DAMO-YOLO và YOLOv6-3.0
Nghiên cứu thị giác máy tính đã tạo ra các kiến trúc chuyên biệt dành riêng cho ứng dụng công nghiệp. Hai model nổi bật nhờ tập trung vào hiệu năng thời gian thực và hiệu quả triển khai: DAMO-YOLO và YOLOv6-3.0. Trang này so sánh kỹ thuật kiến trúc, chỉ số hiệu năng và phương pháp huấn luyện của hai model để giúp bạn lựa chọn.
DAMO-YOLO: Kết hợp tìm kiếm kiến trúc mạng nơ-ron với phát hiện đối tượng#
Được các nhà nghiên cứu tại Alibaba Group phát triển, DAMO-YOLO đưa ra hướng tiếp cận mới cho họ YOLO bằng cách tích hợp Neural Architecture Search (NAS) vào thiết kế backbone.
- 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
Các cải tiến kiến trúc#
DAMO-YOLO sử dụng backbone được tối ưu bằng NAS, tên là MAE-NAS, tự động tìm kiếm các cấu trúc mạng hiệu quả trong những ràng buộc độ trễ cụ thể. Điều này giúp model mở rộng hiệu quả trên nhiều cấu hình phần cứng. Để cải thiện hợp nhất đặc trưng, kiến trúc sử dụng Efficient RepGFPN (Reparameterized Generalized Feature Pyramid Network), giúp tăng đáng kể khả năng biểu diễn đa tỷ lệ.
Model còn giới thiệu thiết kế "ZeroHead". Bằng cách loại bỏ các cấu trúc đa nhánh phức tạp trong head phát hiện, thiết kế này bảo toàn thông tin không gian hiệu quả hơn đồng thời giảm chi phí tính toán. Quá trình huấn luyện cũng sử dụng AlignedOTA (Aligned Optimal Transport Assignment) và chưng cất tri thức, cho phép các model student nhỏ hơn học từ các mạng teacher lớn hơn.
Dù chưng cất tri thức giúp DAMO-YOLO đạt độ chính xác cao, phương pháp này đòi hỏi quy trình huấn luyện nhiều giai đoạn. Điều đó làm tăng đáng kể lượng tính toán GPU cần thiết so với huấn luyện các model một giai đoạn tiêu chuẩn.
YOLOv6-3.0: Tối đa hóa thông lượng công nghiệp#
Được phát triển bởi Phòng Thị giác AI của Meituan, YOLOv6-3.0 được định vị rõ ràng là model phát hiện đối tượng công nghiệp, thiết kế để tối đa hóa thông lượng trên phần cứng NVIDIA.
- Tác giả: Chuyi Li, Lulu Li, Yifei Geng, Hongliang Jiang, Meng Cheng, Bo Zhang, Zaidan Ke, Xiaoming Xu và Xiangxiang Chu
- Tổ chức: Meituan
- Ngày: 2023-01-13
- arXiv: 2301.05586
- GitHub: meituan/YOLOv6
Các tính năng và cải tiến chính#
YOLOv6-3.0 được xây dựng trên backbone EfficientRep thân thiện với phần cứng, nhờ đó đạt tốc độ rất cao khi sử dụng các tối ưu hóa như TensorRT trên GPU hiện đại. Trong phiên bản v3.0, mạng tích hợp module Bi-directional Concatenation (BiC) để cải thiện khả năng định vị đối tượng có kích thước khác nhau.
Một đặc điểm đáng chú ý khác là chiến lược Anchor-Aided Training (AAT). AAT kết hợp tính ổn định của detector dựa trên anchor trong quá trình huấn luyện với tốc độ suy luận của thiết kế không dùng anchor. Hướng tiếp cận lai này hội tụ tốt mà không làm giảm độ trễ triển khai, nên rất phù hợp để xử lý lượng lớn video trong phân tích đô thị thông minh và hệ thống thanh toán tự động.
So sánh hiệu năng#
Khi đánh giá các model này cho suy luận thời gian thực, việc cân bằng số lượng tham số, FLOPs và độ chính xác mAP là rất quan trọng. Bảng dưới đây so sánh hiệu năng của các model.
| 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 |
| YOLOv6-3.0n | 640 | 37.5 | - | 1.17 | 4.7 | 11.4 |
| YOLOv6-3.0s | 640 | 45.0 | - | 2.66 | 18.5 | 45.3 |
| YOLOv6-3.0m | 640 | 50.0 | - | 5.28 | 34.9 | 85.8 |
| YOLOv6-3.0l | 640 | 52.8 | - | 8.95 | 59.6 | 150.7 |
DAMO-YOLO nhỉnh hơn đôi chút ở phân khúc nhỏ (46.0 mAP so với 45.0 mAP), nhưng YOLOv6-3.0 mở rộng quy mô tốt hơn, dẫn đầu ở phân khúc trung bình và lớn, đồng thời duy trì số lượng tham số thấp nhất trong cấu hình nano.
Nếu môi trường phần cứng của bạn cho phép thực hiện các lượt tìm kiếm tự động tốn kém để tùy chỉnh backbone, hướng tiếp cận NAS của DAMO-YOLO rất hiệu quả. Tuy nhiên, nếu bạn hoàn toàn dựa vào khả năng tăng tốc GPU tiêu chuẩn (như T4 hoặc A100), các cấu trúc EfficientRep của YOLOv6 thường mang lại FPS thực tế cao hơn.
Trường hợp sử dụng và khuyến nghị#
Việc chọn DAMO-YOLO hay YOLOv6 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 YOLOv6#
YOLOv6 được khuyến nghị cho:
- Triển khai tương thích với phần cứng công nghiệp: Các tình huống mà thiết kế nhận biết phần cứng và tái tham số hóa hiệu quả của model mang lại hiệu năng tối ưu trên phần cứng mục tiêu cụ thể.
- Detection một giai đoạn tốc độ cao: Các ứng dụng ưu tiên tốc độ suy luận GPU thô để xử lý video thời gian thực trong môi trường được kiểm soát.
- Tích hợp hệ sinh thái Meituan: Các nhóm đã làm việc trong nền tảng công nghệ và hạ tầng triển khai của Meituan.
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 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.
Ưu thế của Ultralytics: Giới thiệu YOLO26#
DAMO-YOLO và YOLOv6-3.0 đều có năng lực tốt, nhưng có hệ sinh thái rời rạc, giới hạn ở một tác vụ và quy trình triển khai phức tạp. Với các nhóm kỹ thuật hiện đại, các model Ultralytics mang lại trải nghiệm nhà phát triển tốt hơn đáng kể, nổi bật gần đây là YOLO26.
Ra mắt vào tháng 1 năm 2026, YOLO26 được thiết kế cho cả triển khai biên lẫn đám mây, đồng thời tối ưu hóa mức tiêu thụ bộ nhớ và hiệu quả tính toán.
Vì sao nên chọn YOLO26?#
- Thiết kế đầu cuối không cần NMS: Phát triển dựa trên các khái niệm từ YOLOv10, YOLO26 hỗ trợ suy luận đầu cuối gốc, bỏ qua bước hậu xử lý Non-Maximum Suppression (NMS) thông qua head một-một tùy chọn (
nms=False). Điều này đơn giản hóa mã triển khai và giảm biến động độ trễ suy luận trên các thiết bị biên. - Tối ưu hóa cải tiến: YOLO26 sử dụng Optimizer MuSGD, kết hợp SGD và Muon (lấy cảm hứng từ quá trình huấn luyện mô hình ngôn ngữ lớn), giúp quá trình huấn luyện ổn định và hội tụ nhanh hơn.
- Khả năng tương thích phần cứng: Loại bỏ DFL (Distribution Focal Loss) giúp đơn giản hóa các head đầu ra và cải thiện khả năng tương thích với thiết bị biên. YOLO26n suy luận trên CPU nhanh hơn đến 43% so với YOLO11n, nên phù hợp với môi trường biên di động hoặc IoT hơn YOLOv6.
- Cải thiện độ chính xác: Với ProgLoss + STAL, YOLO26 cải thiện khả năng phát hiện vật thể nhỏ, nên rất phù hợp với ảnh hàng không và kiểm tra lỗi.
- Tính linh hoạt đa tác vụ: Khác với các model công nghiệp chỉ dự đoán bounding box, họ YOLO26 hỗ trợ nhiều tác vụ, bao gồm Phân đoạn đối tượng, Phân loại ảnh, Ước tính tư thế và Bounding Box Định hướng (OBB).
Trải nghiệm hệ sinh thái#
Nền tảng Ultralytics bao quát toàn bộ vòng đời machine learning. Huấn luyện model không đòi hỏi quy trình chưng cất nhiều giai đoạn. Với tăng cường dữ liệu tự động, tinh chỉnh siêu tham số hợp nhất và khả năng xuất chỉ bằng một cú nhấp sang các định dạng như ONNX, OpenVINO và CoreML, bạn có thể nhanh chóng đưa model từ bộ dữ liệu vào môi trường production.
Các model Ultralytics cũng nổi tiếng về hiệu quả sử dụng bộ nhớ, tránh được nhu cầu VRAM lớn của các kiến trúc Transformer như RT-DETR.
Ví dụ code khởi động nhanh#
Việc huấn luyện và chạy suy luận với model Ultralytics như YOLO26 rất đơn giản. Script Python sau minh họa cách huấn luyện, chạy suy luận và xuất model chỉ với vài dòng mã:
from ultralytics import YOLO
# Tải model nano YOLO26 có hiệu quả cao
model = YOLO("yolo26n.pt")
# Huấn luyện model trên dataset tùy chỉnh của bạn
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Chạy suy luận trên ảnh mẫu
prediction = model("https://ultralytics.com/images/bus.jpg")
# Xuất sang TensorRT để tối đa hóa thông lượng GPU
model.export(format="engine", dynamic=True)Kết luận#
DAMO-YOLO và YOLOv6-3.0 đều là những thành tựu kỹ thuật ấn tượng, góp phần thúc đẩy phát hiện đối tượng công nghiệp. Tuy nhiên, đây là các công cụ chuyên biệt, thường đòi hỏi thiết lập phức tạp và có ràng buộc phần cứng cứng nhắc.
Với nhà phát triển và nhà nghiên cứu cần cân bằng hiệu năng tốt, khả năng đa tác vụ và một hệ sinh thái được duy trì tốt, Ultralytics YOLO26 là lựa chọn được khuyến nghị. Bằng cách kết hợp optimizer lấy cảm hứng từ LLM với kiến trúc gọn gàng hỗ trợ suy luận không cần NMS, YOLO26 đơn giản hóa triển khai AI mà vẫn mang lại độ chính xác cao trên cả môi trường biên lẫn đám mây.
Nếu đang đánh giá model cho một dự án thị giác máy tính mới, hãy bắt đầu bằng cách khám phá năng lực của hệ sinh thái Ultralytics YOLO. Bạn cũng có thể so sánh các model này với những kiến trúc khác như EfficientDet hoặc các cột mốc trước đây như YOLO11 để hiểu đầy đủ quá trình phát triển của AI thị giác thời gian thực.
Bình luận
Đặt câu hỏi, chia sẻ kết quả hoặc giúp đỡ người khác.