EfficientDet và YOLO11#
Lựa chọn kiến trúc neural network tối ưu là nền tảng của mọi ứng dụng computer vision thành công. Hướng dẫn toàn diện này đưa ra so sánh kỹ thuật chuyên sâu giữa EfficientDet của Google và Ultralytics YOLO11, phân tích khác biệt về kiến trúc, chỉ số hiệu năng và các kịch bản triển khai phù hợp.
Dù bạn nhắm đến độ trễ tính bằng mili giây trên thiết bị AI biên hay cần độ chính xác có thể mở rộng cho inference trên cloud, việc hiểu rõ các điểm khác biệt tinh tế giữa những model này đều rất quan trọng.
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, mở rộng giới hạn về hiệu năng thời gian thực, hiệu quả sử dụng tham số và 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 tận dụng backbone EfficientNet và giới thiệu BiFPN, cho phép hợp nhất đặc trưng đa tỷ lệ theo hướng từ trên xuống và từ dưới lên. Model sử dụng phương pháp compound scaling để đồng thời mở rộng đồng đều độ phân giải, độ sâu và độ rộng của backbone, mạng đặc trưng và mạng dự đoán box/class. Dù rất hiệu quả trong việc tối đa hóa Độ chính xác trung bình (mAP), luồng xử lý phức tạp trong BiFPN đôi khi có thể gây nghẽn băng thông bộ nhớ trong quá trình inference.
Ngược lại, YOLO11 sử dụng module C3k2 được tối ưu hóa và head phát hiện không cần anchor tiên tiến. Phương pháp tinh gọn này giảm thiểu overhead trong quá trình trích xuất đặc trưng. Ultralytics thiết kế YOLO11 để tối đa hóa mức sử dụng phần cứng GPU, nhờ đó giảm đáng kể yêu cầu bộ nhớ trong cả quá trình huấn luyện lẫn inference so với các kiến trúc cũ hoặc model Transformer cồng kềnh.
Trong khi EfficientDet chỉ là detector, YOLO11 có tính linh hoạt vượt trội. Một kiến trúc YOLO11 duy nhất hỗ trợ sẵn Phân đoạn đối tượng, 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) | mAPval 50-95 | Tốc độ CPU ONNX (ms) | Tốc độ T4 TensorRT10 (ms) | params (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| EfficientDet-d0 | 640 | 34.6 | 10.2 | 3.92 | 3.9 | 2.54 |
| EfficientDet-d1 | 640 | 40.5 | 13.5 | 7.31 | 6.6 | 6.1 |
| EfficientDet-d2 | 640 | 43.0 | 17.7 | 10.92 | 8.1 | 11.0 |
| EfficientDet-d3 | 640 | 47.5 | 28.0 | 19.59 | 12.0 | 24.9 |
| EfficientDet-d4 | 640 | 49.7 | 42.8 | 33.55 | 20.7 | 55.2 |
| EfficientDet-d5 | 640 | 51.5 | 72.5 | 67.86 | 33.7 | 130.0 |
| EfficientDet-d6 | 640 | 52.6 | 92.8 | 89.29 | 51.9 | 226.0 |
| EfficientDet-d7 | 640 | 53.7 | 122.0 | 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#
Tăng tốc GPU: YOLO11 vượt trội trong môi trường GPU. Chẳng hạn, YOLO11m đạt mAP 51.5% chỉ trong 4.7ms trên GPU T4 khi sử dụng TensorRT. Để đạt độ chính xác tương đương, EfficientDet-d5 cần 67.86ms—chậm hơn hơn 14 lần. Điều này cho thấy sự cân bằng hiệu năng vượt trội của model Ultralytics trong các ứng dụng thời gian thực.
Môi trường CPU: Các biến thể nhỏ hơn của EfficientDet (như d0 và d1) có tốc độ inference trên CPU được tối ưu hóa cao khi sử dụng ONNX. Tuy nhiên, độ chính xác của model tăng kém hiệu quả, trong khi các biến thể lớn hơn như d7 phải chịu mức phạt độ trễ GPU rất lớn.
Phương pháp huấn luyện và hệ sinh thái#
Trải nghiệm của nhà phát triển thường quan trọng không kém năng lực lý thuyết của model. Đây là điểm mạnh 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 thời gian học hỏi dài, quản lý dependency phức tạp và cấu hình anchor cùng hàm loss thủ công.
Ngược lại, Ultralytics mang đến trải nghiệm dễ sử dụng vượt trội. Nhờ hệ sinh thái PyTorch được duy trì tốt, việc huấn luyện model YOLO chỉ cần vài dòng code. Framework tự động quản lý các phép tăng cường dữ liệu nâng cao và lập lịch learning rate ngay từ đầu, đồng thời tích hợp sẵn tính năng tinh chỉnh hyperparameter.
Ví dụ mã: Bắt đầu với Ultralytics#
Đoạn code mạnh mẽ, sẵn sàng cho production này cho thấy việc huấn luyện và inference qua 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 dùng EfficientDet: EfficientDet vẫn là lựa chọn khả thi trong các môi trường nghiên cứu phụ thuộc sâu vào pipeline TensorFlow hoặc có giới hạn cụ thể về CPU, nơi các kiến trúc đời đầu như d0 hoạt động đủ tốt.
Khi nào nên dùng YOLO11: YOLO11 là lựa chọn hàng đầu cho các triển khai doanh nghiệp hiện đại. Tốc độ vượt trội khiến YOLO11 phù hợp với xe tự hành, phân tích thể thao thời gian thực và phát hiện lỗi sản xuất thông lượng cao. Ngoài ra, mức sử dụng bộ nhớ thấp hơn cho phép triển khai linh hoạt trên phần cứng hạn chế tài nguyên như NVIDIA Jetson.
Định hướng tương lai: Nâng cấp lên YOLO26#
Dù YOLO11 có năng lực vượt trội, các nhà phát triển bắt đầu dự án mới nên đánh giá những kiến trúc Ultralytics khác như YOLOv8 đã được kiểm chứng hoặc YOLO26 mới ra mắt. Được phát hành vào đầu năm 2026, YOLO26 kế thừa nền tảng YOLO11 và giới thiệu một số cải tiến đột phá:
- Thiết kế end-to-end không dùng NMS: Kế thừa nền tảng của YOLOv10, YOLO26 có thể bỏ qua hoàn toàn bước hậu xử lý Non-Maximum Suppression (NMS) nhờ head one-to-one tùy chọn (
nms=False), giúp giảm độ trễ và đơn giản hóa pipeline triển khai. - Optimizer MuSGD: Optimizer kết hợp SGD tiêu chuẩn với Muon (lấy cảm hứng từ quá trình huấn luyện mô hình ngôn ngữ lớn), giúp cải thiện đáng kể độ ổn định khi huấn luyện.
- Inference trên CPU nhanh hơn tới 43%: Các tối ưu hóa chuyên biệt giúp YOLO26 hoạt động đặc biệt hiệu quả trên thiết bị biên không có GPU rời.
- ProgLoss + STAL: Các hàm loss nâng cao cải thiện đáng kể khả năng phát hiện đối tượng nhỏ, yếu tố quan trọng trong ảnh chụp từ trên không và robot.
Khám phá thêm các kiến trúc thị giác, bao gồm detector dựa trên Transformer như RT-DETR, trong Tài liệu Ultralytics toàn diện của chúng tôi.