DAMO-YOLO và EfficientDet#

Sự phát triển của thị giác máy tính đã tạo ra nhiều kiến trúc mạnh mẽ, được thiết kế phù hợp với các nhu cầu thực tế khác nhau. Một số framework ưu tiên khả năng mở rộng quy mô lớn, trong khi số khác tập trung mạnh vào tốc độ suy luận thời gian thực. Trong bài so sánh kỹ thuật này, chúng tôi tìm hiểu DAMO-YOLO và EfficientDet, hai model có ảnh hưởng lớn với những cách tiếp cận khác biệt cho bài toán phát hiện vật thể. Chúng tôi sẽ phân tích kiến trúc, so sánh hiệu năng benchmark và cuối cùng tìm hiểu vì sao Ultralytics YOLO26 mới ra mắt là lựa chọn tối ưu 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.

DAMO-YOLO: Tăng tốc nhờ tìm kiếm kiến trúc mạng nơ-ron#

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:

• Tác giả: Xianzhe Xu, Yiqi Jiang, Weihua Chen, Yilun Huang, Yuan Zhang và Xiuyu Sun
• Tổ chức: Alibaba Group
• Ngày: 2022-11-23
• Arxiv: https://arxiv.org/abs/2211.15444v2
• GitHub: https://github.com/tinyvision/DAMO-YOLO

DAMO-YOLO được xây dựng dựa trên backbone Tìm kiếm kiến trúc mạng nơ-ron (NAS), tối ưu hóa đồng thời tốc độ và độ chính xác. Model này giới thiệu RepGFPN (Mạng kim tự tháp đặc trưng tổng quát được tái tham số hóa), giúp tăng cường hợp nhất đặc trưng trong khi 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 tận dụng AlignedOTA (Phép gán vận chuyển tối ưu được căn chỉnh) và cải tiến bằng chưng cất, đảm bảo ngay cả các biến thể nhỏ nhất cũng học được biểu diễn phong phú từ các 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:

• Tác giả: Mingxing Tan, Ruoming Pang và Quoc V. Le
• Tổ chức: Google Brain
• Ngày: 2019-11-20
• arXiv: https://arxiv.org/abs/1911.09070
• GitHub: https://github.com/google/automl/tree/master/efficientdet

EfficientDet giới thiệu BiFPN (Mạng kim tự tháp đặc trưng hai chiều), cho phép hợp nhất đặc trưng đa tỷ lệ nhanh chóng và dễ dàng. Không giống các phương pháp truyền thống mở rộng kiến trúc bằng cách tùy ý thêm layer hoặc channel, EfficientDet sử dụng phương pháp scaling hợp thành để mở rộng đồng đều độ phân giải, độ sâu và độ rộng của backbone, mạng đặc trưng và các mạng dự đoán box/class cùng lúc. Nhờ đó, model đạt độ chính xác tiên tiến 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 so sánh trực tiếp hai model này, có thể thấy rõ sự đánh đổi giữa độ chính xác tối đa và tốc độ suy luận. Bảng dưới đây nêu các chỉ số hiệu năng chính, cho thấy khả năng suy luận của DAMO-YOLO so sánh như thế nào với họ model EfficientDet.

Như trên, EfficientDet-d7 đạt độ chính xác tổng thể cao nhất, phù hợp với các ứng dụng đám mây đòi hỏi khắt khe. Ngược lại, dòng DAMO-YOLO mang lại độ chính xác rất cạnh tranh với độ trễ thấp hơn đáng kể trên phần cứng GPU, khiến dòng model này trở thành lựa chọn 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 tích hợp sâu với API Google Cloud Vision hoặc hạ tầng TPU, nơi EfficientDet được tối ưu hóa nguyên bản.
• 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 trên thiết bị biên không cần NMS: Các ứng dụng cần inference có độ trễ thấp và ổn định mà không phải xử lý hậu kỳ Non-Maximum Suppression phức tạp.
• Môi trường chỉ có CPU: Các thiết bị không có GPU tăng tốc chuyên dụng, nơi tốc độ CPU inference nhanh hơn đến 43% của YOLO26 mang lại 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 đều là những cột mốc học thuật quan trọng, triển khai thực tế thường đòi hỏi một giải pháp cân bằng hơn, giàu tính năng và thân thiện với nhà phát triển. Đây là lúc Ultralytics YOLO26 thiết lập một tiêu chuẩn mới cho ngành.

Ra mắt vào tháng 1 năm 2026, YOLO26 kế thừa nền tảng từ các thế hệ trước, bao gồm Ultralytics YOLO11 và YOLOv8, tạo ra bước chuyển đổi căn bản trong cách tiếp cận phát hiện đối tượng.

Hiệu năng và tính linh hoạt vượt trội#

YOLO26 không chỉ cải thiện tốc độ mà còn định nghĩa lại độ ổn định khi huấn luyện và độ chính xác. Model giới thiệu Optimizer MuSGD, kết hợp SGD và Muon, lấy cảm hứng từ các đổi mới trong huấn luyện LLM, giúp tốc độ hội tụ nhanh hơn đáng kể và hiệu quả huấn luyện vượt trội. Khác với các lựa chọn thay thế nặng nề dựa trên Transformer như RT-DETR, YOLO26 duy trì yêu cầu bộ nhớ rất thấp, đảm bảo có thể huấn luyện trên phần cứng dành cho người dùng phổ thông.

Ngoài ra, YOLO26 tích hợp ProgLoss + STAL, cải thiện đáng kể khả năng nhận diện vật thể nhỏ, vốn rất quan trọng trong các trường hợp sử dụng như ảnh chụp từ trên không bằng drone và robot. Để tối ưu cho thiết bị công suất thấp, YOLO26 loại bỏ Hàm mất mát tiêu cự phân phối (DFL), giúp suy luận CPU nhanh hơn tới 43% so với các thế hệ trước.

Hệ sinh thái và tính dễ sử dụng#

Một trong những trở ngại lớn nhất của các model như EfficientDet là quy trình tích hợp phức tạp. Ngược lại, Nền tảng Ultralytics cung cấp một hệ sinh thái đầu-cuối được duy trì tốt. Với API hợp nhất, người dùng có thể dễ dàng chuyển đổi giữa phát hiện, phân đoạn thực thể, phân loại ảnh, ước lượng tư thế và box giới hạn có định hướng (OBB).

Sau đây là cách đơn giản để huấn luyện và chạy suy luận với YOLO26 bằng package Python của Ultralytics:

from ultralytics import YOLO

# Tải model YOLO26 nano tiên tiến nhất
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#

Trong khi tìm hiểu DAMO-YOLO và EfficientDet mang lại những góc nhìn hữu ích về sự đánh đổi giữa Tìm kiếm kiến trúc mạng nơ-ron và scaling hợp thành, các nhà phát triển hiện đại cần công cụ kết nối nghiên cứu học thuật với thực tế sản xuất.

Với các nhà phát triển ưu tiên tính dễ sử dụng, cộng đồng mã nguồn mở năng động và sự cân bằng tối ưu giữa tốc độ với độ chính xác, Ultralytics YOLO26 là lựa chọn hàng đầu. Kiến trúc không cần NMS, chi phí huấn luyện thấp và khả năng tích hợp liền mạch với hệ sinh thái Ultralytics toàn diện khiến YOLO26 trở thành framework lý tưởng cho dự án thị giác máy tính tiếp theo của bạn.