Bắt đầu

DAMO-YOLO và PP-YOLOE+

Chọn kiến trúc phù hợp cho triển khai là quyết định then chốt trong thị giác máy tính thời gian thực. Hướng dẫn này so sánh kỹ thuật DAMO-YOLO và PP-YOLOE+, bao gồm thiết kế kiến trúc, phương pháp huấn luyện và chỉ số hiệu năng. Hướng dẫn cũng xem xét cách hai model so sánh với Ultralytics YOLO26, phát hành vào tháng 1 năm 2026.

Tổng quan về model#

Cả hai framework đều xuất hiện vào năm 2022 như những lựa chọn thay thế cho ứng dụng công nghiệp, sử dụng các kỹ thuật khác nhau để cải thiện độ chính xác và tốc độ suy luận.

DAMO-YOLO#

Được phát triển bởi Alibaba Group, DAMO-YOLO giới thiệu một số kỹ thuật mới nhằm tối ưu hóa sự đánh đổi giữa độ trễ và độ chính xác, chủ yếu dựa vào các kỹ thuật tìm kiếm tự động và hợp nhất đặc trưng nâng cao.

DAMO-YOLO sử dụng Maximum Entropy Neural Architecture Search (MAE-NAS) để tự động thiết kế backbone được tối ưu hóa cho hiệu quả phần cứng. Model cũng có RepGFPN hiệu quả (Re-parameterized Generalized Feature Pyramid Network) để hợp nhất đặc trưng ở neck và thiết kế "ZeroHead" gọn nhẹ. Model còn dựa vào chưng cất tri thức trong quá trình huấn luyện để tăng năng lực biểu diễn của model student.

Tìm hiểu thêm về DAMO-YOLO

PP-YOLOE+#

Đến từ nhóm PaddlePaddle của Baidu, PP-YOLOE+ là bản nâng cấp từng bước của kiến trúc PP-YOLOE. Model tập trung vào tiền huấn luyện quy mô lớn và các hàm loss được tinh chỉnh để đạt mAP cao, đặc biệt trong framework deep learning gốc.

PP-YOLOE+ sử dụng backbone CSPRepResNet và ET-head (Efficient Task-aligned head). Phiên bản "plus" bổ sung bước pretraining trên bộ dữ liệu Objects365, giúp cải thiện khả năng khái quát hóa trong nhiều môi trường thực tế đa dạng.

Tìm hiểu thêm về PP-YOLOE+

So sánh kiến trúc#

Triết lý thiết kế khác nhau của hai model này định hình các trường hợp sử dụng phù hợp nhất và khả năng tương thích phần cứng của từng model.

Hợp nhất đặc trưng và backbone#

Các backbone do MAE-NAS tạo ra của DAMO-YOLO được thiết kế riêng cho thiết bị biên, thường mang lại tỷ lệ tốc độ trên số lượng tham số thuận lợi. Tuy nhiên, các kiến trúc tùy chỉnh này có thể cứng nhắc và khó điều chỉnh cho các tác vụ mới như phân đoạn đối tượng. Neck RepGFPN cải thiện hợp nhất đặc trưng đa tỷ lệ nhưng làm tăng độ phức tạp trong giai đoạn xuất có tái tham số hóa.

PP-YOLOE+ dựa trên CSPRepResNet truyền thống nhưng hiệu quả hơn. Dù backbone này cần nhiều tham số hơn DAMO-YOLO để đạt độ chính xác tương đương, model ổn định khi huấn luyện và dễ tích hợp hơn vào các pipeline hiện có. ET-head xử lý hiệu quả tác vụ phân loại và hồi quy, nhưng vẫn cần các bước hậu xử lý như Non-Maximum Suppression (NMS).

Loại bỏ độ trễ hậu xử lý

Cả DAMO-YOLO và PP-YOLOE+ đều cần NMS để hậu xử lý bounding box. Nếu độ trễ suy luận là yếu tố then chốt, hãy cân nhắc Ultralytics YOLO26, vốn có thiết kế đầu cuối gốc không cần NMS thông qua head một-một tùy chọn (nms=False). Hướng tiếp cận này loại bỏ bước hậu xử lý NMS, giúp quy trình triển khai nhanh hơn và đơn giản hơn.

Phân tích hiệu năng và chỉ số#

Khi đánh giá các model này cho môi trường production, việc cân bằng độ chính xác (mAP), tốc độ suy luận và kích thước model là rất quan trọng. Dưới đây là so sánh trực tiếp các biến thể chính.

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
PP-YOLOE+t64039.9-2.844.8519.15
PP-YOLOE+s64043.7-2.627.9317.36
PP-YOLOE+m64049.8-5.5623.4349.91
PP-YOLOE+l64052.9-8.3652.2110.07
PP-YOLOE+x64054.7-14.398.42206.59

Như bảng minh họa, DAMO-YOLO đạt độ chính xác cao hơn ở các kích thước tiny (t) và small (s), còn DAMO-YOLOt có độ trễ TensorRT T4 thấp nhất trong số các model ở đây nhờ backbone được tối ưu bằng NAS. Tuy nhiên, PP-YOLOE+ mở rộng quy mô tốt ở các phân khúc medium (m) và large (l), đạt điểm mAP cao hơn với mức đánh đổi nhỏ về tốc độ TensorRT T4.

Yêu cầu bộ nhớ và hiệu quả huấn luyện#

Do phụ thuộc vào chưng cất, DAMO-YOLO thường yêu cầu huấn luyện một model teacher lớn hơn nhiều trước khi huấn luyện model student nhỏ hơn. Điều này làm tăng đáng kể nhu cầu bộ nhớ CUDA và ngân sách tính toán tổng thể. PP-YOLOE+ đơn giản hóa quy trình bằng huấn luyện một giai đoạn tiêu chuẩn, nhưng vẫn gắn chặt với framework PaddlePaddle, điều này có thể hạn chế tính linh hoạt của các nhóm quen dùng PyTorch.

Ngược lại, model Ultralytics YOLO26 hiện đại tránh được các nút thắt này. Nhờ Optimizer MuSGD mới, kết hợp SGD và Muon lấy cảm hứng từ huấn luyện LLM, YOLO26 hội tụ nhanh hơn và huấn luyện ổn định mà không cần quy trình chưng cất phức tạp. Ngoài ra, các model YOLO thường cần ít bộ nhớ CUDA hơn nhiều trong quá trình huấn luyện so với detector dựa trên Transformer như RT-DETR.

Ứng dụng thực tế và trường hợp sử dụng phù hợp#

Khi nào nên dùng DAMO-YOLO#

DAMO-YOLO phù hợp với suy luận biên có thông lượng cao, trong đó độ trễ là nút thắt chính. Các biến thể nhỏ của model hoạt động xuất sắc trong những môi trường như hệ thống quản lý giao thông hoặc giám sát drone cơ bản, miễn là đội ngũ kỹ thuật của bạn có đủ nguồn lực để quản lý các quy trình chưng cất và tái tham số hóa phức tạp.

Khi nào nên dùng PP-YOLOE+#

PP-YOLOE+ phù hợp nếu bạn đã đầu tư vào hệ sinh thái Baidu hoặc đang vận hành các triển khai máy chủ quy mô lớn. mAP cao khiến model phù hợp với các tác vụ phân tích ảnh y tế phức tạp hoặc phát hiện lỗi sản xuất dày đặc.

Lợi thế của Ultralytics#

Mặc dù DAMO-YOLO và PP-YOLOE+ đều có những ưu điểm riêng, các nhà phát triển cần tính linh hoạt, tốc độ và tính dễ sử dụng có thể huấn luyện và triển khai model trên Nền tảng Ultralytics.

Khi nâng cấp pipeline thị giác máy tính, Ultralytics YOLO26 mang đến trải nghiệm phát triển tinh gọn:

  • Suy luận CPU nhanh hơn đến 43%: Nhờ loại bỏ hoàn toàn Distribution Focal Loss (DFL), YOLO26n chạy nhanh hơn YOLO11n đến 43% trên CPU, phù hợp với CPU biên và thiết bị IoT công suất thấp.
  • Cải thiện khả năng phát hiện vật thể nhỏ: Hàm mục tiêu ProgLoss và phương pháp gán nhãn STAL cải thiện khả năng nhận diện vật thể nhỏ, điều thiết yếu đối với ảnh chụp từ trên không.
  • Tính linh hoạt cao: Khác với PP-YOLOE+ chỉ tập trung vào phát hiện, YOLO26 còn xử lý ước lượng tư thế, hộp giới hạn có định hướng (OBB) và phân đoạn ngữ nghĩa, với các cải tiến kiến trúc riêng cho từng tác vụ.

Kết luận#

DAMO-YOLO và PP-YOLOE+ là những cột mốc quan trọng trong quá trình phát triển của phương pháp phát hiện vật thể không dùng anchor. DAMO-YOLO mở rộng giới hạn của tìm kiếm kiến trúc mạng để giảm độ trễ trên thiết bị biên, còn PP-YOLOE+ cho thấy sức mạnh của tiền huấn luyện quy mô lớn.

Tuy nhiên, với các nhà phát triển muốn có sự cân bằng tốt nhất giữa tốc độ, độ chính xác và tính đơn giản khi triển khai, model Ultralytics YOLO26 là lựa chọn được khuyến nghị. Kiến trúc không cần NMS, Python API mạnh mẽ và khả năng tích hợp với các công cụ như Weights & Biases và TensorRT giúp dự án chuyển đổi suôn sẻ từ nguyên mẫu sang môi trường production.

Bạn đã sẵn sàng bắt đầu chưa? Hãy xem Hướng dẫn bắt đầu nhanh Ultralytics hoặc so sánh thêm các model trong bài tổng quan YOLO11 và DAMO-YOLO.

Người đóng góp

Bình luận

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