DAMO-YOLO và YOLOX
Thị giác máy tính thời gian thực không ngừng phát triển. Hai cột mốc đáng chú ý là DAMO-YOLO và YOLOX, mỗi model mang đến những cải tiến riêng cho tác vụ phát hiện vật thể tốc độ cao, độ chính xác cao. Cả hai model đều đóng góp đáng kể cho cộng đồng mã nguồn mở; các kỹ sư học máy có thể hưởng lợi từ việc tìm hiểu những khác biệt về kiến trúc, phương pháp huấn luyện và kịch bản triển khai phù hợp nhất của chúng.
Hướng dẫn này tìm hiểu chi tiết kỹ thuật của cả hai model và giải thích vì sao các lựa chọn hiện đại như Ultralytics YOLO26 mang lại hiệu năng và tính dễ sử dụng tốt hơn cho môi trường production hiện nay.
Tổng quan về model#
Thông tin về DAMO-YOLO#
Được phát triển bởi một nhóm nghiên cứu thuộc Alibaba Group, DAMO-YOLO được giới thiệu như một phương pháp phát hiện vật thể hiệu quả, sử dụng quy trình khám phá kiến trúc tự động.
- 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
Thông tin chi tiết về YOLOX#
Được tạo ra bởi các nhà nghiên cứu tại Megvii, YOLOX hướng đến thu hẹp khoảng cách giữa cộng đồng nghiên cứu và công nghiệp bằng cách chuyển dòng YOLO sang thiết kế không dùng anchor, đơn giản hóa 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
Phân tích kiến trúc#
Kiến trúc DAMO-YOLO#
DAMO-YOLO phụ thuộc nhiều vào Tìm kiếm kiến trúc mạng (NAS). Các thành phần cốt lõi bao gồm:
- Backbone MAE-NAS: Sử dụng quy trình tìm kiếm được định hướng bằng entropy cực đại để khám phá các backbone cân bằng tốc độ suy luận và độ chính xác.
- RepGFPN hiệu quả: Thiết kế neck lớn được điều chỉnh để hợp nhất đặc trưng, giúp model duy trì độ chính xác cao ở nhiều kích thước vật thể khác nhau.
- ZeroHead: Head detection đơn giản, gọn nhẹ giúp giảm chi phí tính toán trong các lớp dự đoán cuối cùng.
Kiến trúc YOLOX#
YOLOX chọn cách tiếp cận khác, tập trung vào sự đơn giản trong cấu trúc và thiết kế không dùng anchor:
- Cơ chế không dùng anchor: Bằng cách dự đoán trực tiếp tọa độ bounding box mà không cần anchor được xác định trước, YOLOX giảm số lượng tham số thiết kế và mức độ điều chỉnh bằng heuristic cần thiết.
- Head tách biệt: Tách tác vụ phân loại và hồi quy thành các nhánh đặc trưng riêng biệt, qua đó cải thiện tốc độ hội tụ và độ chính xác tổng thể.
- Gán nhãn SimOTA: Chiến lược gán nhãn phân bổ mẫu dương cho ground truth một cách linh hoạt, qua đó cải thiện hiệu quả huấn luyện.
Trong khi DAMO-YOLO sử dụng NAS dựa trên máy học để tìm kiến trúc hiệu quả trong điều kiện ràng buộc nghiêm ngặt, YOLOX dựa vào các đơn giản hóa do con người thiết kế (như head không dùng anchor) để tinh gọn pipeline phát hiện vật thể.
So sánh hiệu năng#
Để đánh giá các model này, cần xem xét Độ chính xác trung bình (mAP), tốc độ suy luận và số lượng tham số. Bảng dưới đây so sánh các biến thể tiêu chuẩn và gọn nhẹ của cả hai kiến trúc.
| 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 |
| YOLOXnano | 416 | 25.8 | - | - | 0.91 | 1.08 |
| YOLOXtiny | 416 | 32.8 | - | - | 5.06 | 6.45 |
| YOLOXs | 640 | 40.5 | - | 2.56 | 9.0 | 26.8 |
| YOLOXm | 640 | 46.9 | - | 5.43 | 25.3 | 73.8 |
| YOLOXl | 640 | 49.7 | - | 9.04 | 54.2 | 155.6 |
| YOLOXx | 640 | 51.1 | - | 16.1 | 99.1 | 281.9 |
YOLOXx đạt mAP tuyệt đối cao nhất là 51.1, trong khi DAMO-YOLOl đạt mAP cạnh tranh 50.8 với số tham số chưa bằng một nửa (42.1M so với 99.1M) và thời gian thực thi TensorRT nhanh hơn đáng kể.
Phương pháp huấn luyện#
Huấn luyện DAMO-YOLO#
DAMO-YOLO sử dụng phương pháp tăng cường chưng cất tri thức 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 sang các model "student" nhỏ hơn. Model cũng dùng AlignedOTA để gán nhãn linh hoạt. Dù hiệu quả, quy trình huấn luyện nhiều giai đoạn này làm tăng đáng kể thời gian tính toán GPU và chi phí bộ nhớ.
Huấn luyện YOLOX#
YOLOX dựa vào các chiến lược tăng cường dữ liệu mạnh như MixUp và Mosaic. Tuy nhiên, các tác giả nhận thấy rằng việc tắt những phép tăng cường mạnh này trong 15 epoch cuối giúp model thích nghi với phân phối ảnh tự nhiên, qua đó cải thiện đáng kể độ chính xác cuối cùng.
Các trường hợp sử dụng phù hợp nhất#
- DAMO-YOLO: Phù hợp nhất với các triển khai công nghiệp quan trọng, nơi có thể hỗ trợ pipeline distillation phía máy chủ và phần cứng đích (chẳng hạn một số GPU NVIDIA nhất định) hưởng lợi trực tiếp từ kiến trúc NAS có neck lớn.
- YOLOX: Phù hợp với các nhà phát triển muốn sử dụng phương pháp thuần túy không cần anchor.
YOLOXnanocó trọng lượng nhẹ nên khả thi trên các thiết bị Android đời cũ, điện toán biên và cảm biến IoT có tài nguyên cực kỳ hạn chế, nơi số lượng tham số là nút thắt tuyệt đối.
Lợi thế Ultralytics: Giới thiệu YOLO26#
Mặc dù DAMO-YOLO và YOLOX là những cột mốc quan trọng, các nhà phát triển ngày nay cần những giải pháp toàn diện, linh hoạt và dễ sử dụng hơn. Đây là điểm nổi bật của Nền tảng Ultralytics và Ultralytics YOLO26 mới ra mắt.
Ra mắt vào tháng 1 năm 2026, YOLO26 là model Ultralytics được khuyến nghị cho các tác vụ thị giác máy tính được hỗ trợ. Model giới thiệu một số cải tiến so với các kiến trúc cũ:
- Thiết kế end-to-end không cần NMS: Head one-to-one tùy chọn của YOLO26 (
nms=False) bỏ qua bước hậu xử lý Non-Maximum Suppression (NMS). Nhờ đó, việc triển khai đơn giản và nhanh hơn đáng kể, tránh được các nút thắt độ trễ vốn có ở head phát hiện truyền thống. - Suy luận CPU nhanh hơn đến 43%: Bằng cách loại bỏ Distribution Focal Loss (DFL) và tối ưu hóa các layer, YOLO26 mang lại tốc độ suy luận nhanh trên CPU và phần cứng biên; YOLO26n nhanh hơn YOLO11n đến 43% trên CPU.
- Bộ tối ưu MuSGD: Lấy cảm hứng từ các kỹ thuật huấn luyện mô hình ngôn ngữ lớn (LLM), YOLO26 giới thiệu bộ tối ưu MuSGD (kết hợp SGD và Muon), giúp quá trình huấn luyện ổn định và hội tụ nhanh hơn so với cấu hình huấn luyện cũ trong YOLOX.
- ProgLoss + STAL: Progressive Loss và phương pháp gán nhãn nhận biết mục tiêu nhỏ cải thiện đáng kể khả năng nhận diện vật thể nhỏ, khiến YOLO26 phù hợp hơn với video từ drone và robot.
- Tính linh hoạt: Khác với DAMO-YOLO chỉ dành cho phát hiện vật thể, YOLO26 hỗ trợ nguyên bản phân đoạn đối tượng, phân loại, ước lượng tư thế và hộp giới hạn có định hướng (OBB) trong cùng một hệ sinh thái được duy trì tốt.
Dễ sử dụng với Ultralytics#
Python API của Ultralytics giúp tinh gọn trải nghiệm phát triển. Việc huấn luyện model YOLO26 cần ít mã lặp hơn nhiều và không yêu cầu các pipeline chưng cất phức tạp như DAMO-YOLO. So với các model nặng dựa trên Transformer, model Ultralytics cũng cần ít bộ nhớ CUDA hơn trong quá trình huấn luyện.
from ultralytics import YOLO
# Tải model nano Ultralytics YOLO26 mới nhất
model = YOLO("yolo26n.pt")
# Huấn luyện model trên dataset tùy chỉnh chỉ bằng một dòng mã
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Chạy suy luận nhanh trên ảnh mà không cần NMS
results = model("https://ultralytics.com/images/bus.jpg", nms=False)
# Xuất sang ONNX hoặc TensorRT
model.export(format="onnx")Bạn có thể tự động gán nhãn, huấn luyện và triển khai model lên thiết bị biên bằng Nền tảng Ultralytics, nền tảng này xử lý việc quản lý phiên bản dữ liệu và cấp phát GPU trên cloud cho bạn.
Kết luận#
Việc lựa chọn giữa DAMO-YOLO và YOLOX phụ thuộc vào các ràng buộc cụ thể: DAMO-YOLO có tỷ lệ tốc độ/độ chính xác tốt trên một số GPU nhất định nhờ NAS, trong khi YOLOX cung cấp thiết kế không dùng anchor gọn gàng, phù hợp với các kịch bản biên gọn nhẹ.
Tuy nhiên, với các đội ngũ cần một giải pháp hiện đại, được duy trì tích cực và có cộng đồng năng động, kiến trúc Ultralytics YOLO26 là lựa chọn được khuyến nghị. Khả năng suy luận tùy chọn không cần NMS, suy luận CPU nhanh và API thống nhất cho các tác vụ phát hiện, phân đoạn và ước lượng tư thế khiến model phù hợp để chuyển từ nghiên cứu sang production thực tế.
Các nhà phát triển muốn tìm hiểu những kiến trúc hiện đại khác có thể cân nhắc Ultralytics YOLO11 hoặc các model dựa trên Transformer như RT-DETR, có trong tài liệu Ultralytics toàn diện.
Bình luận
Đặt câu hỏi, chia sẻ kết quả hoặc giúp đỡ người khác.