU: Các thiết bị không có tăng tốc GPU chuyên dụng, nơi khả năng inference CPU nhanh hơn YOLO11n đến 43% của YOLO26n tạo ra lợi thế rõ rệt.
  • Phát hiện vật thể nhỏ: Các tình huống khó như ảnh chụp từ drone trên không hoặc phân tích cảm biến IoT, trong đó ProgLoss và STAL cải thiện đáng kể độ chính xác khi phát hiện vật thể rất nhỏ.

Lựa chọn hiện đại: Ultralytics YOLO26#

Mặc dù DAMO-YOLO và EfficientDet là những cột mốc học thuật quan trọng, việc triển khai thực tế thường cần một phương pháp cân bằng hơn, giàu tính năng và thân thiện với nhà phát triển. Ultralytics YOLO26 được thiết kế chính xác cho mục đích đó.

Ra mắt vào tháng 1 năm 2026, YOLO26 kế thừa nền tảng của các phiên bản trước, bao gồm Ultralytics YOLO11 và YOLOv8, đồng thời đơn giản hóa quy trình huấn luyện và triển khai model phát hiện vật thể.

Sự đơn giản đầu-cuối

YOLO26 có thiết kế end-to-end không cần NMS nguyên bản (nms=False). Bằng cách loại bỏ Non-Maximum Suppression (NMS) khỏi bước hậu xử lý—một nút thắt triển khai tồn tại lâu nay đối với các bộ phát hiện vật thể—YOLO26 mang đến pipeline triển khai đơn giản và nhanh hơn, đặc biệt trên phần cứng biên.

Hiệu năng và tính linh hoạt#

YOLO26 cải thiện độ ổn định và độ chính xác khi huấn luyện, đồng thời tăng tốc độ. Model giới thiệu Bộ tối ưu MuSGD, kết hợp SGD và Muon, lấy cảm hứng từ quá trình huấn luyện LLM nhằm hội tụ nhanh hơn và huấn luyện hiệu quả hơn. Khác với các lựa chọn thay thế nặng hơn dựa trên Transformer như RT-DETR, YOLO26 duy trì nhu cầu bộ nhớ thấp nên có thể huấn luyện trên phần cứng phổ thông.

YOLO26 cũng tích hợp ProgLoss + STAL, giúp cải thiện khả năng nhận diện vật thể nhỏ trong các trường hợp sử dụng như ảnh chụp trên không từ drone và robot. Để tối ưu cho thiết bị công suất thấp, YOLO26 loại bỏ Distribution Focal Loss (DFL), giúp YOLO26n suy luận trên CPU nhanh hơn đến 43% so với YOLO11n.

Hệ sinh thái và tính dễ sử dụng#

Một trong những trở ngại lớn nhất khi sử dụng các model như EfficientDet là quy trình tích hợp phức tạp. Thay vào đó, Nền tảng Ultralytics cung cấp một hệ sinh thái end-to-end được duy trì tốt. Với API thống nhất, người dùng có thể dễ dàng chuyển đổi giữa phát hiện, phân đoạn đối tượng, phân loại ảnh, ước lượng tư thế và hộp giới hạn có định hướng (OBB).

Chỉ cần vài dòng mã với gói Python Ultralytics là có thể huấn luyện YOLO26 và chạy suy luận:

from ultralytics import YOLO

# Tải model YOLO26 nano
model = YOLO("yolo26n.pt")

# Huấn luyện model trên dataset tùy chỉnh với mức sử dụng bộ nhớ tối thiểu
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

# Chạy suy luận siêu nhanh không cần NMS
predictions = model.predict("https://ultralytics.com/images/bus.jpg", nms=False)

Kết luận#

So sánh DAMO-YOLO và EfficientDet làm nổi bật sự đánh đổi giữa Tìm kiếm kiến trúc nơ-ron và phương pháp mở rộng hợp thành, nhưng công việc production cũng đòi hỏi các công cụ thu hẹp khoảng cách giữa nghiên cứu học thuật và triển khai.

Với các nhà phát triển ưu tiên tính dễ sử dụng, cộng đồng mã nguồn mở năng động và sự cân bằng tốt giữa tốc độ và độ chính xác, Ultralytics YOLO26 là lựa chọn được khuyến nghị. Kiến trúc không cần NMS, chi phí huấn luyện thấp và khả năng tích hợp với hệ sinh thái Ultralytics khiến model trở thành nền tảng thiết thực cho dự án thị giác máy tính tiếp theo của bạn.

Người đóng góp

Bình luận2

Đặt câu hỏi, chia sẻ kết quả hoặc giúp đỡ người khác.

  1. UltralyticsAssistantGitHubUltralytics

    👋 Hello, thank you for starting this discussion and for your interest in Ultralytics 🚀! For more details on model comparisons and best practices, we recommend checking out the Docs where you’ll find further insights on different architectures, metrics, and use cases.

    If this is a 🐛 Bug Report, please provide a minimum reproducible example to help us investigate.

    If you have a custom training ❓ Question, please include all relevant information such as dataset examples, training logs, and verify you are following our Tips for Best Training Results.

    Join our vibrant community! For real-time chat, visit Discord 🎧. For more in-depth discussions, check out Discourse, or join our Subreddit to connect with fellow users.

    Upgrade

    Please upgrade to the latest ultralytics package and all requirements in a Python>=3.8 environment with PyTorch>=1.8 to ensure you’re using the most up-to-date features:

    pip install -U ultralytics

    Environments

    YOLO runs in the following up-to-date verified environments (all dependencies including CUDA/CUDNN, Python, and PyTorch preinstalled):

    Status

    Ultralytics CI

    If this badge is green, all Ultralytics CI tests are currently passing. CI tests verify correct operation of all YOLO Modes and Tasks on macOS, Windows, and Ubuntu every 24 hours and on every commit.

    This is an automated response to help guide you. An Ultralytics engineer will also review your discussion and assist you soon! 😊

    1. Glenn JocherUltralytics(đã chỉnh sửa)

      Welcome to the discussion about DAMO-YOLO vs. EfficientDet! This is a great place to ask questions or share your experiences with either model.

      The comparison highlights how DAMO-YOLO generally achieves higher mAP with faster TensorRT speeds, while EfficientDet offers strong CPU performance and parameter efficiency. For most users seeking a balance of performance, ease of use and versatility, Ultralytics models like YOLO26 provide significant advantages with our well-maintained ecosystem.

      If you have specific questions about implementation details, performance in certain scenarios, or need guidance choosing between these architectures for your specific use case, please drop them here. The Ultralytics team regularly monitors these discussions and is happy to provide insights.