EfficientDet và YOLO11
Lựa chọn kiến trúc neural network phù hợp là nền tảng của mọi ứng dụng computer vision thành công. Hướng dẫn này đưa ra so sánh kỹ thuật giữa EfficientDet của Google và Ultralytics YOLO11, phân tích khác biệt về kiến trúc, chỉ số hiệu năng và các tình huống triển khai phù hợp nhất.
Dù bạn cần độ trễ tính bằng mili giây trên thiết bị AI biên hay độ chính xác có khả năng mở rộng cho suy luận trên cloud, việc hiểu sự khác biệt giữa các model này sẽ rất hữu ích.
Thông tin model và chi tiết kỹ thuật#
Hiểu rõ nguồn gốc và triết lý thiết kế nền tảng của từng kiến trúc giúp đặt hiệu năng của chúng vào đúng bối cảnh trong các tác vụ phát hiện đối tượng thực tế.
EfficientDet#
Được các nhà nghiên cứu tại Google Brain phát triển, EfficientDet đưa ra phương pháp có cơ sở để mở rộng mạng phát hiện đối tượng, đồng thời giới thiệu BiFPN (Mạng kim tự tháp đặc trưng hai chiều) mới.
- Tác giả: Mingxing Tan, Ruoming Pang và Quoc V. Le
- Tổ chức: Google
- Ngày: 2019-11-20
- arXiv: https://arxiv.org/abs/1911.09070
- GitHub: https://github.com/google/automl/tree/master/efficientdet
- Tài liệu: https://github.com/google/automl/tree/master/efficientdet#readme
YOLO11#
YOLO11 đánh dấu bước tiến đáng kể trong hệ sinh thái Ultralytics, cải thiện hiệu năng thời gian thực, hiệu quả tham số và khả năng học đa nhiệm.
- Tác giả: Glenn Jocher và Jing Qiu
- Tổ chức: Ultralytics
- Ngày: 2024-09-27
- GitHub: https://github.com/ultralytics/ultralytics
- Tài liệu: https://docs.ultralytics.com/models/yolo11
So sánh kiến trúc#
Khác biệt về kiến trúc giữa hai model này cho thấy các chiến lược thiết kế đã phân hóa ra sao qua nhiều năm.
EfficientDet sử dụng backbone EfficientNet và giới thiệu BiFPN, hỗ trợ hợp nhất đặc trưng đa tỷ lệ theo cả hướng từ trên xuống lẫn từ dưới lên. Model này dùng phương pháp compound scaling để đồng thời thay đổi đồng đều độ phân giải, độ sâu và độ rộng của backbone, mạng đặc trưng cũng như các mạng dự đoán box/class. Dù rất hiệu quả trong việc tối đa hóa độ chính xác trung bình (mAP), cơ chế định tuyến phức tạp trong BiFPN đôi khi có thể gây nghẽn băng thông bộ nhớ khi suy luận.
Ngược lại, YOLO11 sử dụng module C3k2 được tối ưu hóa và đầu phát hiện không anchor. Cách tiếp cận tinh gọn này giảm thiểu overhead trong quá trình trích xuất đặc trưng. Ultralytics thiết kế YOLO11 để tối đa hóa mức độ sử dụng phần cứng GPU, nhờ đó yêu cầu bộ nhớ trong cả huấn luyện lẫn suy luận thấp hơn đáng kể so với kiến trúc cũ hoặc các model Transformer cồng kềnh.
Trong khi EfficientDet chỉ là detector đối tượng, YOLO11 có tính linh hoạt cao. Một kiến trúc YOLO11 hỗ trợ sẵn phân đoạn instance, phân loại ảnh, ước lượng tư thế và hộp giới hạn định hướng (OBB).
Đánh giá hiệu năng#
Bảng dưới đây so sánh hiệu năng của cả hai dòng model ở nhiều quy mô khác nhau trên dataset COCO.
| Model | kích thước (pixel) | mAPval50-95 | Tốc độ CPU ONNX (ms) | Tốc độ T4 TensorRT10 (ms) | params (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| EfficientDet-d0 | 512 | 34.6 | - | 3.92 | 3.9 | 2.54 |
| EfficientDet-d1 | 640 | 40.5 | - | 7.31 | 6.6 | 6.1 |
| EfficientDet-d2 | 768 | 43.0 | - | 10.92 | 8.1 | 11.0 |
| EfficientDet-d3 | 896 | 47.5 | - | 19.59 | 12.0 | 24.9 |
| EfficientDet-d4 | 1024 | 49.7 | - | 33.55 | 20.7 | 55.2 |
| EfficientDet-d5 | 1280 | 51.5 | - | 67.86 | 33.7 | 130.0 |
| EfficientDet-d6 | 1280 | 52.6 | - | 89.29 | 51.9 | 226.0 |
| EfficientDet-d7 | 1536 | 53.7 | - | 128.07 | 51.9 | 325.0 |
| YOLO11n | 640 | 39.5 | 56.1 | 1.5 | 2.6 | 6.5 |
| YOLO11s | 640 | 47.0 | 90.0 | 2.5 | 9.4 | 21.6 |
| YOLO11m | 640 | 51.5 | 183.2 | 4.7 | 20.1 | 68.1 |
| YOLO11l | 640 | 53.4 | 238.6 | 6.2 | 25.3 | 87.2 |
| YOLO11x | 640 | 54.7 | 462.8 | 11.3 | 56.9 | 195.3 |
Phân tích cân bằng: Ưu điểm và nhược điểm#
YOLO11 dẫn đầu trong môi trường GPU. Ví dụ, YOLO11m đạt mAP 51.5% trong 4.7ms trên GPU T4 bằng TensorRT. Để đạt độ chính xác tương đương, EfficientDet-d5 cần 67.86ms, chậm hơn 14 lần. Điều này cho thấy sự cân bằng hiệu năng của các model Ultralytics trong ứng dụng thời gian thực.
Phương pháp huấn luyện và hệ sinh thái#
Trải nghiệm developer thường quan trọng không kém năng lực lý thuyết của model. Đây là điểm nổi bật của hệ sinh thái Ultralytics.
EfficientDet phụ thuộc nhiều vào hệ sinh thái TensorFlow cũ và các thư viện AutoML phức tạp. Việc thiết lập pipeline huấn luyện tùy chỉnh đòi hỏi quá trình học tập nhiều thử thách, quản lý dependency rắc rối và cấu hình thủ công anchor cùng các hàm loss.
Ngược lại, Ultralytics được xây dựng nhằm dễ sử dụng. Nhờ hệ sinh thái PyTorch được duy trì tốt, bạn chỉ cần vài dòng code để huấn luyện model YOLO. Framework tự động xử lý augmentation dữ liệu và lập lịch learning rate ngay khi dùng, đồng thời tích hợp sẵn tính năng tinh chỉnh hyperparameter.
Ví dụ mã: Bắt đầu với Ultralytics#
Đoạn code này cho thấy việc huấn luyện và suy luận với Python API đơn giản đến mức nào.
from ultralytics import YOLO
# Tải model YOLO11 small đã được huấn luyện trước
model = YOLO("yolo11s.pt")
# Huấn luyện model trên dataset tùy chỉnh của bạn
train_results = model.train(data="coco8.yaml", epochs=50, imgsz=640, device=0)
# Thực hiện inference nhanh trên ảnh
results = model.predict("https://ultralytics.com/images/bus.jpg")
results[0].show()Các trường hợp sử dụng phù hợp nhất#
Khi nào nên sử dụng EfficientDet: EfficientDet vẫn là lựa chọn khả thi trong các môi trường nghiên cứu phụ thuộc nhiều vào pipeline TensorFlow.
Khi nào nên dùng YOLO11: YOLO11 là lựa chọn phù hợp cho các triển khai doanh nghiệp hiện đại. Tốc độ của model khiến YOLO11 phù hợp với xe tự hành, phân tích thể thao theo thời gian thực và phát hiện lỗi sản xuất thông lượng cao. Mức sử dụng bộ nhớ thấp hơn cũng cho phép triển khai linh hoạt trên phần cứng có tài nguyên hạn chế như NVIDIA Jetson.
Định hướng tương lai: Nâng cấp lên YOLO26#
Dù YOLO11 có năng lực mạnh mẽ, developer bắt đầu dự án mới nên đánh giá YOLO26 vừa ra mắt, trong khi YOLOv8 đã được kiểm chứng vẫn sẵn sàng cho các triển khai hiện có. Ra mắt vào tháng 1 năm 2026, YOLO26 phát triển trên nền tảng YOLO11 và giới thiệu một số cải tiến:
- Thiết kế end-to-end không cần NMS: Phát triển từ YOLOv10, YOLO26 có thể bỏ hoàn toàn bước hậu xử lý Non-Maximum Suppression (NMS) nhờ đầu one-to-one tùy chọn (
nms=False), giúp giảm độ trễ và đơn giản hóa pipeline triển khai. - Optimizer MuSGD: Optimizer kết hợp giữa SGD tiêu chuẩn và Muon (lấy cảm hứng từ huấn luyện mô hình ngôn ngữ lớn), giúp tăng độ ổn định khi huấn luyện.
- Suy luận CPU nhanh hơn tới 43%: YOLO26n chạy trên CPU nhanh hơn YOLO11n tới 43%, giúp YOLO26 phù hợp với các thiết bị biên không có GPU rời.
- ProgLoss + STAL: Progressive Loss và phương pháp gán nhãn nhận biết đối tượng nhỏ cải thiện khả năng phát hiện đối tượng nhỏ, yếu tố thiết yếu đối với ảnh chụp từ trên không và robotics.
Khám phá bức tranh rộng hơn về các kiến trúc thị giác, bao gồm detector dựa trên Transformer như RT-DETR, trong Ultralytics Docs.
Bình luận
Đặt câu hỏi, chia sẻ kết quả hoặc giúp đỡ người khác.