EfficientDet và YOLO26
Lựa chọn kiến trúc thị giác máy tính phù hợp là bước quan trọng để xây dựng hệ thống AI có khả năng mở rộng và hiệu quả. Hướng dẫn này so sánh về mặt kỹ thuật EfficientDet của Google, ra mắt năm 2019, với Ultralytics YOLO26, ra mắt vào tháng 1 năm 2026. Hướng dẫn đánh giá kiến trúc nền tảng, chỉ số hiệu năng và phương pháp huấn luyện của hai model để giúp bạn chọn model phù hợp nhất với các ràng buộc triển khai.
Nguồn gốc và tác giả của các model#
Hiểu nguồn gốc của các kiến trúc này giúp cung cấp bối cảnh giá trị về triết lý thiết kế và trường hợp sử dụng dự kiến của chúng.
EfficientDet
- Tác giả: Mingxing Tan, Ruoming Pang và Quoc V. Le
- Tổ chức: Google Research
- Ngày: 2019-11-20
- arXiv: 1911.09070
- GitHub: google/automl/efficientdet
YOLO26
- Tác giả: Glenn Jocher và Jing Qiu
- Tổ chức: Ultralytics
- Ngày: 2026-01-14
- GitHub: ultralytics/ultralytics
Các cải tiến kiến trúc#
Sự khác biệt về kiến trúc giữa hai model này rất rõ rệt, phản ánh những tiến bộ nhanh chóng của deep learning trong vài năm qua.
EfficientDet được xây dựng xoay quanh BiFPN (Mạng kim tự tháp đặc trưng hai chiều) và sử dụng phương pháp compound scaling trên độ phân giải, độ sâu và chiều rộng. Dù đạt hiệu quả xuất sắc vào năm 2019, model này phụ thuộc nhiều vào các framework TensorFlow cũ và thuật toán tìm kiếm AutoML phức tạp, thường khó điều chỉnh cho các dataset tùy chỉnh.
Ngược lại, Ultralytics YOLO26 là model Ultralytics mới nhất dành cho thị giác máy tính thời gian thực. Model này giới thiệu một số cải tiến kiến trúc được thiết kế cho pipeline triển khai hiện đại:
- Thiết kế end-to-end không cần NMS: YOLO26 cung cấp head end-to-end một-một nguyên bản (
nms=False), loại bỏ nhu cầu hậu xử lý bằng Non-Maximum Suppression (NMS). Cách tiếp cận này, lần đầu được giới thiệu trong YOLOv10, giúp logic triển khai nhanh và đơn giản hơn, đồng thời giảm độ biến thiên độ trễ trên các chip edge. - Loại bỏ DFL: Bằng cách loại bỏ Distribution Focal Loss (DFL), YOLO26 đơn giản hóa đầu ra, cải thiện khả năng tương thích với điện toán biên và các thiết bị công suất thấp.
- Optimizer MuSGD: Lấy cảm hứng từ các kỹ thuật huấn luyện mô hình ngôn ngữ lớn như những kỹ thuật đứng sau Kimi K2 của Moonshot AI, YOLO26 sử dụng optimizer MuSGD, một phương pháp kết hợp SGD và Muon. Phương pháp này giúp quá trình huấn luyện ổn định hơn và hội tụ nhanh hơn so với các optimizer tiêu chuẩn.
- ProgLoss + STAL: Progressive Loss (ProgLoss) kết hợp với phương pháp gán nhãn nhận biết đối tượng nhỏ (STAL) cải thiện đáng kể khả năng nhận diện đối tượng nhỏ, yếu tố thiết yếu đối với ảnh chụp từ trên không và robotics.
Chỉ số hiệu năng và benchmark#
Hiệu năng thực tế mới là phép thử thực sự đối với mọi model phát hiện đối tượng. Bảng dưới đây so sánh độ chính xác, được đo bằng độ chính xác trung bình (mAP), với tốc độ suy luận và yêu cầu tính toán.
| 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 |
| YOLO26n | 640 | 40.9 | 38.9 | 1.7 | 2.4 | 5.5 |
| YOLO26s | 640 | 48.6 | 87.2 | 2.5 | 9.5 | 20.9 |
| YOLO26m | 640 | 53.1 | 220.0 | 4.7 | 20.4 | 68.4 |
| YOLO26l | 640 | 55.0 | 286.2 | 6.2 | 24.8 | 86.8 |
| YOLO26x | 640 | 57.5 | 525.8 | 11.8 | 55.7 | 194.4 |
Như trên đã cho thấy, YOLO26 mang lại sự cân bằng hiệu năng tốt hơn nhiều. Dù các biến thể EfficientDet nhỏ nhất có FLOPs rất thấp, YOLO26 vẫn đạt tốc độ suy luận GPU nhanh hơn đáng kể ở mọi mức độ chính xác. Chẳng hạn, YOLO26x đạt 57.5 mAP trong khi chạy nhanh hơn EfficientDet-d7 hơn 10 lần trên T4 TensorRT. YOLO26n cũng suy luận trên CPU nhanh hơn YOLO11n tới 43%, khiến YOLO26 trở thành lựa chọn phù hợp cho AI biên.
Lợi thế của hệ sinh thái Ultralytics#
Việc lựa chọn kiến trúc hiếm khi chỉ dựa trên FLOPs lý thuyết; yếu tố này phụ thuộc nhiều vào quy trình kỹ thuật. Nhiều developer chọn Ultralytics nhờ tính dễ sử dụng.
Huấn luyện EfficientDet thường đòi hỏi quản lý dependency phức tạp, tinh chỉnh hyperparameter thủ công và thiết lập TensorFlow cũ. Ngược lại, các model Ultralytics có API đơn giản. Trải nghiệm tương tự cũng có trên Ultralytics Platform, nền tảng xử lý sẵn việc huấn luyện trên cloud, gán nhãn dữ liệu và theo dõi thử nghiệm theo thời gian thực.
Các detector dựa trên Transformer và model AutoML phức tạp cũng thường tiêu tốn nhiều bộ nhớ. Các model Ultralytics nổi tiếng nhờ yêu cầu bộ nhớ hiệu quả, giúp bạn huấn luyện các model mạnh mẽ trên phần cứng phổ thông mà không gặp lỗi hết bộ nhớ (OOM).
Tính linh hoạt và hỗ trợ tác vụ#
EfficientDet chỉ là một mạng phát hiện đối tượng. YOLO26 là một model học đa nhiệm thống nhất. YOLO26 tích hợp sẵn các cải tiến chuyên biệt cho từng tác vụ vào kiến trúc:
- Loss phân đoạn ngữ nghĩa và proto đa tỷ lệ giúp tạo mask phân đoạn instance chất lượng cao hơn.
- Ước lượng hợp lý log dư (RLE) giúp cải thiện độ chính xác của ước lượng tư thế.
- Các quy trình loss góc chuyên biệt để khắc phục vấn đề biên trong Hộp giới hạn định hướng (OBB).
Nếu đang duy trì các hệ thống cũ, Ultralytics vẫn hỗ trợ đầy đủ YOLO11 và các phiên bản trước đó trong cùng một API. Tuy nhiên, với mọi dự án phát triển mới, YOLO26 mang lại hiệu quả tài nguyên trên độ chính xác tốt nhất.
Trường hợp sử dụng và khuyến nghị#
Việc chọn EfficientDet hay YOLO26 tùy thuộc vào yêu cầu cụ thể của dự án, các giới hạn triển khai và hệ sinh thái bạn ưu tiên.
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 YOLO26#
YOLO26 được khuyến nghị cho:
- Triển khai trên thiết bị biên không cần NMS: Các ứng dụng cần inference có độ trễ thấp và ổn định mà không phải xử lý hậu kỳ Non-Maximum Suppression phức tạp.
- 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 đối tượng 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 đối tượng rất nhỏ.
Ví dụ triển khai: Huấn luyện YOLO26#
Với package Python của Ultralytics, bạn chỉ cần vài dòng code để bắt đầu một lượt huấn luyện đã tối ưu. Framework xử lý tích hợp việc điều chỉnh mixed precision, điều phối nhiều GPU thông qua PyTorch và các pipeline augmentation.
from ultralytics import YOLO
# Load the lightweight, end-to-end YOLO26n model
model = YOLO("yolo26n.pt")
# Train on the COCO8 dataset
results = model.train(
data="coco8.yaml",
epochs=100,
imgsz=640,
device=0, # Train on the first CUDA GPU
)
# Export the NMS-free end-to-end head to ONNX
exported_path = model.export(format="onnx", nms=False)
print(f"Model seamlessly exported to: {exported_path}")Kết luận: Nên chọn model nào?#
EfficientDet vẫn là một cột mốc quan trọng trong nghiên cứu scaling tổ hợp. Tuy nhiên, với các ứng dụng hiện đại, dù triển khai trên cụm cloud hay các thiết bị Raspberry Pi có tài nguyên hạn chế, kết quả so sánh đều nghiêng về Ultralytics YOLO26.
Bằng cách loại bỏ NMS, giảm yêu cầu VRAM và tích hợp với hệ sinh thái developer trưởng thành, YOLO26 là kiến trúc được khuyến nghị cho computer vision mạnh mẽ, sẵn sàng đưa vào production. Dù bạn đang phát hiện lỗi sản xuất hay lập bản đồ năng suất cây trồng, Ultralytics Platform giúp bạn nhanh chóng chuyển từ dataset sang triển khai.
Bình luận
Đặt câu hỏi, chia sẻ kết quả hoặc giúp đỡ người khác.