Bắt đầu

DAMO-YOLO và YOLOv9

Phát hiện vật thể thời gian thực tiếp tục phát triển nhanh chóng. Khi các nhóm kỹ thuật và nhà nghiên cứu tìm kiếm sự cân bằng phù hợp giữa độ chính xác, tốc độ suy luận và hiệu quả tính toán, hai kiến trúc đáng chú ý đã xuất hiện từ cộng đồng nghiên cứu: DAMO-YOLO và YOLOv9. Cả hai model đều đưa ra những cải tiến kiến trúc đáng kể trong thị giác máy tính.

Hướng dẫn kỹ thuật này phân tích cả hai model, so sánh cách tiếp cận kiến trúc, phương pháp huấn luyện và khả năng triển khai trong thực tế. Hướng dẫn cũng giải thích vai trò của hệ sinh thái phần mềm rộng hơn trong quá trình phát triển AI hiện đại, đồng thời nêu bật ưu điểm của các nền tảng tích hợp như Ultralytics Platform và thế hệ model mới hơn như YOLO26.

Tóm tắt điều hành: Chọn kiến trúc phù hợp#

Dù cả hai model đều là những cột mốc quan trọng trong nghiên cứu học sâu, chúng phục vụ các triết lý triển khai hơi khác nhau.

DAMO-YOLO phát huy thế mạnh khi có thể dùng Neural Architecture Search (NAS) để tinh chỉnh các cấu hình hiệu năng cụ thể, khiến model này trở thành đối tượng nghiên cứu thú vị cho triển khai biên tùy chỉnh. Ngược lại, YOLOv9 tập trung giải quyết các nút thắt thông tin trong mạng sâu, mang lại hiệu quả tham số cao.

Tuy nhiên, đối với triển khai production, hệ sinh thái Ultralytics thống nhất là lựa chọn được khuyến nghị. Với dự án mới, model YOLO26 mới nhất kết hợp độ chính xác cao với thiết kế đầu cuối tùy chọn, loại bỏ nhu cầu xử lý hậu kỳ phức tạp.

Chuẩn bị pipeline thị giác máy tính cho tương lai

Dù DAMO-YOLO và YOLOv9 là những model học thuật mạnh mẽ, việc triển khai chúng trong production thường đòi hỏi nhiều kỹ thuật tùy chỉnh. Ultralytics YOLO26 mang lại hiệu năng mạnh mẽ cùng API tinh gọn, dễ bảo trì.

Thông số kỹ thuật và nhóm tác giả#

Nguồn gốc và trọng tâm phát triển của các model này giúp cung cấp bối cảnh hữu ích về thế mạnh riêng của chúng.

DAMO-YOLO#

Được phát triển bởi các nhà nghiên cứu tại Alibaba Group, DAMO-YOLO tập trung vào việc tự động tạo kiến trúc và hợp nhất đặc trưng hiệu quả.

Tìm hiểu thêm về DAMO-YOLO

YOLOv9#

Được giới thiệu như giải pháp cho vấn đề mất thông tin trong mạng tích chập sâu, YOLOv9 tập trung bảo toàn thông tin gradient trong quá trình huấn luyện.

Tìm hiểu thêm về YOLOv9

Các cải tiến kiến trúc#

DAMO-YOLO tạo điểm khác biệt nhờ các thành phần tùy chỉnh được sinh tự động bằng máy. Backbone của model được tạo bằng Neural Architecture Search (NAS), đặc biệt nhắm đến suy luận độ trễ thấp trên nhiều loại phần cứng.

Kiến trúc này có RepGFPN (mạng kim tự tháp đặc trưng tổng quát được tái tham số hóa) hiệu quả để hợp nhất đặc trưng, giúp tăng cường phát hiện vật thể đa tỉ lệ mà không làm tăng quá mức chi phí tính toán. Kiến trúc cũng sử dụng thiết kế ZeroHead để đơn giản hóa head phát hiện và dùng AlignedOTA để gán nhãn, kết hợp với quy trình tăng cường bằng chưng cất tri thức trong quá trình huấn luyện. Dù các kỹ thuật này giúp suy luận nhanh, quy trình chưng cất nhiều giai đoạn thường đòi hỏi nhiều VRAM và thời gian huấn luyện kéo dài.

YOLOv9: Giải quyết nút thắt thông tin#

YOLOv9 giải quyết một vấn đề căn bản trong mạng sâu: thông tin dữ liệu đầu vào suy giảm dần khi truyền qua các lớp liên tiếp.

Để khắc phục điều này, các tác giả giới thiệu Thông tin Gradient Lập trình được (PGI), một framework giám sát phụ được thiết kế để giữ lại các chi tiết quan trọng cho các lớp sâu, tạo gradient đáng tin cậy để cập nhật trọng số. Đi kèm PGI là kiến trúc Mạng tổng hợp lớp hiệu quả tổng quát (GELAN). GELAN tối ưu hóa hiệu quả tham số bằng cách kết hợp thế mạnh của CSPNet và ELAN, tối đa hóa luồng thông tin đồng thời giảm thiểu triệt để số phép toán dấu phẩy động (FLOPs).

Phân tích hiệu năng và metric#

Khi đánh giá hiệu năng, cả hai model đều cho thấy độ chính xác trung bình (mAP) cao trên các benchmark tiêu chuẩn như COCO. YOLOv9 đạt độ chính xác cao hơn với số lượng tham số tương đương và có độ chính xác tuyệt đối cao nhất nói chung, nhờ tận dụng kiến trúc PGI để duy trì độ trung thực cao trên các bộ dữ liệu khó.

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
YOLOv9t64038.3-2.32.07.7
YOLOv9s64046.8-3.547.226.7
YOLOv9m64051.4-6.4320.176.8
YOLOv9c64053.0-7.1625.5102.8
YOLOv9e64055.6-16.7758.1192.5

Như trên, YOLOv9-E đạt độ chính xác cao nhất, trong khi các biến thể nhỏ hơn của DAMO-YOLO và YOLOv9 vẫn duy trì tốc độ suy luận cạnh tranh nhờ các tối ưu hóa TensorRT.

Phương pháp huấn luyện và hệ sinh thái#

Dù kiến trúc thô rất quan trọng, tính dễ sử dụng và hiệu quả huấn luyện của hệ sinh thái model mới là yếu tố quan trọng nhất trong các ứng dụng thực tế.

Việc DAMO-YOLO phụ thuộc vào chưng cất tri thức thường đòi hỏi phải huấn luyện một model "giáo viên" cồng kềnh trước khi chuyển tri thức sang model "học sinh" đích. Phương pháp nghiên cứu truyền thống này làm tăng đáng kể yêu cầu bộ nhớ và thời gian mỗi chu kỳ huấn luyện. Tương tự, kho lưu trữ YOLOv9 gốc yêu cầu thao tác với các tệp cấu hình phức tạp, điều này có thể làm chậm quá trình phát triển linh hoạt.

Ngược lại, Ultralytics Platform đơn giản hóa trải nghiệm developer. Package Ultralytics Python loại bỏ mã khung soạn sẵn, giúp các nhóm xử lý tăng cường dữ liệu, tinh chỉnh siêu tham số và xuất model với ít công sức nhất.

Ứng dụng thực tế và trường hợp sử dụng#

Các kiến trúc khác nhau phù hợp với từng ngành cụ thể tùy theo yêu cầu tài nguyên và đặc điểm độ chính xác.

  • DAMO-YOLO trong AI biên: Nhờ các backbone được tối ưu hóa bằng NAS, DAMO-YOLO thường được nghiên cứu trên các hệ thống nhúng cần tái tham số hóa theo phần cứng cụ thể, chẳng hạn bộ tăng tốc chuyên dụng cho kiểm soát chất lượng sản xuất.
  • YOLOv9 trong phân tích chính xác: Với hiệu quả tham số cao và khả năng duy trì gradient nhờ PGI, YOLOv9 phù hợp với các tình huống phát hiện vật thể dày đặc, chẳng hạn phân tích ảnh chụp từ trên không hoặc theo dõi vật thể rất nhỏ trong môi trường bán lẻ đông đúc.

Trường hợp sử dụng và khuyến nghị#

Việc lựa chọn giữa DAMO-YOLO và YOLOv9 phụ thuộc vào yêu cầu cụ thể của dự án, các giới hạn triển khai và ưu tiên về hệ sinh thái.

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 YOLOv9#

YOLOv9 được khuyến nghị cho:

  • Nghiên cứu về nút thắt thông tin: Các dự án học thuật nghiên cứu kiến trúc Programmable Gradient Information (PGI) và Generalized Efficient Layer Aggregation Network (GELAN).
  • Nghiên cứu tối ưu hóa luồng gradient: Các nghiên cứu tập trung vào việc tìm hiểu và giảm thiểu mất mát thông tin trong các lớp mạng sâu khi huấn luyện.
  • Đánh giá hiệu năng phát hiện độ chính xác cao: Các tình huống cần hiệu năng mạnh của YOLOv9 trên benchmark COCO làm mốc tham chiếu để so sánh kiến trúc.

Khi nào nên chọn Ultralytics (YOLO26)#

Với hầu hết dự án mới, Ultralytics YOLO26 mang lại sự kết hợp tốt nhất giữa hiệu năng và trải nghiệm developer:

  • 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.

Ưu thế của Ultralytics: Tiến tới YOLO26#

Với người dùng đang so sánh các kiến trúc cũ, việc chuyển sang hệ sinh thái Ultralytics hiện đại—cụ thể là các model YOLO26 mới nhất—mang lại những lợi ích rõ rệt.

YOLO26 đơn giản hóa việc triển khai nhờ Thiết kế đầu cuối không cần NMS. Head one-to-one tùy chọn (nms=False) loại bỏ bước hậu xử lý Non-Maximum Suppression (NMS), giúp kiến trúc triển khai nhanh và đơn giản hơn. Kết hợp với việc loại bỏ Distribution Focal Loss (DFL), YOLO26 tương thích tốt hơn với các thiết bị biên và công suất thấp.

YOLO26 cũng tích hợp Optimizer MuSGD, một phương pháp lai giữa Stochastic Gradient Descent và Muon, lấy cảm hứng từ quá trình huấn luyện LLM. Phương pháp này giúp hội tụ ổn định trong huấn luyện, đồng thời giữ mức sử dụng bộ nhớ thấp so với các lựa chọn thay thế phụ thuộc nhiều vào Transformer.

Huấn luyện tinh gọn với YOLO26

Với Ultralytics API, bạn có thể huấn luyện model YOLO26 cùng tính năng theo dõi thử nghiệm tích hợp chỉ bằng vài dòng Python.

from ultralytics import YOLO

# Tải model YOLO26 mới nhất
model = YOLO("yolo26n.pt")

# Huấn luyện hiệu quả trên bộ dữ liệu tùy chỉnh
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Export model đã huấn luyện sang định dạng ONNX
model.export(format="onnx")

Dù bạn cần phân đoạn đối tượng nâng cao, ước tính tư thế có độ chính xác cao hay phát hiện bounding box thông thường, tính linh hoạt của framework Ultralytics giúp nhóm của bạn dành ít thời gian hơn để cấu hình môi trường deep learning và nhiều thời gian hơn để triển khai các giải pháp AI mạnh mẽ. Với các cải tiến huấn luyện như ProgLoss + STAL giúp nhận diện vật thể nhỏ tốt hơn, YOLO26 là lựa chọn được khuyến nghị cho các ứng dụng thị giác mới.

Người đóng góp

Bình luận

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