Bắt đầu

EfficientDet và DAMO-YOLO

Khi xây dựng các pipeline thị giác máy tính có khả năng mở rộng, việc chọn đúng kiến trúc model là quyết định quan trọng, ảnh hưởng đến cả tính khả thi khi triển khai lẫn độ chính xác phát hiện. Hướng dẫn này đưa ra so sánh kỹ thuật giữa hai kiến trúc nổi tiếng: EfficientDet và DAMO-YOLO.

Mặc dù cả hai model đều mang đến những đổi mới đáng kể cho lĩnh vực phát hiện đối tượng, AI thị giác đã chuyển sang các hệ sinh thái tích hợp hơn. Phân tích này trình bày cơ chế cốt lõi của các mạng đời trước và lý giải vì sao những giải pháp hiện đại như Ultralytics Platform và Ultralytics YOLO26 được sử dụng rộng rãi trong môi trường production.

EfficientDet: Phát hiện vật thể hiệu quả và có khả năng mở rộng#

Được các nhà nghiên cứu tại Google giới thiệu, EfficientDet được thiết kế để scale kiến trúc model một cách hệ thống mà vẫn duy trì hiệu quả cao. Model đạt được điều này bằng cách áp dụng compound scaling cho độ sâu, độ rộng của mạng và độ phân giải đầu vào.

Thông tin chi tiết về EfficientDet:

Các cải tiến kiến trúc#

Đóng góp chính của EfficientDet là Bi-directional Feature Pyramid Network (BiFPN). Khác với FPN truyền thống, BiFPN cho phép hợp nhất đặc trưng đa tỷ lệ nhanh chóng bằng cách sử dụng trọng số có thể học để nắm bắt mức độ quan trọng của các đặc trưng đầu vào khác nhau. Kiến trúc này được kết hợp với backbone EfficientNet, tạo nên một họ model (từ D0 đến D7) có khả năng mở rộng dự đoán được.

Ưu điểm và nhược điểm#

Thế mạnh cốt lõi của EfficientDet nằm ở hiệu quả sử dụng tham số. Với các tác vụ cần tối đa hóa độ chính xác trung bình (mAP) trong phạm vi ngân sách tính toán cố định, phương pháp compound scaling của model này có tính dự đoán rất cao. Tuy nhiên, EfficientDet khó huấn luyện từ đầu và thường đòi hỏi tinh chỉnh siêu tham số đáng kể. Việc phụ thuộc nhiều vào các phép toán TensorFlow cụ thể cũng khiến quá trình chuyển sang triển khai trên edge thông qua ONNX hoặc TensorRT phức tạp hơn so với khả năng export tinh gọn trong các model YOLO hiện đại.

Tìm hiểu thêm về EfficientDet

DAMO-YOLO: Tìm kiếm kiến trúc tự động trong thực tế#

DAMO-YOLO áp dụng một hướng tiếp cận khác biệt, sử dụng tìm kiếm kiến trúc mạng (NAS) để tự động thiết kế cấu trúc mạng hiệu quả cho suy luận thời gian thực.

Thông tin về DAMO-YOLO:

Các cải tiến kiến trúc#

DAMO-YOLO giới thiệu một số công nghệ mới. Model sử dụng backbone MAE-NAS được tạo bằng NAS, RepGFPN hiệu quả cho neck và thiết kế ZeroHead giúp giảm đáng kể chi phí tính toán của detection head. Model cũng dùng AlignedOTA để gán nhãn và phụ thuộc nhiều vào chưng cất tri thức nhằm cải thiện hiệu năng của các biến thể nhỏ hơn.

Ưu điểm và nhược điểm#

DAMO-YOLO nổi bật nhờ tốc độ suy luận trên GPU, được thiết kế để triển khai trên kiến trúc NVIDIA bằng TensorRT. Bằng cách loại bỏ các cấu trúc head nặng, model tạo ra dự đoán có độ trễ thấp. Tuy nhiên, quá trình tìm kiếm kiến trúc tự động có thể khiến cấu trúc model khó hiểu, khó gỡ lỗi thủ công hoặc tinh chỉnh cho thiết bị edge tùy chỉnh. Không giống Ultralytics YOLO11 linh hoạt, DAMO-YOLO chủ yếu tập trung vào phát hiện bounding box tiêu chuẩn, không hỗ trợ sẵn các tác vụ như ước lượng tư thế hay phát hiện bounding box định hướng (OBB).

Tìm hiểu thêm về DAMO-YOLO

So sánh hiệu năng#

Hiểu rõ các đánh đổi qua thực nghiệm là yếu tố thiết yếu khi chọn model. Bảng dưới đây so sánh họ EfficientDet với dòng DAMO-YOLO theo các chỉ số hiệu năng quan trọng.

Modelkích thước
(pixel)
mAPval50-95Tốc độ
CPU ONNX
(ms)
Tốc độ
T4 TensorRT10
(ms)
params
(M)
FLOPs
(B)
EfficientDet-d051234.6-3.923.92.54
EfficientDet-d164040.5-7.316.66.1
EfficientDet-d276843.0-10.928.111.0
EfficientDet-d389647.5-19.5912.024.9
EfficientDet-d4102449.7-33.5520.755.2
EfficientDet-d5128051.5-67.8633.7130.0
EfficientDet-d6128052.6-89.2951.9226.0
EfficientDet-d7153653.7-128.0751.9325.0
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
Phân tích dữ liệu

EfficientDet-d7 đạt độ chính xác cao nhất nhưng cần năng lực tính toán đáng kể, khiến model không phù hợp với AI trên edge. DAMO-YOLO có tốc độ TensorRT nhanh, dù thường cần nhiều tham số hơn các model EfficientDet cấp thấp để đạt độ chính xác tương đương.

Trường hợp sử dụng và khuyến nghị#

Việc chọn giữa EfficientDet và DAMO-YOLO phụ thuộc vào yêu cầu cụ thể của dự án, giới hạn triển khai và sở thích về hệ sinh thái.

Khi nào nên chọn EfficientDet#

EfficientDet là lựa chọn phù hợp nếu:

  • Pipeline Google Cloud và TPU: Các hệ thống dựa trên TensorFlow chạy trên hạ tầng TPU của Google Cloud, nơi bản triển khai tham chiếu của EfficientDet hỗ trợ huấn luyện trên TPU.
  • Nghiên cứu mở rộng theo hệ số: Benchmark học thuật tập trung nghiên cứu tác động của việc mở rộng cân bằng độ sâu, chiều rộng và độ phân giải của mạng.
  • Triển khai di động qua LiteRT: Các dự án yêu cầu cụ thể việc xuất sang LiteRT (trước đây là TensorFlow Lite) cho Android hoặc thiết bị Linux nhúng.

Khi nào nên chọn DAMO-YOLO#

DAMO-YOLO được khuyến nghị 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 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 edge không cần NMS: Các ứng dụng cần suy luận ổn định, độ trễ thấp mà không phải xử lý sự phức tạp của bước hậu xử lý Non-Maximum Suppression (NMS).
  • Môi trường chỉ có CPU: Các thiết bị không có khả năng tăng tốc GPU chuyên dụng, nơi tốc độ suy luận CPU nhanh hơn tới 43% của YOLO26 (YOLO26n so với YOLO11n) mang lại 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.

Lợi thế của Ultralytics: Vượt xa các model cũ#

Mặc dù EfficientDet và DAMO-YOLO mang lại những hiểu biết học thuật giá trị, các nhà phát triển hiện đại cần framework cân bằng hiệu năng cao với trải nghiệm phát triển thuận tiện. Đây là điểm khiến hệ sinh thái Ultralytics nổi bật.

Dễ sử dụng và hệ sinh thái#

Việc triển khai model từ các repository nghiên cứu riêng biệt, được tùy biến sâu, thường dẫn đến công việc tích hợp phức tạp. Ultralytics cung cấp một hệ sinh thái được duy trì tốt, thống nhất với tài liệu phong phú và API theo phong cách Python. Dù dùng Google Colab để huấn luyện hay export sang CoreML để suy luận trên thiết bị di động, pipeline chỉ cần vài dòng mã.

from ultralytics import YOLO

# Tải model YOLO26 nano được khuyến nghị cao
model = YOLO("yolo26n.pt")

# Huấn luyện model trên dataset tùy chỉnh
model.train(data="coco8.yaml", epochs=50, imgsz=640)

# Xuất model đã huấn luyện sang ONNX để dùng trong production
model.export(format="onnx")

Giới thiệu YOLO26#

Với các nhà phát triển đang đánh giá EfficientDet hoặc DAMO-YOLO, Ultralytics YOLO26 là bước tiếp theo tự nhiên. Ra mắt vào tháng 1 năm 2026, model này giới thiệu một số khả năng mới:

  • Thiết kế end-to-end không cần NMS: Kế thừa phương pháp huấn luyện không cần NMS của YOLOv10, one-to-one head tích hợp sẵn của YOLO26 (nms=False) loại bỏ nhu cầu hậu xử lý NMS. Nhờ đó, kiến trúc triển khai đơn giản hơn và độ trễ ổn định trên nhiều loại phần cứng.
  • Suy luận trên CPU nhanh hơn tới 43%: Với các trường hợp triển khai trên edge không có GPU mạnh—môi trường mà DAMO-YOLO không được thiết kế cho—YOLO26 được tối ưu cho CPU tiêu chuẩn, trong đó YOLO26n chạy nhanh hơn tới 43% so với YOLO11n.
  • Bộ tối ưu MuSGD: Đưa kỹ thuật huấn luyện LLM vào thị giác máy tính, YOLO26 tích hợp bộ tối ưu MuSGD (lấy cảm hứng từ Moonshot AI) để huấn luyện ổn định và hội tụ nhanh, so với thiết lập huấn luyện nhạy hơn của EfficientDet.
  • Loại bỏ DFL: Việc loại bỏ Distribution Focal Loss đơn giản hóa quy trình export và cải thiện khả năng tương thích với các thiết bị edge công suất thấp như Raspberry Pi.
  • ProgLoss + STAL: Hàm loss tiến triển cùng chiến lược gán nhãn có xét đến đối tượng nhỏ mang lại cải thiện đáng kể về khả năng nhận diện vật thể nhỏ, lĩnh vực mà các kiến trúc cũ thường gặp khó khăn.

Hiệu quả bộ nhớ và tính linh hoạt của tác vụ#

Không giống các model Transformer hoặc mạng NAS hợp nhất sâu, model Ultralytics nổi tiếng về hiệu quả sử dụng bộ nhớ. Model Ultralytics dùng ít bộ nhớ CUDA hơn nhiều khi huấn luyện, cho phép lặp nhanh trên phần cứng phổ thông.

Trong khi EfficientDet và DAMO-YOLO chỉ hỗ trợ bounding box, Ultralytics hỗ trợ trực tiếp phân đoạn instance và phân loại ảnh trong cùng một framework trực quan. Với người dùng duy trì các dự án cũ, Ultralytics YOLOv8 vẫn là lựa chọn thay thế đáng tin cậy, được triển khai rộng rãi và đáng để tìm hiểu.

Kết luận#

Việc chọn kiến trúc thị giác phù hợp đòi hỏi cân nhắc hiệu năng lý thuyết thuần túy với thực tế triển khai. EfficientDet đưa ra phương pháp scaling có cơ sở, còn DAMO-YOLO đạt tốc độ GPU thuần cao. Tuy nhiên, với các nhóm ưu tiên phát triển nhanh, triển khai đáng tin cậy và tính năng hiện đại, model Ultralytics là lựa chọn vượt trội hơn. Bằng cách kết hợp các đổi mới như suy luận không cần NMS và tối ưu hóa MuSGD, YOLO26 mang đến nền tảng mạnh mẽ, dễ bảo trì và hiệu quả cho các dự án thị giác máy tính.

Người đóng góp

Bình luận

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