DAMO-YOLO và YOLO26
Kiến trúc thị giác máy tính tiếp tục phát triển nhằm cân bằng độ chính xác cao với suy luận độ trễ thấp. Bài so sánh này phân tích DAMO-YOLO và Ultralytics YOLO26, bao gồm các đổi mới kiến trúc, phương pháp huấn luyện và trường hợp sử dụng phù hợp nhất.
Dù triển khai model thị giác trên thiết bị biên hay xây dựng pipeline đám mây thông lượng cao, việc hiểu rõ khác biệt giữa các model này sẽ giúp bạn đưa ra quyết định kiến trúc sáng suốt.
DAMO-YOLO: Tìm kiếm kiến trúc mạng nơ-ron ở quy mô lớn#
DAMO-YOLO, do Alibaba Group phát triển, được phát hành ngày 23 tháng 11 năm 2022. Được thiết kế bởi Xianzhe Xu, Yiqi Jiang, Weihua Chen, Yilun Huang, Yuan Zhang và Xiuyu Sun, model tập trung vào việc tự động tìm ra kiến trúc hiệu quả bằng Neural Architecture Search (NAS).
Bạn có thể xem nghiên cứu gốc trong bài báo arXiv hoặc khám phá mã nguồn trong kho GitHub DAMO-YOLO.
Các đặc điểm kiến trúc chính#
DAMO-YOLO giới thiệu một số đổi mới kỹ thuật cho phát hiện vật thể thời gian thực:
- Backbone MAE-NAS: DAMO-YOLO dùng phương pháp tìm kiếm có định hướng entropy cực đại để tìm backbone hiệu quả. Phương pháp NAS này tìm ra các kiến trúc cân bằng chặt chẽ giữa độ chính xác phát hiện và tốc độ suy luận trên phần cứng cụ thể.
- RepGFPN hiệu quả: Thiết kế neck nặng giúp cải thiện đáng kể khả năng hợp nhất đặc trưng, hữu ích khi phân tích các cảnh phức tạp như ảnh chụp từ trên không.
- Thiết kế ZeroHead: Detection head được đơn giản hóa đáng kể, giúp giảm thiểu độ phức tạp tính toán của các lớp dự đoán cuối cùng.
- AlignedOTA và distillation: DAMO-YOLO sử dụng Aligned Optimal Transport Assignment (AlignedOTA) để giải quyết sự mơ hồ khi gán nhãn, kết hợp với chiến lược tăng cường knowledge distillation nhằm cải thiện độ chính xác của các model student nhỏ hơn bằng cách sử dụng mạng teacher lớn hơn.
Ưu thế của Ultralytics: YOLO26#
Được Glenn Jocher và Jing Qiu phát hành ngày 14 tháng 1 năm 2026 tại Ultralytics, YOLO26 là model Ultralytics hiện được khuyến nghị để tiếp cận AI thị giác hiệu năng cao. Kế thừa YOLO11 và YOLOv10, YOLO26 được thiết kế từ đầu để ưu tiên triển khai trên thiết bị biên, linh hoạt đa tác vụ và dễ sử dụng.
Các cải tiến của YOLO26#
Ultralytics YOLO26 giới thiệu một số tính năng hướng đến các ứng dụng thị giác máy tính hiện đại:
- Thiết kế đầu cuối không cần NMS: Head one-to-one gốc của YOLO26 (
nms=False) loại bỏ bước hậu xử lý Non-Maximum Suppression (NMS). Kế thừa phương pháp huấn luyện không cần NMS của YOLOv10, cách tiếp cận đầu cuối này đơn giản hóa quy trình triển khai và mang lại khả năng suy luận có độ trễ thấp, ổn định. - Suy luận trên CPU nhanh hơn đến 43%: Được tối ưu hóa về kiến trúc cho điện toán biên, YOLO26 suy luận nhanh trên các thiết bị biên và CPU thông thường. YOLO26n nhanh hơn YOLO11n đến 43%, rất phù hợp với các thiết bị IoT chạy bằng pin.
- Optimizer MuSGD: Lấy cảm hứng từ quá trình train LLM (chẳng hạn Kimi K2 của Moonshot AI), YOLO26 kết hợp SGD và Muon. Cách này đưa độ ổn định khi train mô hình ngôn ngữ lớn vào thị giác máy tính, giúp hội tụ nhanh và đáng tin cậy hơn.
- Loại bỏ DFL: Bằng cách loại bỏ Distribution Focal Loss, đồ thị model được đơn giản hóa, giúp việc xuất sang các định dạng như ONNX và TensorRT dễ dàng hơn.
- ProgLoss + STAL: Hàm loss tiến triển và chiến lược gán nhãn nhận biết mục tiêu nhỏ mang lại cải thiện đáng kể trong nhận diện vật thể nhỏ, một tính năng quan trọng cho hoạt động drone và nông nghiệp.
YOLO26 có các cải tiến chuyên biệt cho nhiều phương thức: proto đa tỷ lệ cho Phân đoạn instance, Ước tính hợp lý logarit phần dư (RLE) cho Ước tính tư thế và hàm loss góc tiên tiến giúp giảm vấn đề ở ranh giới trong detection Bounding Box có định hướng (OBB).
So sánh hiệu năng#
Khi đánh giá các model này, việc cân bằng giữa độ chính xác (mAP) và hiệu quả tính toán (tốc độ và FLOPs) là yếu tố then chốt. Bảng dưới đây nêu bật sự khác biệt giữa các model này trên dataset COCO, tiêu chuẩn phổ biến trong ngành.
| 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 |
| YOLO26n | 640 | 40.9 | 38.9 | 1.7 | 2.4 | 5.5 |
| YOLO26s | 640 | 48.6 | 87.2 | 2.5 | 9.5 | 20.9 |
| YOLO26m | 640 | 53.1 | 220.0 | 4.7 | 20.4 | 68.4 |
| YOLO26l | 640 | 55.0 | 286.2 | 6.2 | 24.8 | 86.8 |
| YOLO26x | 640 | 57.5 | 525.8 | 11.8 | 55.7 | 194.4 |
Như trên, YOLO26 luôn đạt độ chính xác cao hơn với số lượng tham số và FLOPs ít hơn đáng kể, tạo nên một kiến trúc hiệu quả hơn cho cả huấn luyện lẫn suy luận.
Hiệu quả train và tính dễ sử dụng#
Độ phức tạp của DAMO-YOLO#
Dù DAMO-YOLO đạt độ chính xác cạnh tranh, phương pháp huấn luyện của model này khá phức tạp. Việc phụ thuộc vào Neural Architecture Search (NAS) và chưng cất tri thức chuyên sâu đồng nghĩa với việc huấn luyện một model tùy chỉnh thường đòi hỏi nhiều tài nguyên GPU và kiến thức chuyên môn. Quy trình nhiều giai đoạn này huấn luyện một model teacher lớn để chưng cất kiến thức sang model student nhỏ hơn, có thể làm chậm các nhóm kỹ thuật đang cần lặp nhanh trên dataset tùy chỉnh.
Trải nghiệm tinh gọn của Ultralytics#
Ngược lại, Ultralytics YOLO26 được thiết kế để bắt đầu sử dụng nhanh chóng. Toàn bộ vòng đời huấn luyện, xác thực và triển khai đều khả dụng thông qua Python API và CLI thống nhất, rõ ràng. YOLO26 cũng cần ít bộ nhớ CUDA hơn đáng kể trong quá trình huấn luyện so với các model dựa trên Transformer như RT-DETR, cho phép nhà nghiên cứu huấn luyện model chính xác trên phần cứng phổ thông.
Sau đây là ví dụ về cách huấn luyện, đánh giá và xuất một model YOLO26 bằng package Ultralytics Python:
from ultralytics import YOLO
# Tải model nano YOLO26 mới nhất
model = YOLO("yolo26n.pt")
# Huấn luyện model trên tập dữ liệu COCO8 trong 50 epoch
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)
# # Đánh giá hiệu năng của model trên tập validation
metrics = model.val()
# Chạy suy luận trên ảnh mẫu
results = model("https://ultralytics.com/images/bus.jpg")
results[0].show()
# Xuất model sang định dạng ONNX để triển khai
model.export(format="onnx")Với các nhóm ưu tiên môi trường không cần viết code, Ultralytics Platform cung cấp giao diện trực quan để gán nhãn dataset, huấn luyện trên cloud và triển khai.
Ứng dụng thực tế#
Việc chọn kiến trúc phù hợp phụ thuộc nhiều vào môi trường triển khai mục tiêu và các giới hạn của phần cứng.
Kiểm soát chất lượng công nghiệp#
Đối với tự động hóa sản xuất tốc độ cao, DAMO-YOLO có thể hoạt động tốt trên phần cứng GPU chuyên dụng. Tuy nhiên, YOLO26 là lựa chọn ưu tiên cho các dây chuyền lắp ráp hiện đại. Thiết kế đầu cuối không cần NMS mang lại độ trễ ổn định, ít dao động, điều cần thiết khi đồng bộ dữ liệu hình ảnh với cơ cấu chấp hành robot theo thời gian thực.
AI biên và thiết bị di động#
Triển khai thị giác máy tính trên các thiết bị chạy bằng pin đòi hỏi hiệu suất cao. DAMO-YOLO phụ thuộc vào các neck RepGFPN cụ thể, trong khi YOLO26n (Nano) được tối ưu hóa cho điện toán biên. Việc loại bỏ DFL và suy luận trên CPU nhanh hơn đến 43% so với YOLO11n khiến model này rất phù hợp với camera thông minh, ứng dụng di động và hệ thống báo động an ninh.
Yêu cầu dự án đa tác vụ#
Nếu dự án cần nhiều hơn object detection—chẳng hạn phân tích kỹ thuật của vận động viên trong thể thao bằng ước tính tư thế hoặc trích xuất ranh giới pixel chính xác bằng phân đoạn instance—YOLO26 hỗ trợ trực tiếp tất cả tác vụ này trong một codebase thống nhất. DAMO-YOLO chỉ giới hạn ở detection bounding box.
Trường hợp sử dụng và khuyến nghị#
Việc chọn DAMO-YOLO hay YOLO26 phụ thuộc vào yêu cầu cụ thể của dự án, các 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 YOLO26#
YOLO26 được khuyến nghị cho:
- 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 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.
Kết luận#
Cả hai kiến trúc đều là những thành tựu đáng kể trong deep learning. DAMO-YOLO cho thấy Neural Architecture Search và các kỹ thuật chưng cất có thể đạt được gì khi được tinh chỉnh cho các benchmark phần cứng cụ thể.
Tuy nhiên, với các developer, nhà nghiên cứu và doanh nghiệp đang tìm kiếm giải pháp sẵn sàng cho production, Ultralytics YOLO26 là lựa chọn vượt trội hơn. Sự kết hợp giữa thiết kế đầu cuối không cần NMS, suy luận trên CPU nhanh hơn đến 43% (YOLO26n so với YOLO11n), tính linh hoạt đa tác vụ và khả năng tích hợp vào hệ sinh thái Ultralytics được duy trì tốt khiến model này trở thành công cụ mạnh mẽ và thiết thực nhất hiện nay để giải quyết các bài toán thị giác máy tính trong thực tế.
Người dùng muốn khám phá các model khác trong hệ sinh thái Ultralytics có thể tìm thấy các model YOLO11 và YOLOv8 pretrained trên Ultralytics Platform; model dựa trên Transformer RT-DETR được giới thiệu trong tài liệu Ultralytics.
Bình luận
Đặt câu hỏi, chia sẻ kết quả hoặc giúp đỡ người khác.