DAMO-YOLO và YOLO11
Khi chọn kiến trúc phát hiện vật thể thời gian thực cho dự án thị giác máy tính tiếp theo, việc hiểu rõ điểm khác biệt giữa các model hàng đầu sẽ rất hữu ích. Hướng dẫn này so sánh kỹ thuật DAMO-YOLO và Ultralytics YOLO11, bao gồm kiến trúc, chỉ số hiệu năng, phương pháp huấn luyện và các tình huống triển khai phù hợp nhất.
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: 2211.15444v2
- GitHub: tinyvision/DAMO-YOLO
- Tài liệu: Tài liệu DAMO-YOLO
Thông tin YOLO11:
- Tác giả: Glenn Jocher và Jing Qiu
- Tổ chức: Ultralytics
- Ngày: 2024-09-27
- GitHub: ultralytics/ultralytics
- Tài liệu: Tài liệu YOLO11
Triết lý thiết kế kiến trúc#
Kiến trúc nền tảng của một model phát hiện đối tượng quyết định tốc độ suy luận, độ chính xác và khả năng thích ứng trên nhiều môi trường phần cứng.
DAMO-YOLO đưa ra một số đổi mới học thuật, phụ thuộc nhiều vào Neural Architecture Search (NAS) để tự động thiết kế backbone. Model sử dụng RepGFPN (mạng kim tự tháp đặc trưng tổng quát được tái tham số hóa) hiệu quả nhằm tăng cường hợp nhất đặc trưng, cùng thiết kế ZeroHead giúp thu nhỏ đáng kể head dự đoán cồng kềnh trong các kiến trúc trước đây. Dù cách tiếp cận dựa trên NAS này giúp DAMO-YOLO đạt hiệu quả nhất định trên các GPU được chọn, các kiến trúc tạo ra có thể thiếu tính linh hoạt cần thiết để tổng quát hóa trên nhiều thiết bị biên khác nhau.
Ngược lại, YOLO11 kế thừa nhiều năm nghiên cứu nền tảng để tạo ra kiến trúc được tối ưu hóa và thiết kế thủ công. Model tập trung vào backbone tinh gọn và neck hiệu quả, giúp giảm các phép tính dư thừa. Một trong những ưu điểm chính của YOLO11 là hiệu quả tham số được cải thiện; model này đạt khả năng biểu diễn đặc trưng cao mà không đòi hỏi nhiều VRAM như các model dựa trên Transformer, chẳng hạn RT-DETR. Nhờ đó, YOLO11 linh hoạt và có thể chạy mượt mà trên GPU phổ thông, thiết bị di động và bộ tăng tốc biên chuyên dụng.
Hiệu năng và các chỉ số#
Đánh giá hiệu năng cần xem xét nhiều hơn độ chính xác tổng thể, bao gồm sự cân bằng giữa tốc độ, kích thước model và tải tính toán (FLOPs).
| Model | kích thước (pixel) | mAPval50-95 | 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 |
| YOLO11n | 640 | 39.5 | 56.1 | 1.5 | 2.6 | 6.5 |
| YOLO11s | 640 | 47.0 | 90.0 | 2.5 | 9.4 | 21.6 |
| YOLO11m | 640 | 51.5 | 183.2 | 4.7 | 20.1 | 68.1 |
| YOLO11l | 640 | 53.4 | 238.6 | 6.2 | 25.3 | 87.2 |
| YOLO11x | 640 | 54.7 | 462.8 | 11.3 | 56.9 | 195.3 |
Như bảng cho thấy, YOLO11 đạt được sự cân bằng hiệu năng thuận lợi. Chẳng hạn, biến thể YOLO11s vượt trội hơn DAMO-YOLOs về độ chính xác trong khi có số lượng tham số nhỏ hơn đáng kể. Nhu cầu bộ nhớ thấp hơn trực tiếp giúp giảm chi phí triển khai và cải thiện hiệu năng linh hoạt trên các thiết bị biên.
Phương pháp huấn luyện và tính dễ sử dụng#
Developer dành phần lớn thời gian cho pipeline huấn luyện, vì vậy hiệu quả huấn luyện là một mối quan tâm lớn.
DAMO-YOLO sử dụng quy trình huấn luyện nhiều giai đoạn, phụ thuộc nhiều vào chưng cất tri thức. Model dùng AlignedOTA (gán nhãn bằng vận chuyển tối ưu) để gán nhãn và thường cần huấn luyện một model "teacher" lớn hơn để chưng cất tri thức sang các model "student" nhỏ hơn. Phương pháp này làm tăng đáng kể mức sử dụng bộ nhớ CUDA và tổng thời gian tính toán cần thiết để hội tụ.
Ngược lại, hệ sinh thái Ultralytics giúp loại bỏ sự phức tạp trong huấn luyện model. YOLO11 được thiết kế để dễ sử dụng, với Python API tinh gọn và CLI toàn diện, cho phép kỹ sư bắt đầu huấn luyện trên dataset tùy chỉnh chỉ bằng một lệnh. Pipeline huấn luyện tiết kiệm tài nguyên và giảm thiểu đột biến bộ nhớ, nhờ đó ngay cả các model lớn hơn cũng có thể được huấn luyện trên phần cứng thông thường.
Huấn luyện model Ultralytics không cần mã khung soạn sẵn. Các pipeline tải dữ liệu, tăng cường dữ liệu và tính toán loss tích hợp sẵn hoạt động ngay khi sử dụng.
Sau đây là ví dụ nhanh về cách huấn luyện và xuất một model Ultralytics:
from ultralytics import YOLO
# Tải model YOLO11 cỡ nhỏ đã được huấn luyện trước
model = YOLO("yolo11s.pt")
# Huấn luyện model trên dataset tùy chỉnh
model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)
# Xuất model đã huấn luyện sang ONNX để triển khai
model.export(format="onnx")Ứng dụng thực tế và tính linh hoạt#
Việc lựa chọn giữa các kiến trúc này thường phụ thuộc vào phạm vi tác vụ mà môi trường triển khai yêu cầu.
DAMO-YOLO phù hợp với trường hợp nào#
DAMO-YOLO là framework chỉ dành cho phát hiện vật thể. Model này phù hợp với nghiên cứu học thuật, nơi các nhóm tìm hiểu việc tái tham số hóa hoặc tái hiện các thử nghiệm Neural Architecture Search cụ thể. Model cũng có thể được triển khai trong các môi trường công nghiệp bị giới hạn chặt chẽ, nơi một bộ tăng tốc GPU cụ thể phù hợp với backbone được tạo bằng NAS.
Lợi thế của Ultralytics#
Các model Ultralytics, bao gồm YOLO11, được sử dụng rộng rãi trong các ứng dụng thương mại nhờ tính linh hoạt và hệ sinh thái được duy trì tốt. Không giống DAMO-YOLO, framework Ultralytics hỗ trợ đa tác vụ ngay từ đầu. Từ phân đoạn đối tượng trong chẩn đoán hình ảnh y tế đến ước tính tư thế phục vụ phân tích cơ sinh học trong thể thao, một codebase thống nhất có thể xử lý tất cả.
Các ngành ứng dụng YOLO11 bao gồm:
- Nông nghiệp thông minh: Sử dụng phát hiện đối tượng để theo dõi sức khỏe cây trồng và tự động hóa máy móc thu hoạch.
- Phân tích bán lẻ: Triển khai giám sát thông minh để phân tích lưu lượng khách hàng và tự động hóa quản lý hàng tồn kho.
- Logistics và chuỗi cung ứng: Phát hiện mã vạch và gói hàng tốc độ cao bằng hộp giới hạn định hướng (OBB) trên các băng chuyền chuyển động nhanh.
Trường hợp sử dụng và khuyến nghị#
Việc chọn DAMO-YOLO hay YOLO11 phụ thuộc vào yêu cầu cụ thể của dự án, giới hạn triển khai và lựa chọn hệ sinh thái của bạn.
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 YOLO11#
YOLO11 được khuyến nghị cho:
- Triển khai biên trong môi trường production: Các ứng dụng thương mại trên thiết bị như Raspberry Pi hoặc NVIDIA Jetson, nơi độ tin cậy và hoạt động bảo trì liên tục là ưu tiên hàng đầu.
- Ứng dụng thị giác đa tác vụ: Các dự án cần phát hiện, phân đoạn, ước tính tư thế và OBB trong cùng một framework thống nhất.
- Tạo mẫu và triển khai nhanh: Các nhóm cần nhanh chóng chuyển từ thu thập dữ liệu sang production bằng Ultralytics Python API tinh gọn.
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 khả năng tăng tốc GPU chuyên dụng, nơi tốc độ suy luận CPU nhanh hơn tới 43% của YOLO26 (YOLO26n so với YOLO11n) 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.
Thế hệ tiếp theo: Giới thiệu YOLO26#
Dù YOLO11 vẫn là lựa chọn mạnh mẽ và đáng tin cậy, lĩnh vực thị giác máy tính thay đổi nhanh chóng. Với các developer bắt đầu dự án mới, model YOLO26 mới nhất là điểm khởi đầu được khuyến nghị.
Được phát hành vào tháng 1 năm 2026, YOLO26 giới thiệu một số cải tiến:
- Thiết kế đầu cuối không cần NMS: Với head one-to-one tùy chọn (
nms=False), YOLO26 bỏ qua bước hậu xử lý Non-Maximum Suppression, giúp suy luận nhanh hơn, có thời gian ổn định hơn và đơn giản hóa pipeline triển khai. - Suy luận trên CPU nhanh hơn đến 43%: Sau khi loại bỏ Distribution Focal Loss (DFL), YOLO26n chạy trên CPU nhanh hơn YOLO11n đến 43% và rất phù hợp với các thiết bị biên, thiết bị công suất thấp không có GPU chuyên dụng.
- Optimizer MuSGD: Đưa các kỹ thuật huấn luyện LLM (lấy cảm hứng từ Moonshot AI) vào thị giác máy tính, optimizer lai này giúp hội tụ ổn định và nhanh chóng trong quá trình huấn luyện.
- Kỹ thuật huấn luyện nâng cao: Với ProgLoss + STAL, YOLO26 cải thiện khả năng nhận diện vật thể nhỏ, yếu tố thiết yếu trong ảnh chụp từ trên không và robot học.
Kết luận#
DAMO-YOLO và YOLO11 đều đóng góp đáng kể vào sự phát triển của thị giác máy tính nhanh và chính xác. DAMO-YOLO mang lại những hiểu biết học thuật thú vị về tìm kiếm kiến trúc và chưng cất, trong khi Ultralytics YOLO11 (cùng YOLO26 mới hơn) đem đến trải nghiệm developer mượt mà hơn.
Với nhu cầu bộ nhớ thấp hơn, tài liệu phong phú, khả năng đa tác vụ và tích hợp với Ultralytics Platform, các model Ultralytics tiếp tục là lựa chọn hàng đầu cho nhà nghiên cứu và kỹ sư doanh nghiệp muốn xây dựng giải pháp AI mạnh mẽ, có khả năng mở rộng. Với những ai đang tìm hiểu các kiến trúc tiên tiến khác, việc so sánh YOLO26 và RT-DETR cung cấp thêm góc nhìn về các lựa chọn thay thế dựa trên Transformer.
Bình luận
Đặt câu hỏi, chia sẻ kết quả hoặc giúp đỡ người khác.