DAMO-YOLO và YOLOv8
Thị giác máy tính thời gian thực không ngừng phát triển khi các nhà nghiên cứu và kỹ sư cải thiện tốc độ và độ chính xác. Hai cột mốc đáng chú ý là DAMO-YOLO và Ultralytics YOLOv8. Dù cả hai model đều hướng đến tối ưu sự đánh đổi giữa độ trễ và độ chính xác trung bình (mAP), chúng sử dụng các cách tiếp cận kiến trúc phát hiện vật thể khác nhau về căn bản.
Bài so sánh kỹ thuật này trình bày kiến trúc nền tảng, phương pháp huấn luyện và cách triển khai thực tế của hai model để giúp bạn chọn công cụ phù hợp cho dự án AI tiếp theo.
Nguồn gốc và thông số kỹ thuật của model#
Hiểu rõ nguồn gốc của các model học sâu này giúp làm sáng tỏ mục tiêu thiết kế và hệ sinh thái triển khai của chúng.
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: https://arxiv.org/abs/2211.15444v2
- GitHub: tinyvision/DAMO-YOLO
Thông tin về Ultralytics YOLOv8#
- Tác giả: Glenn Jocher, Ayush Chaurasia và Jing Qiu
- Tổ chức: Ultralytics
- Ngày: 2023-01-10
- GitHub: ultralytics/ultralytics
- Tài liệu: Tài liệu YOLOv8
Các cải tiến kiến trúc#
Đặc tính hiệu năng của hai kiến trúc bắt nguồn từ những quyết định cấu trúc riêng biệt.
DAMO-YOLO: Phát triển dựa trên tìm kiếm kiến trúc#
DAMO-YOLO phụ thuộc nhiều vào Neural Architecture Search (NAS) để tự động khám phá các cấu trúc mạng hiệu quả. Model giới thiệu khái niệm MAE-NAS, phương pháp tìm kiếm backbone đạt hiệu năng cao với độ trễ thấp. Model cũng sử dụng RepGFPN (mạng kim tự tháp đặc trưng tổng quát được tái tham số hóa) hiệu quả để tăng cường hợp nhất đặc trưng ở nhiều tỉ lệ không gian.
Để cải thiện quá trình huấn luyện, nhóm Alibaba tích hợp thiết kế ZeroHead và phương pháp gán nhãn AlignedOTA. Họ cũng dựa vào quy trình chưng cất tri thức phức tạp, trong đó model teacher cồng kềnh hướng dẫn model student nhẹ hơn để nâng cao độ chính xác trên các benchmark học thuật.
YOLOv8: Tinh gọn và linh hoạt#
Ultralytics áp dụng cách tiếp cận ưu tiên nhà phát triển hơn với YOLOv8. Model chuyển từ thiết kế dựa trên anchor của YOLOv5 sang kiến trúc không anchor, giúp giảm đáng kể số lượng dự đoán khung giới hạn và tăng tốc độ suy luận. Việc giới thiệu module C2f (Nút thắt cổ chai một phần qua các giai đoạn với 2 phép tích chập) cải thiện luồng gradient và biểu diễn đặc trưng mà không làm tăng quá nhiều chi phí tính toán.
Không giống các model chỉ tập trung vào bounding box, YOLOv8 được thiết kế đa tác vụ ngay từ đầu. Một codebase PyTorch thống nhất hỗ trợ gốc phân đoạn đối tượng, phân loại hình ảnh và ước tính tư thế, giúp kỹ sư không phải ghép nối nhiều repository riêng biệt.
Các model Ultralytics cần ít bộ nhớ hơn trong quá trình huấn luyện so với những kiến trúc dựa trên Transformer cồng kềnh, giúp đạt kết quả tốt trên GPU phổ thông tiêu chuẩn.
So sánh hiệu năng#
Khi so sánh các chỉ số thô, cần phân tích cách năng lực lý thuyết chuyển thành hiệu năng trên phần cứng. Bảng dưới đây minh họa sự đánh đổi giữa các kích thước 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 |
| YOLOv8n | 640 | 37.3 | 80.4 | 1.47 | 3.2 | 8.7 |
| YOLOv8s | 640 | 44.9 | 128.4 | 2.66 | 11.2 | 28.6 |
| YOLOv8m | 640 | 50.2 | 234.7 | 5.86 | 25.9 | 78.9 |
| YOLOv8l | 640 | 52.9 | 375.2 | 9.06 | 43.7 | 165.1 |
| YOLOv8x | 640 | 53.9 | 479.1 | 14.37 | 68.2 | 257.8 |
Dù DAMO-YOLO có tỉ lệ tham số trên độ chính xác cao nhờ các kỹ thuật chưng cất, YOLOv8 cung cấp nhiều kích thước model hơn (từ Nano đến Extra-large). Model YOLOv8n được tối ưu hóa tốt cho thiết bị biên, tiêu thụ ít tài nguyên hơn mà vẫn đạt độ chính xác hữu dụng.
Hệ sinh thái và trải nghiệm developer#
Điểm khác biệt chính giữa các bài báo học thuật và hệ thống sẵn sàng cho production nằm ở hệ sinh thái.
Việc phụ thuộc vào các pipeline chưng cất tri thức mở rộng của DAMO-YOLO có thể khiến quá trình huấn luyện tùy chỉnh trở nên rườm rà. Tạo model teacher, chuyển giao tri thức và tinh chỉnh backbone dựa trên NAS đòi hỏi nhiều bộ nhớ CUDA và cấu hình nâng cao, thường làm chậm các nhóm kỹ thuật linh hoạt.
Ngược lại, hệ sinh thái Ultralytics ưu tiên sự dễ sử dụng. Thông qua Ultralytics Platform, developer có thể sử dụng API đơn giản, tài liệu toàn diện và các tích hợp theo dõi thử nghiệm mạnh mẽ. Framework Python thống nhất giúp xây dựng pipeline phức tạp một cách đơn giản.
from ultralytics import YOLO
# Tải model YOLOv8 nano pretrained
model = YOLO("yolov8n.pt")
# Huấn luyện model trên bộ dữ liệu tùy chỉnh với các phép tăng cường tích hợp sẵn
results = model.train(data="coco8.yaml", epochs=50, imgsz=640, device=0)
# Export model đã huấn luyện sang định dạng ONNX để triển khai
model.export(format="onnx")Quy trình tinh gọn này, kết hợp với khả năng xuất sang OpenVINO và TensorRT, tạo lộ trình suôn sẻ từ tạo mẫu cục bộ đến triển khai trên cloud hoặc thiết bị biên.
Ứng dụng thực tế và trường hợp sử dụng phù hợp#
Việc lựa chọn giữa các kiến trúc này thường phụ thuộc vào những giới hạn vận hành của môi trường.
DAMO-YOLO phù hợp với trường hợp nào#
DAMO-YOLO là lựa chọn tốt cho môi trường học thuật nghiên cứu Neural Architecture Search hoặc cho các nhà nghiên cứu muốn tái hiện những chiến lược tái tham số hóa phức tạp. Model cũng có thể hoạt động tốt trong các ứng dụng công nghiệp được kiểm soát chặt chẽ, chẳng hạn phát hiện lỗi tốc độ cao trên dây chuyền sản xuất, nếu nhóm có đủ tài nguyên tính toán để xử lý quy trình huấn luyện nhiều giai đoạn.
Vì sao Ultralytics dẫn đầu trong môi trường production#
Với phần lớn dự án thương mại, các model Ultralytics mang lại sự cân bằng hiệu năng tốt hơn.
- Bán lẻ thông minh: Sử dụng khả năng đa tác vụ của YOLOv8 để vừa phát hiện khung giới hạn cho hàng tồn kho, vừa ước tính tư thế nhằm phân tích hành vi khách hàng.
- Nông nghiệp: Sử dụng phân đoạn đối tượng để phát hiện chính xác ranh giới cây trồng và cỏ dại theo thời gian thực từ luồng hình ảnh trên máy kéo.
- Ảnh hàng không: Tận dụng khung giới hạn có định hướng (OBB) để theo dõi chính xác các phương tiện và tàu thuyền bị xoay lệch trong ảnh từ drone hoặc vệ tinh.
Đón đầu tương lai: YOLO26 ra mắt#
Dù YOLOv8 vẫn là model nền tảng, lĩnh vực này tiếp tục phát triển. Với mọi dự án mới, YOLO26 là model được khuyến nghị. Được phát hành vào tháng 1 năm 2026, YOLO26 là bước tiến lớn trong dòng sản phẩm Ultralytics.
YOLO26 có thiết kế đầu cuối không cần NMS gốc (nms=False), giúp loại bỏ nút thắt Non-Maximum Suppression truyền thống khi được bật. Kết hợp với việc loại bỏ Distribution Focal Loss (DFL), thiết kế này giúp YOLO26n suy luận trên CPU nhanh hơn YOLO11n đến 43%, rất phù hợp với điện toán biên và phần cứng IoT.
YOLO26 cũng giới thiệu Optimizer MuSGD, một phương pháp lai lấy cảm hứng từ các kỹ thuật huấn luyện Large Language Model (LLM), giúp hội tụ nhanh hơn và huấn luyện ổn định. Kết hợp với chiến lược huấn luyện ProgLoss + STAL mới, YOLO26 cải thiện khả năng nhận diện vật thể nhỏ, giúp triển khai vừa nhanh vừa chính xác.
Bình luận
Đặt câu hỏi, chia sẻ kết quả hoặc giúp đỡ người khác.