DAMO-YOLO và YOLOX#

Bối cảnh thị giác máy tính thời gian thực không ngừng phát triển. Hai cột mốc đáng chú ý trong hành trình này là DAMO-YOLO và YOLOX, mỗi model mang đến những đổi mới riêng cho bài toán phát hiện đối tượng tốc độ cao và độ chính xác cao. Mặc dù cả hai model đều có đóng góp đáng kể cho cộng đồng mã nguồn mở, việc hiểu rõ những khác biệt về kiến trúc, phương pháp huấn luyện và các kịch bản triển khai phù hợp là yếu tố quan trọng đối với các kỹ sư machine learning.

Hướng dẫn toàn diện này phân tích các sắc thái kỹ thuật của cả hai model và nêu bật lý do các lựa chọn hiện đại như nền tảng Ultralytics YOLO26 mang lại hiệu năng và khả năng sử dụng vượt trội cho các môi trường production hiện nay.

Tổng quan về model#

Chi tiết về DAMO-YOLO#

Được phát triển bởi một nhóm nhà nghiên cứu tại Alibaba Group, DAMO-YOLO được giới thiệu là một phương pháp phát hiện đối tượng hiệu quả cao tận dụng tính năng tự động khám phá kiến trúc.

• 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: https://github.com/tinyvision/DAMO-YOLO
• Tài liệu: Tài liệu DAMO-YOLO

Tìm hiểu thêm về DAMO-YOLO

Thông tin chi tiết về YOLOX#

Được tạo ra bởi các nhà nghiên cứu tại Megvii, YOLOX nhằm mục đích thu hẹp khoảng cách giữa cộng đồng nghiên cứu và công nghiệp bằng cách chuyển đổi dòng YOLO sang thiết kế phi mỏ neo, đơn giản hóa đáng kể kiến trúc đồng thời đạt hiệu năng tốt hơn vào thời điểm đó.

• Tác giả: Zheng Ge, Songtao Liu, Feng Wang, Zeming Li và Jian Sun
• Tổ chức: Megvii
• Ngày: 2021-07-18
• Arxiv: https://arxiv.org/abs/2107.08430
• GitHub: https://github.com/Megvii-BaseDetection/YOLOX
• Tài liệu: Tài liệu YOLOX

Tìm hiểu thêm về YOLOX

Phân tích kiến trúc#

Kiến trúc DAMO-YOLO#

DAMO-YOLO phụ thuộc nhiều vào Tìm kiếm kiến trúc neural (NAS). Các thành phần cốt lõi gồm:

• Xương sống MAE-NAS (MAE-NAS Backbones): Sử dụng tìm kiếm có hướng dẫn bằng entropy tối đa để khám phá các xương sống cung cấp sự cân bằng tối ưu giữa tốc độ suy luận và độ chính xác.
• Efficient RepGFPN: Thiết kế neck nặng được điều chỉnh để fusion đặc trưng, giúp model duy trì độ chính xác cao trên nhiều quy mô đối tượng khác nhau.
• ZeroHead: Detection head đơn giản, nhẹ, giúp giảm chi phí tính toán trong các lớp dự đoán cuối.

Kiến trúc YOLOX#

YOLOX áp dụng một cách tiếp cận khác, tập trung vào sự đơn giản về cấu trúc và thiết kế không anchor:

• Cơ chế không anchor: Bằng cách dự đoán trực tiếp tọa độ bounding box mà không cần anchor định trước, YOLOX giảm số lượng tham số thiết kế và mức độ tinh chỉnh heuristic cần thiết.
• Detection head tách biệt: Tách các tác vụ classification và regression thành những nhánh đặc trưng khác nhau, qua đó cải thiện tốc độ hội tụ và độ chính xác tổng thể.
• Gán nhãn SimOTA: Chiến lược gán nhãn nâng cao, tự động phân bổ các mẫu positive cho ground truth, giúp cải thiện hiệu quả huấn luyện.

So sánh hiệu năng#

Việc đánh giá các model này đòi hỏi xem xét Độ chính xác trung bình (mAP), tốc độ suy luận và số lượng tham số. Bảng dưới đây trình bày so sánh chi tiết giữa các biến thể tiêu chuẩn và nhẹ của cả hai kiến trúc.

Trong khi YOLOXx đạt mAP tuyệt đối cao nhất là 51.1, DAMO-YOLOl đạt mAP 50.8 đầy cạnh tranh với chưa đến một nửa số tham số (42.1M so với 99.1M) và tốc độ thực thi TensorRT nhanh hơn đáng kể.

Phương pháp huấn luyện#

Huấn luyện DAMO-YOLO#

DAMO-YOLO sử dụng cơ chế tăng cường chưng cất phức tạp trong quá trình huấn luyện. Thông thường, một model "teacher" lớn được huấn luyện trước, sau đó tri thức của model này được chưng cất vào các model "student" nhỏ hơn. Model cũng sử dụng AlignedOTA để gán nhãn động. Mặc dù rất hiệu quả, quy trình huấn luyện nhiều giai đoạn này làm tăng đáng kể thời gian và chi phí bộ nhớ tính toán GPU cần thiết.

Huấn luyện YOLOX#

YOLOX dựa vào các chiến lược tăng cường dữ liệu mạnh như MixUp và Mosaic. Tuy nhiên, các tác giả phát hiện rằng việc tắt những phép tăng cường mạnh này trong 15 epoch cuối giúp model thu hẹp khoảng cách với thực tế, qua đó cải thiện đáng kể các metric độ chính xác cuối cùng.

Các trường hợp sử dụng lý tưởng#

• DAMO-YOLO: Phù hợp nhất cho các triển khai công nghiệp có yêu cầu cao, nơi có thể hỗ trợ pipeline chưng cất phía server và phần cứng đích (chẳng hạn như các GPU NVIDIA cụ thể) được hưởng lợi trực tiếp từ kiến trúc NAS heavy-neck của model.
• YOLOX: Lựa chọn tuyệt vời cho các developer muốn sử dụng phương pháp hoàn toàn không anchor. YOLOXnano cực kỳ nhẹ, phù hợp với các thiết bị Android cũ, edge computing và các cảm biến IoT có tài nguyên rất hạn chế, nơi số lượng tham số là nút thắt tuyệt đối.

Lợi thế của Ultralytics: Khám phá YOLO26#

Mặc dù DAMO-YOLO và YOLOX là những cột mốc xuất sắc, các developer ngày nay đòi hỏi những giải pháp toàn diện, linh hoạt và dễ sử dụng hơn. Đây là điểm mà Ultralytics Platform và Ultralytics YOLO26 mới ra mắt thể hiện thế mạnh.

Được phát hành vào tháng 1 năm 2026, YOLO26 là model được khuyến nghị hàng đầu cho mọi tác vụ thị giác máy tính. Model giới thiệu một loạt đột phá vượt qua các kiến trúc cũ:

• Thiết kế end-to-end không NMS: YOLO26 loại bỏ native bước hậu xử lý Non-Maximum Suppression (NMS). Điều này cho phép triển khai đơn giản và nhanh hơn đáng kể, tránh các nút thắt độ trễ vốn có trong các detection head truyền thống.
• Suy luận CPU nhanh hơn tới 43%: Bằng cách loại bỏ Distribution Focal Loss (DFL) một cách có chủ đích và tối ưu hóa các layer, YOLO26 mang lại tốc độ chưa từng có trên CPU và phần cứng edge.
• Optimizer MuSGD: Lấy cảm hứng từ các kỹ thuật huấn luyện mô hình ngôn ngữ lớn (LLM), YOLO26 giới thiệu optimizer MuSGD (kết hợp giữa SGD và Muon), mang lại các phiên huấn luyện ổn định hơn đáng kể và tốc độ hội tụ nhanh hơn nhiều so với các thiết lập cũ trong YOLOX.
• ProgLoss + STAL: Các hàm loss nâng cao này mang lại cải thiện đáng kể trong việc nhận diện đối tượng nhỏ, giúp YOLO26 vượt trội hơn nhiều đối với dữ liệu drone và robotics.
• Tính linh hoạt: Không giống DAMO-YOLO, vốn chỉ dành cho phát hiện đối tượng, YOLO26 xử lý liền mạch instance segmentation, pose estimation, classification và Oriented Bounding Boxes (OBB) ngay trong cùng một ecosystem được duy trì tốt.

Dễ sử dụng với Ultralytics#

Ultralytics Python API tinh gọn trải nghiệm phát triển. Việc huấn luyện một model YOLO26 hiện đại đòi hỏi ít boilerplate code hơn nhiều và tránh được các pipeline chưng cất phức tạp của DAMO-YOLO. Ngoài ra, các model Ultralytics có yêu cầu bộ nhớ CUDA trong quá trình huấn luyện thấp đáng kể so với các model dựa trên Transformer nặng.

from ultralytics import YOLO

# Load the latest Ultralytics YOLO26 nano model
model = YOLO("yolo26n.pt")

# Train the model on your custom dataset with one line of code
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run fast, NMS-free inference on an image
results = model("https://ultralytics.com/images/bus.jpg")

# Export to ONNX or TensorRT seamlessly
model.export(format="onnx")

Kết luận#

Việc lựa chọn giữa DAMO-YOLO và YOLOX phụ thuộc vào các ràng buộc cụ thể: DAMO-YOLO mang lại tỷ lệ tốc độ trên độ chính xác xuất sắc trên các GPU cụ thể nhờ NAS, trong khi YOLOX cung cấp thiết kế rõ ràng, không anchor, lý tưởng cho các kịch bản edge nhẹ.

Tuy nhiên, đối với các đội ngũ tìm kiếm một giải pháp hiện đại, có khả năng thích ứng lâu dài và cộng đồng hoạt động tích cực, kiến trúc Ultralytics YOLO26 là lựa chọn dứt khoát. Thiết kế không NMS, tốc độ suy luận CPU nhanh và API thống nhất cho các tác vụ phát hiện, segmentation và pose giúp model này vượt trội trong việc chuyển đổi mượt mà từ nghiên cứu sang production thực tế bền vững.

Đối với các developer quan tâm đến việc khám phá những kiến trúc hiện đại khác, chúng tôi cũng khuyến nghị tham khảo Ultralytics YOLO11 hoặc các model dựa trên Transformer như RT-DETR có trong tài liệu Ultralytics toàn diện.