DAMO-YOLO và YOLOv5
Sự phát triển của thị giác máy tính được đánh dấu bằng những đổi mới liên tục trong phát hiện đối tượng thời gian thực. Nhà phát triển và nhà nghiên cứu hiện có nhiều lựa chọn kiến trúc khi thiết kế pipeline thị giác. Bài so sánh kỹ thuật này phân tích DAMO-YOLO và Ultralytics YOLOv5, bao gồm kiến trúc, phương pháp huấn luyện, chỉ số hiệu năng và các tình huống triển khai phù hợp nhất.
Giới thiệu về DAMO-YOLO#
Được phát hành bởi Alibaba Group, DAMO-YOLO giới thiệu một số kỹ thuật mới nhằm cải thiện tốc độ và độ chính xác phát hiện.
- Tác giả: Xianzhe Xu, Yiqi Jiang, Weihua Chen, Yilun Huang, Yuan Zhang và Xiuyu Sun
- Tổ chức: Alibaba Group
- Ngày: 23 tháng 11 năm 2022
- arXiv: 2211.15444v2
- GitHub: tinyvision/DAMO-YOLO
- Tài liệu: README.md
Các cải tiến kiến trúc#
DAMO-YOLO được xây dựng dựa trên Neural Architecture Search (NAS). Các tác giả sử dụng MAE-NAS để tự động thiết kế backbone cân bằng giữa độ trễ và độ chính xác. Model giới thiệu RepGFPN hiệu quả (Reparameterized Generalized Feature Pyramid Network), giúp cải thiện hợp nhất đặc trưng ở nhiều tỷ lệ khác nhau. DAMO-YOLO cũng tích hợp thiết kế "ZeroHead", loại bỏ các head dự đoán đa nhánh phức tạp để thay bằng cấu trúc đơn giản và hiệu quả hơn, phụ thuộc nhiều vào tái tham số hóa trong quá trình suy luận.
Để cải thiện quá trình huấn luyện, model sử dụng AlignedOTA để gán nhãn và quy trình tăng cường chưng cất tri thức chuyên sâu, trong đó một model "teacher" lớn hơn hướng dẫn model "student" nhỏ hơn đạt độ chính xác cao hơn.
Giới thiệu về Ultralytics YOLOv5#
Ultralytics YOLOv5 là một trong những kiến trúc thị giác được sử dụng rộng rãi nhất thế giới, nổi tiếng về tính ổn định, dễ sử dụng và hệ sinh thái triển khai phong phú.
- Tác giả: Glenn Jocher
- Tổ chức: Ultralytics
- Ngày: 26 tháng 6, 2020
- GitHub: ultralytics/yolov5
- Tài liệu: Tài liệu YOLOv5
Tiêu chuẩn của hệ sinh thái#
YOLOv5 đặt ra tiêu chuẩn mới về tính dễ sử dụng. Được xây dựng trực tiếp trên PyTorch, model sử dụng backbone CSPNet được tối ưu hóa và neck PANet để tổng hợp đặc trưng hiệu quả. Dù ra đời trước xu hướng không dùng anchor của các model sau này, cách tiếp cận dựa trên anchor được tinh chỉnh cùng với khả năng tự động học anchor vẫn hoạt động tốt ngay khi sử dụng.
Thế mạnh chính của YOLOv5 nằm ở Hệ sinh thái được duy trì tốt. Model tích hợp với các công cụ theo dõi như Comet và Weights & Biases, đồng thời hỗ trợ xuất chỉ bằng một lệnh sang các định dạng như ONNX, TensorRT và CoreML.
YOLOv5 dễ huấn luyện trên các bộ dữ liệu tùy chỉnh. API tinh gọn giúp giảm trở ngại từ giai đoạn prototype đến production, khiến model trở thành lựa chọn yêu thích của các nhóm kỹ thuật linh hoạt.
So sánh hiệu năng và chỉ số#
Khi so sánh các model này, điều quan trọng là phải xem xét sự cân bằng giữa Mean Average Precision (mAP), tốc độ suy luận và số lượng tham số.
| 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 |
| YOLOv5n | 640 | 28.0 | - | 1.12 | 1.9 | 4.5 |
| YOLOv5s | 640 | 37.4 | - | 1.92 | 7.2 | 16.5 |
| YOLOv5m | 640 | 45.4 | - | 4.03 | 21.2 | 49.0 |
| YOLOv5l | 640 | 49.0 | - | 6.61 | 46.5 | 109.1 |
| YOLOv5x | 640 | 50.7 | - | 11.89 | 86.7 | 205.7 |
Phân tích các yếu tố đánh đổi#
DAMO-YOLO đạt điểm mAP cao so với số lượng tham số, chủ yếu nhờ giai đoạn huấn luyện chưng cất. Tuy nhiên, điều này phải đánh đổi bằng Hiệu quả huấn luyện. Quy trình chưng cất nhiều giai đoạn đòi hỏi phải huấn luyện model teacher lớn trước, làm tăng đáng kể thời gian tính toán GPU và VRAM cần thiết.
Ngược lại, YOLOv5 có Yêu cầu bộ nhớ rất hợp lý. Các model YOLO của Ultralytics nổi tiếng nhờ sử dụng ít bộ nhớ hơn trong cả huấn luyện lẫn suy luận so với pipeline chưng cất phức tạp hoặc model dựa trên Transformer như RT-DETR. Nhờ vậy, YOLOv5 có thể được huấn luyện hiệu quả trên phần cứng phổ thông hoặc các môi trường cloud dễ tiếp cận như Google Colab.
Ứng dụng thực tế và tính linh hoạt#
Việc lựa chọn kiến trúc phù hợp thường phụ thuộc vào môi trường triển khai.
Thế mạnh của DAMO-YOLO#
DAMO-YOLO chỉ là model phát hiện đối tượng. Đây là lựa chọn tốt cho nghiên cứu học thuật, đặc biệt với các nhóm nghiên cứu Neural Architecture Search hoặc muốn tái tạo các kỹ thuật tái tham số hóa được trình bày trong bài báo. Nếu dự án có nhiều tài nguyên tính toán để thực hiện giai đoạn huấn luyện chưng cất và chỉ tập trung khai thác thêm chút độ chính xác cuối cùng cho bounding box 2D, DAMO-YOLO là một ứng viên đáng cân nhắc.
Lợi thế của Ultralytics#
Trong môi trường production thực tế, Tính dễ sử dụng và Tính linh hoạt của các model Ultralytics khiến chúng trở thành lựa chọn ưu tiên. YOLOv5 hỗ trợ phát hiện, phân đoạn đối tượng và phân loại ảnh, còn hệ sinh thái Ultralytics rộng hơn cho phép nhà phát triển dễ dàng chuyển đổi giữa các tác vụ.
Chẳng hạn, các phiên bản mới hơn trong họ Ultralytics còn hỗ trợ gốc ước tính tư thế và phát hiện Bounding Box Định hướng (OBB). Khả năng đa tác vụ này cho phép các nhóm sử dụng một API Python thống nhất cho những pipeline phức tạp, chẳng hạn kết hợp nhận dạng biển số tự động với phân đoạn phương tiện.
Trường hợp sử dụng và khuyến nghị#
Việc chọn DAMO-YOLO hay YOLOv5 phụ thuộc vào yêu cầu cụ thể của dự án, các hạn chế khi 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 YOLOv5#
YOLOv5 được khuyến nghị cho:
- Hệ thống production đã được kiểm chứng: Các hệ thống triển khai hiện có, nơi coi trọng bề dày ổn định, tài liệu toàn diện và cộng đồng lớn của YOLOv5.
- Huấn luyện với tài nguyên hạn chế: Các môi trường có tài nguyên GPU hạn chế, nơi pipeline huấn luyện hiệu quả và nhu cầu bộ nhớ thấp hơn của YOLOv5 là một lợi thế.
- Hỗ trợ nhiều định dạng export: Các dự án cần triển khai trên nhiều định dạng, bao gồm ONNX, TensorRT, CoreML và LiteRT.
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 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.
Tương lai: Chuyển sang YOLO26#
YOLOv5 vẫn được sử dụng rộng rãi và DAMO-YOLO mang lại những góc nhìn học thuật thú vị, nhưng công nghệ tiên tiến nhất đã phát triển. Ra mắt vào tháng 1 năm 2026, Ultralytics YOLO26 là bước tiến lớn của cộng đồng thị giác.
YOLO26 giải quyết các nút thắt truyền thống trong triển khai edge và tình trạng huấn luyện thiếu ổn định:
- Thiết kế đầu cuối không cần NMS: Head đầu cuối tùy chọn của YOLO26 (
nms=False) loại bỏ bước hậu xử lý Non-Maximum Suppression (NMS). Điều này đơn giản hóa logic triển khai và giảm biến động độ trễ, khiến model rất phù hợp với robot tốc độ cao và hệ thống tự hành. - Optimizer MuSGD: Lấy cảm hứng từ các đổi mới trong huấn luyện LLM (như Kimi K2 của Moonshot AI), YOLO26 sử dụng optimizer MuSGD (kết hợp SGD và Muon) để giúp quá trình huấn luyện ổn định và hội tụ nhanh hơn.
- Suy luận CPU nhanh hơn đến 43%: Bằng cách loại bỏ Distribution Focal Loss (DFL), YOLO26n chạy nhanh hơn YOLO11n đến 43% trên CPU ONNX.
- ProgLoss + STAL: Hàm loss tiến triển và cơ chế gán nhãn nhận biết đối tượng nhỏ mang lại những cải thiện đáng kể về khả năng nhận diện vật thể nhỏ, vốn rất quan trọng khi phân tích ảnh từ drone trên không và luồng dữ liệu cảm biến IoT.
Ví dụ mã: Đơn giản trong thực tế#
Gói Ultralytics cho phép bạn huấn luyện và triển khai model chỉ với vài dòng code. Dù sử dụng YOLOv5 hay nâng cấp lên YOLO26 được khuyến nghị, giao diện vẫn nhất quán và trực quan.
from ultralytics import YOLO
# Tải model YOLO26 cỡ nhỏ
model = YOLO("yolo26s.pt")
# Huấn luyện trên dataset tùy chỉnh
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Chạy suy luận trên ảnh và hiển thị kết quả
predictions = model("https://ultralytics.com/images/bus.jpg")
predictions[0].show()
# Xuất model để triển khai trên edge
model.export(format="onnx")Kết luận#
DAMO-YOLO và YOLOv5 đều đóng góp đáng kể cho lĩnh vực thị giác máy tính. DAMO-YOLO cho thấy sức mạnh của Neural Architecture Search và chưng cất, nên là đề tài nghiên cứu thú vị. Tuy nhiên, YOLOv5 vẫn là lựa chọn thực tiễn nhờ Cân bằng hiệu năng, yêu cầu bộ nhớ thấp và tính dễ sử dụng.
Với nhà phát triển bắt đầu dự án mới hiện nay, khuyến nghị là sử dụng Nền tảng Ultralytics và chọn YOLO26. Model kết hợp hệ sinh thái thân thiện với người dùng của YOLOv5 với những cải tiến kiến trúc mới hơn, mang lại độ chính xác cao và suy luận nhanh cho các ứng dụng AI trên đám mây lẫn thiết bị biên. Tùy theo các ràng buộc phần cứng cũ cụ thể, nhà phát triển cũng có thể tìm hiểu các model hiệu quả khác như YOLOv6 hoặc YOLOX.
Bình luận
Đặt câu hỏi, chia sẻ kết quả hoặc giúp đỡ người khác.