Bắt đầu

DAMO-YOLO và YOLOv7

Nghiên cứu thị giác máy tính đã tạo ra các model phát hiện vật thể hiệu quả, được thiết kế để cân bằng độ chính xác và chi phí tính toán. Hai model đáng chú ý ra mắt năm 2022 là DAMO-YOLO và YOLOv7. Dù cả hai đều hướng đến các tác vụ thị giác thời gian thực, chúng đạt được kết quả thông qua các kiến trúc và phương pháp huấn luyện rất khác nhau.

Bài so sánh kỹ thuật này tìm hiểu các cách tiếp cận riêng biệt của hai model, xem xét kiến trúc, tiềm năng triển khai và chỉ số hiệu năng nhằm giúp kỹ sư machine learning chọn công cụ phù hợp cho ứng dụng thị giác máy tính của mình.

Nguồn gốc và siêu dữ liệu của model#

Trước khi đi vào phân tích kỹ thuật, sau đây là thông tin nền tảng về từng model.

DAMO-YOLO#

Được các nhà nghiên cứu tại Alibaba Group phát triển, DAMO-YOLO ra mắt với mục tiêu tối ưu tốc độ và độ chính xác thông qua tìm kiếm kiến trúc tự động và chưng cất.

Tìm hiểu thêm về DAMO-YOLO

YOLOv7#

Được phát hành vào giữa năm 2022 như model tiên tiến nhất dành cho detector thời gian thực, YOLOv7 thúc đẩy hơn nữa suy luận thời gian thực bằng cách giới thiệu các "bag-of-freebies" có thể huấn luyện mà không làm tăng chi phí triển khai.

Tìm hiểu thêm về YOLOv7

Hỗ trợ Ultralytics

Ultralytics không phát hành trọng số hoặc tệp YAML của YOLOv7, vì vậy không thể huấn luyện YOLOv7 nguyên bản bằng gói Ultralytics. Có thể xuất các model YOLOv7 được huấn luyện trong kho lưu trữ upstream sang ONNX hoặc TensorRT và chạy suy luận bằng Ultralytics.

Các cải tiến kiến trúc#

DAMO-YOLO: NAS và chưng cất#

DAMO-YOLO kết hợp một số kỹ thuật hướng đến hiệu quả:

  • Backbone NAS: Sử dụng Neural Architecture Search (NAS) để tự động thiết kế các backbone hiệu quả (MAE-NAS), phù hợp với môi trường đòi hỏi độ trễ thấp.
  • RepGFPN hiệu quả: Mạng kim tự tháp đặc trưng tổng quát được điều chỉnh, giúp cải thiện đáng kể hiệu quả hợp nhất đặc trưng ở nhiều tỷ lệ.
  • ZeroHead & AlignedOTA: Tích hợp head phát hiện gọn nhẹ và chiến lược gán nhãn tối ưu hóa (AlignedOTA) để giảm chi phí tính toán.
  • Tăng cường chưng cất: Phụ thuộc nhiều vào chưng cất tri thức trong quá trình huấn luyện để cải thiện hiệu năng của các biến thể model nhỏ hơn mà không làm tăng số lượng tham số.

YOLOv7: E-ELAN và các lợi ích miễn phí#

YOLOv7 áp dụng hướng tiếp cận kỹ thuật cấu trúc, tập trung vào tối ưu hóa đường đi gradient và các chiến lược huấn luyện mạnh mẽ.

  • Kiến trúc E-ELAN: Mạng tổng hợp lớp hiệu quả mở rộng cho phép model học được nhiều đặc trưng đa dạng hơn bằng cách kiểm soát đường đi gradient ngắn nhất và dài nhất, đảm bảo quá trình hội tụ học tập hiệu quả.
  • Mở rộng quy mô model: Giới thiệu phương pháp mở rộng quy mô kết hợp dành riêng cho các model dựa trên phép nối, đồng thời điều chỉnh độ sâu và độ rộng để đảm bảo sự tương thích về cấu trúc.
  • Các lợi ích miễn phí có thể huấn luyện: Sử dụng các kỹ thuật như tích chập tái tham số hóa (RepConv) không có kết nối đồng nhất và chiến lược gán nhãn động, giúp tăng độ chính xác trong quá trình huấn luyện mà không ảnh hưởng đến tốc độ suy luận.

Phân tích hiệu năng#

Khi đánh giá độ chính xác trung bình (mAP), tốc độ và hiệu quả, cả hai model đều hoạt động tốt, dù nhắm đến các phân khúc hơi khác nhau. YOLOv7 tập trung vào triển khai GPU có độ chính xác cao, trong khi các cấu trúc bắt nguồn từ NAS của DAMO-YOLO hướng đến độ trễ thấp trong điều kiện ngân sách GPU hạn chế.

Modelkích thước
(pixel)
mAPval50-95Tốc độ
CPU ONNX
(ms)
Tốc độ
T4 TensorRT10
(ms)
params
(M)
FLOPs
(B)
DAMO-YOLOt64042.0-2.328.518.1
DAMO-YOLOs64046.0-3.4516.337.8
DAMO-YOLOm64049.2-5.0928.261.8
DAMO-YOLOl64050.8-7.1842.197.3
YOLOv7l64051.4-6.8436.9104.7
YOLOv7x64053.1-11.5771.3189.9

Như các chỉ số cho thấy, DAMO-YOLO cung cấp các biến thể gọn nhẹ (chẳng hạn model tiny chỉ có 8.5M tham số), trong khi YOLOv7 đạt mức độ chính xác tổng thể cao hơn, với YOLOv7x đạt 53.1 mAP trên bộ dữ liệu COCO.

Lợi thế của hệ sinh thái Ultralytics#

Kiến trúc trên lý thuyết rất quan trọng, nhưng tính thực tiễn của một model phụ thuộc vào hệ sinh thái của model đó. Các model Ultralytics gốc như YOLO26 được hưởng lợi từ hệ sinh thái được duy trì tốt và tính dễ sử dụng cao.

  • Cân bằng hiệu năng: Các model Ultralytics luôn tạo được sự cân bằng tốt giữa tốc độ suy luận và độ chính xác phát hiện, nên rất phù hợp với cả thiết bị biên lẫn triển khai model trên nền tảng đám mây.
  • Yêu cầu bộ nhớ: Khác với các model dựa trên Transformer nặng hơn, các model Ultralytics YOLO cần ít bộ nhớ CUDA trong quá trình huấn luyện. Nhờ vậy có thể sử dụng kích thước batch lớn hơn, giúp tinh gọn quy trình huấn luyện ngay cả trên phần cứng phổ thông.
  • Tính linh hoạt: Framework Ultralytics hỗ trợ nhiều hơn phát hiện đối tượng, bao gồm các tác vụ như Phân đoạn đối tượng và Ước tính tư thế, cung cấp cho nhà phát triển bộ công cụ thị giác máy tính hoàn chỉnh.
Hiệu quả huấn luyện

Gói Ultralytics giúp bạn nhanh chóng chuyển từ bộ dữ liệu sang model được huấn luyện hoàn chỉnh nhờ các trình nạp dữ liệu được tối ưu hóa và trọng số pretrained.

Ví dụ mã: Chạy YOLOv7 với Ultralytics#

Sau khi chuyển đổi bản xuất YOLOv7 ONNX từ upstream như mô tả trong các ví dụ sử dụng YOLOv7, bạn có thể chạy model bằng API Python của Ultralytics.

from ultralytics import YOLO

# Tải model YOLOv7 ONNX đã chuyển đổi cho Ultralytics
model = YOLO("yolov7-ultralytics.onnx", task="detect")

# Chạy suy luận
predictions = model.predict("https://ultralytics.com/images/bus.jpg", save=True)

Tiêu chuẩn mới: Giới thiệu YOLO26#

YOLOv7 và DAMO-YOLO là những bước tiến đáng kể trong năm 2022, nhưng lĩnh vực AI thị giác phát triển rất nhanh. Với các nhóm bắt đầu dự án mới hiện nay, model được khuyến nghị là Ultralytics YOLO26, phát hành vào tháng 1 năm 2026.

YOLO26 cải thiện cả hiệu năng lẫn khả năng sử dụng:

  • Thiết kế đầu cuối không cần NMS: YOLO26 cung cấp head đầu cuối gốc (nms=False). Bằng cách loại bỏ bước hậu xử lý Non-Maximum Suppression (NMS), model mang lại logic triển khai nhanh hơn và đơn giản hơn; hướng tiếp cận này lần đầu được giới thiệu trong YOLOv10.
  • Optimizer MuSGD: Lấy cảm hứng từ các kỹ thuật huấn luyện mô hình ngôn ngữ lớn như những kỹ thuật được sử dụng cho Kimi K2 của Moonshot AI, YOLO26 kết hợp SGD và Muon để tạo động lực huấn luyện ổn định và hội tụ nhanh hơn.
  • Suy luận CPU nhanh hơn đến 43%: Nhờ loại bỏ Distribution Focal Loss (DFL) và tinh gọn kiến trúc, YOLO26 được tối ưu hóa cho điện toán biên công suất thấp; YOLO26n chạy nhanh hơn YOLO11n đến 43% trên CPU.
  • ProgLoss + STAL: Hàm loss tiến triển mới cùng cơ chế gán nhãn nhận biết đối tượng nhỏ được thiết kế rõ ràng để nhắm đến và cải thiện khả năng nhận diện vật thể nhỏ, một năng lực thiết yếu trong các ứng dụng ảnh hàng không, robot và giám sát an ninh.
  • Cải tiến theo tác vụ: Ngoài khả năng phát hiện tiêu chuẩn, YOLO26 còn có các cải tiến chuyên biệt cho nhiều tác vụ, bao gồm tạo mẫu đa tỷ lệ cho phân đoạn, RLE cho ước tính tư thế và các hàm loss góc riêng cho khung giới hạn có định hướng (OBB).

Các trường hợp sử dụng phù hợp nhất#

Việc chọn kiến trúc phù hợp phụ thuộc vào môi trường triển khai mục tiêu và các ràng buộc của dự án.

Khi nào nên chọn DAMO-YOLO:

  • Bạn triển khai trên phần cứng GPU chuyên dụng với ngân sách độ trễ hạn hẹp, trong đó các biến thể nhỏ được tìm kiếm bằng NAS của DAMO-YOLO giúp giữ số lượng tham số ở mức thấp.
  • Bạn đang nghiên cứu tìm kiếm kiến trúc mạng nơ-ron hoặc chưng cất tri thức.

Khi nào nên chọn YOLOv7:

  • Bạn có các pipeline GPU cũ đã được tối ưu cho suy luận dựa trên anchor với độ chính xác cao.
  • Bạn đang vận hành trong những môi trường mà độ chính xác theo thời gian thực là tối quan trọng, chẳng hạn như xe tự hành tốc độ cao hoặc robotics tiên tiến.

Khi nào nên chọn YOLO26 (Được khuyến nghị):

  • Bạn đang xây dựng ứng dụng thị giác máy tính mới từ đầu và cần độ chính xác cao cùng khả năng suy luận nhanh trên CPU và thiết bị biên.
  • Bạn cần triển khai nhanh chóng, đơn giản (chẳng hạn xuất sang CoreML hoặc TensorRT) mà không phải xử lý các ràng buộc của toán tử NMS.
  • Bạn muốn khai thác toàn bộ khả năng của Ultralytics Platform để huấn luyện trên cloud, quản lý dataset và tự động triển khai.

Bằng cách sử dụng hệ sinh thái Ultralytics, nhà phát triển có thể giảm đáng kể thời gian kỹ thuật mà vẫn duy trì hiệu năng dự đoán cao trong các ứng dụng thực tế.

Người đóng góp

Bình luận

Đặt câu hỏi, chia sẻ kết quả hoặc giúp đỡ người khác.