DAMO-YOLO và PP-YOLOE+#
Trong bối cảnh thị giác máy tính thời gian thực có tính cạnh tranh cao, việc chọn kiến trúc tối ưu cho nhu cầu triển khai cụ thể là rất quan trọng. Hướng dẫn này cung cấp so sánh kỹ thuật toàn diện giữa DAMO-YOLO và PP-YOLOE+, phân tích sâu thiết kế kiến trúc, phương pháp huấn luyện và các chỉ số hiệu năng. Chúng tôi cũng sẽ xem xét hai model này so với các giải pháp tiên tiến như Ultralytics YOLO26 mới ra mắt.
Tổng quan về model#
Cả hai framework đều xuất hiện vào năm 2022 như những lựa chọn thay thế mạnh mẽ cho các ứng dụng công nghiệp, tận dụng những kỹ thuật tinh vi để mở rộng giới hạn về 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.
- Tác giả: Xianzhe Xu, Yiqi Jiang, Weihua Chen, Yilun Huang, Yuan Zhang và Xiuyu Sun
- Tổ chức: Alibaba Group
- Ngày: 2022-11-23
- Arxiv: DAMO-YOLO: Báo cáo về thiết kế phát hiện vật thể thời gian thực
- GitHub: tinyvision/DAMO-YOLO
- Tài liệu: README DAMO-YOLO
DAMO-YOLO sử dụng Tìm kiếm kiến trúc mạng Entropy tối đa (MAE-NAS) để tự động thiết kế backbone tối ưu cho hiệu quả phần cứng. Model còn có RepGFPN hiệu quả (Mạng kim tự tháp đặc trưng tổng quát được tái tham số hóa) để hợp nhất đặc trưng ở neck và thiết kế "ZeroHead" gọn nhẹ. Ngoài ra, model phụ thuộc nhiều vào các kỹ thuật distillation trong quá trình huấn luyện để tăng cường năng lực biểu diễn của student model.
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.
- Tác giả: Nhóm tác giả PaddlePaddle
- Tổ chức: Baidu
- Ngày: 2022-04-02
- Arxiv: PP-YOLOE: Phiên bản YOLO được phát triển
- GitHub: PaddlePaddle/PaddleDetection
- Tài liệu: Cấu hình PP-YOLOE+
PP-YOLOE+ sử dụng backbone CSPRepResNet và head ET (head căn chỉnh tác vụ hiệu quả). Phiên bản "plus" áp dụng chiến lược tiền huấn luyện mạnh mẽ trên dataset Objects365, giúp cải thiện đáng kể khả năng khái quát hóa trong nhiều môi trường thực tế khác nhau.
So sánh kiến trúc#
Sự khác biệt trong triết lý thiết kế của hai model này ảnh hưởng đáng kể đến trường hợp sử dụng lý tưởng và khả năng tương thích phần cứng.
Hợp nhất đặc trưng và backbone#
Các backbone được tạo bởi MAE-NAS của DAMO-YOLO được tinh chỉnh tối ưu cho thiết bị biên, thường mang lại tỷ lệ tốc độ trên số lượng tham số thuận lợi. Tuy nhiên, những kiến trúc tùy chỉnh này có thể cứng nhắc và khó điều chỉnh cho các tác vụ mới như phân đoạn instance. Neck RepGFPN cải thiện khả năng hợp nhất đặc trưng đa tỷ lệ nhưng làm tăng độ phức tạp trong giai đoạn export tái tham số hóa.
PP-YOLOE+ dựa trên CSPRepResNet truyền thống hơn nhưng rất hiệu quả. Dù backbone này cần nhiều tham số hơn DAMO-YOLO để đạt độ chính xác tương đương, việc huấn luyện rất ổn định và dễ tích hợp 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 Ức chế cực đại phi tối đa (NMS).
Cả DAMO-YOLO và PP-YOLOE+ đều cần NMS để hậu xử lý bounding box. Nếu độ trễ suy luận là yếu tố quan trọng, hãy cân nhắc Ultralytics YOLO26, với Thiết kế end-to-end không cần NMS tích hợp thông qua head one-to-one tùy chọn (nms=False). Cách tiếp cận đột phá này loại bỏ bước hậu xử lý NMS, giúp pipeline 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.
| Model | kích thước (pixel) | mAPval 50-95 | Tốc độ CPU ONNX (ms) | Tốc độ T4 TensorRT10 (ms) | params (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| 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 |
| PP-YOLOE+t | 640 | 39.9 | - | 2.84 | 4.85 | 19.15 |
| PP-YOLOE+s | 640 | 43.7 | - | 2.62 | 7.93 | 17.36 |
| PP-YOLOE+m | 640 | 49.8 | - | 5.56 | 23.43 | 49.91 |
| PP-YOLOE+l | 640 | 52.9 | - | 8.36 | 52.2 | 110.07 |
| PP-YOLOE+x | 640 | 54.7 | - | 14.3 | 98.42 | 206.59 |
Như bảng cho thấy, DAMO-YOLO đạt độ chính xác cao hơn ở quy mô tiny (t) và small (s), còn DAMO-YOLOt có độ trễ TensorRT T4 thấp nhất trong số các model tại đây nhờ backbone được tối ưu bằng NAS. Tuy nhiên, PP-YOLOE+ mở rộng hiệu quả vượt trội ở các phân khúc medium (m) và large (l), đạt điểm mAP cao hơn nhưng phải đánh đổi đôi chút về tốc độ TensorRT T4.
Yêu cầu bộ nhớ và hiệu quả huấn luyện#
Do DAMO-YOLO phụ thuộc vào distillation, bạn thường cần huấn luyện một teacher model lớn hơn nhiều trước khi huấn luyện student model nhỏ hơn. Điều này làm tăng đáng kể yêu cầu bộ nhớ CUDA và tổng ngân sách tính toán. 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 đối với các nhóm quen dùng PyTorch.
Ngược lại, model Ultralytics YOLO26 hiện đại giải quyết các nút thắt này. Sử dụng Optimizer MuSGD mới—kết hợp SGD và Muon, lấy cảm hứng từ các cải tiến trong huấn luyện LLM—YOLO26 hội tụ nhanh hơn và huấn luyện ổn định hơn mà không cần pipeline distillation phức tạp. Ngoài ra, model YOLO thường cần ít bộ nhớ CUDA hơn nhiều trong quá trình huấn luyện so với các 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 thông lượng cao, nơi độ trễ là nút thắt lớn nhất. Các biến thể nhỏ của model hoạt động hiệu quả trong những môi trường như hệ thống quản lý giao thông hoặc giám sát drone cơ bản, với điều kiện nhóm kỹ thuật có đủ nguồn lực để quản lý các quy trình distillation và tái tham số hóa phức tạp.
Khi nào nên dùng PP-YOLOE+#
PP-YOLOE+ phát huy thế mạnh khi bạn đã đầu tư sâu vào hệ sinh thái Baidu hoặc đang vận hành các triển khai máy chủ quy mô lớn. mAP ấn tượng khiến model phù hợp với phân tích ảnh y tế phức tạp hoặc phát hiện lỗi sản xuất trong môi trường dày đặc.
Lợi thế của Ultralytics#
Mặc dù DAMO-YOLO và PP-YOLOE+ đều có những ưu thế riêng trong một số lĩnh vực, các nhà phát triển muốn có tính linh hoạt tối đa, tốc độ cao và dễ sử dụng thường lựa chọn Nền tảng Ultralytics.
Khi nâng cấp pipeline thị giác máy tính, Ultralytics YOLO26 mang lại trải nghiệm phát triển vượt trội:
- Suy luận CPU nhanh hơn đến 43%: Với việc loại bỏ hoàn toàn Distribution Focal Loss (DFL), YOLO26 có tốc độ vượt trội trên CPU biên và thiết bị IoT công suất thấp.
- Cải thiện khả năng phát hiện vật thể nhỏ: Việc tích hợp các hàm loss ProgLoss và STAL cải thiện đáng kể khả năng nhận diện vật thể nhỏ, yếu tố thiết yếu đối với ảnh chụp từ trên không.
- Tính linh hoạt toàn diện: Khác với PP-YOLOE+ chỉ tập trung vào detection, YOLO26 xử lý liền mạch ước lượng pose, bounding box định hướng (OBB) và phân đoạn ngữ nghĩa nhờ các cải tiến kiến trúc chuyên biệt theo 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 cân bằng tốt nhất giữa tốc độ, độ chính xác và sự đơn giản khi triển khai, model Ultralytics YOLO26 là lựa chọn tối ưu. Kiến trúc không cần NMS, Python API mạnh mẽ và khả năng tích hợp liền mạch với các công cụ như Weights & Biases và TensorRT giúp dự án chuyển đổi thuận lợi từ prototype sang production.
Bạn đã sẵn sàng bắt đầu chưa? Hãy xem Hướng dẫn bắt đầu nhanh của Ultralytics hoặc so sánh thêm các model trong bài tổng quan YOLO11 và DAMO-YOLO.