So sánh EfficientDet và YOLOv10#

Trong lĩnh vực thị giác máy tính đang phát triển nhanh chóng, việc lựa chọn kiến trúc phát hiện đối tượng phù hợp là yếu tố then chốt để cân bằng độ chính xác, độ trễ và hiệu quả tính toán. Hướng dẫn kỹ thuật toàn diện này so sánh hai model có ảnh hưởng lớn: EfficientDet của Google và YOLOv10 của Đại học Thanh Hoa. Mặc dù cả hai model đều đại diện cho những bước tiến đáng kể trong lĩnh vực phát hiện đối tượng, chúng tiếp cận việc thiết kế kiến trúc và tối ưu hóa model từ những góc độ rất khác nhau.

Chúng ta sẽ tìm hiểu các kiến trúc cốt lõi, xem xét các benchmark hiệu năng trên những dataset tiêu chuẩn như COCO, đồng thời thảo luận cách chúng tích hợp vào các pipeline machine learning hiện đại, đặc biệt nhấn mạnh những lợi thế của hệ sinh thái Ultralytics toàn diện.

EfficientDet: Tiên phong trong mở rộng theo cấp số nhân#

Được giới thiệu vào cuối năm 2019, EfficientDet đã thiết lập một benchmark mới cho việc phát hiện đối tượng có khả năng mở rộng và độ chính xác cao bằng cách đưa ra phương pháp có cơ sở chặt chẽ để mở rộng các chiều của mạng.

Các đổi mới và kiến trúc chính#

• Tác giả: Mingxing Tan, Ruoming Pang và Quoc V. Le
• Tổ chức: Google Brain
• Ngày: 2019-11-20
• Arxiv: https://arxiv.org/abs/1911.09070
• GitHub: Repository EfficientDet

EfficientDet được xây dựng trên backbone EfficientNet, tận dụng một Bi-directional Feature Pyramid Network (BiFPN) mới. Không giống các Mạng Kim tự tháp Đặc trưng (FPN) truyền thống, vốn cộng các đặc trưng mà không phân biệt mức độ quan trọng, BiFPN sử dụng các trọng số có thể học để hợp nhất các đặc trưng đa tỷ lệ. Điều này cho phép mạng học hiệu quả những đặc trưng ở độ phân giải nào đóng góp nhiều nhất cho dự đoán cuối cùng. Ngoài ra, EfficientDet sử dụng phương pháp mở rộng theo cấp số nhân, đồng thời mở rộng đồng nhất độ phân giải, độ sâu và độ rộng của backbone, mạng đặc trưng cũng như các mạng dự đoán box/class.

Mặc dù EfficientDet vẫn là một lựa chọn đáng tin cậy cho các hệ thống cũ được tích hợp sâu với những pipeline TensorFlow trước đây, model này đòi hỏi tài nguyên bộ nhớ đáng kể trong quá trình training và phụ thuộc vào một hệ sinh thái cũ hơn, có thể gây cồng kềnh so với các framework hiện đại, linh hoạt.

Tìm hiểu thêm về EfficientDet

YOLOv10: Nhà đổi mới không cần NMS#

Được phát hành vào giữa năm 2024, YOLOv10 đã thay đổi căn bản mô hình phát hiện đối tượng theo thời gian thực bằng cách loại bỏ nhu cầu sử dụng Non-Maximum Suppression (NMS) trong quá trình hậu xử lý, qua đó giảm đáng kể độ trễ suy luận.

Các đổi mới và kiến trúc chính#

• Tác giả: Ao Wang, Hui Chen, Lihao Liu và cộng sự.
• Tổ chức: Đại học Thanh Hoa
• Ngày: 2024-05-23
• Arxiv: https://arxiv.org/abs/2405.14458
• GitHub: Kho lưu trữ YOLOv10

YOLOv10 giới thiệu chiến lược gán kép nhất quán cho quá trình training không cần NMS. Bằng cách sử dụng cả phép gán nhãn one-to-many và one-to-one trong quá trình training, mạng học cách tạo ra các bounding box khớp duy nhất mà không cần dựa vào NMS để lọc các box trùng lặp. Thiết kế model toàn diện, được thúc đẩy bởi hiệu quả và độ chính xác này làm giảm sự dư thừa tính toán, khiến YOLOv10 trở thành ứng viên xuất sắc cho điện toán biên và các ứng dụng streaming video có độ trễ thấp. Model tích hợp liền mạch vào hệ sinh thái Ultralytics, cung cấp cho developer quyền truy cập vào Python API cực kỳ đơn giản.

Tìm hiểu thêm về YOLOv10

So sánh hiệu năng: Độ chính xác, tốc độ và hiệu quả#

Khi triển khai model trong các tình huống thực tế, developer phải cân nhắc độ chính xác trung bình (mAP) so với số lượng parameter và các phép toán tính toán (FLOPs). Bảng dưới đây trình bày chi tiết các metric này trên những biến thể mở rộng của cả hai model.

Lưu ý: Biến thể YOLOv10n cần ít parameter hơn đáng kể (2.3M) và đạt tốc độ TensorRT vượt trội (1.56ms) so với các phiên bản EfficientDet đời đầu, khiến model này phù hợp hơn nhiều cho suy luận thời gian thực trong môi trường production.

Tại sao nên chọn Ultralytics để triển khai model?#

Mặc dù cả hai model đều có ý nghĩa về mặt lịch sử và cấu trúc, việc tích hợp chúng vào các pipeline hiện đại có thể là một thách thức. Đây là lúc Ultralytics Platform phát huy thế mạnh. Bằng cách cung cấp một hệ sinh thái thống nhất, Ultralytics đơn giản hóa toàn bộ vòng đời—from chú thích dữ liệu đến triển khai.

1. Dễ sử dụng: Package Python của Ultralytics cung cấp một interface duy nhất cho training model, validation và export, thay thế hàng trăm dòng boilerplate code bằng các câu lệnh ngắn gọn.
2. Hệ sinh thái và tính linh hoạt: Trong khi EfficientDet được chuyên biệt hóa mạnh cho tác vụ phát hiện, các model YOLO của Ultralytics mở rộng tự nhiên sang phân đoạn instance, ước lượng pose, các hộp giới hạn định hướng (OBB) và phân loại.
3. Hiệu quả training: Tận dụng các kỹ thuật tiên tiến như auto-batching và training phân tán, các model Ultralytics training nhanh hơn và sử dụng ít bộ nhớ CUDA hơn đáng kể so với các kiến trúc transformer nặng hoặc kiến trúc TF đa nhánh cũ.

Ví dụ code: Training YOLOv10#

Triển khai YOLOv10 với Ultralytics cực kỳ đơn giản. Đoạn code sau minh họa cách khởi tạo, training và đánh giá một mạng YOLOv10 hoàn toàn trong Python API.

from ultralytics import YOLO

# Load a pre-trained YOLOv10 model (nano variant for edge speed)
model = YOLO("yolov10n.pt")

# Train the model on the COCO8 dataset
results = model.train(data="coco8.yaml", epochs=50, imgsz=640, batch=16)

# Evaluate the model on the validation set
metrics = model.val()

# Export the model to ONNX for production deployment
model.export(format="onnx")

Các trường hợp sử dụng và khuyến nghị#

Việc lựa chọn giữa EfficientDet và YOLOv10 phụ thuộc vào yêu cầu cụ thể của dự án, các ràng buộc triển khai và ưu tiên về hệ sinh thái của bạn.

Khi nào nên chọn EfficientDet#

EfficientDet là lựa chọn phù hợp cho:

• Pipeline Google Cloud và TPU: Các hệ thống được tích hợp sâu với Google Cloud Vision APIs hoặc hạ tầng TPU, nơi EfficientDet có khả năng tối ưu native.
• Nghiên cứu Compound Scaling: Benchmarking học thuật tập trung vào việc nghiên cứu tác động của quá trình scale depth, width và resolution cân bằng trong network.
• Triển khai trên mobile qua TFLite: Các dự án yêu cầu cụ thể việc export TensorFlow Lite cho Android hoặc các thiết bị Linux nhúng.

Khi nào nên chọn YOLOv10#

YOLOv10 được khuyến nghị cho:

• Phát hiện thời gian thực không cần NMS: Các ứng dụng hưởng lợi từ khả năng phát hiện đầu cuối mà không cần triệt tiêu cực đại, giúp giảm độ phức tạp khi triển khai.
• Cân bằng giữa tốc độ và độ chính xác: Các project yêu cầu sự cân bằng tốt giữa tốc độ suy luận và độ chính xác phát hiện trên nhiều quy mô model khác nhau.
• Ứng dụng có độ trễ nhất quán: Các kịch bản triển khai mà thời gian suy luận có thể dự đoán là yếu tố quan trọng, chẳng hạn như robotics hoặc các hệ thống tự hành.

Khi nào nên chọn Ultralytics (YOLO26)#

Đối với hầu hết dự án mới, Ultralytics YOLO26 mang đến sự kết hợp tốt nhất giữa hiệu năng và trải nghiệm developer:

• Triển khai edge không cần NMS: Các ứng dụng yêu cầu suy luận nhất quán, độ trễ thấp mà không có sự phức tạp của bước hậu xử lý triệt tiêu cực đại.
• Môi trường chỉ sử dụng CPU: Các thiết bị không có tăng tốc GPU chuyên dụng, nơi khả năng suy luận trên CPU nhanh hơn tới 43% của YOLO26 mang lại lợi thế quyết định.
• Phát hiện đối tượng nhỏ: Các kịch bản đầy thách thức 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 trên các đối tượng rất nhỏ.

Tương lai đã đến: Ultralytics YOLO26 xuất hiện#

Mặc dù YOLOv10 đã giới thiệu thiết kế mang tính cách mạng không cần NMS, công nghệ này đã tiếp tục phát triển. Được phát hành vào tháng 1 năm 2026, Ultralytics YOLO26 đại diện cho công nghệ tiên tiến hàng đầu trong lĩnh vực vision AI. Model hợp nhất những khía cạnh tốt nhất của các kiến trúc trước đây—chẳng hạn như khả năng multi-task của YOLO11 và tính ổn định của RT-DETR—thành một model mạnh mẽ, được tối ưu hóa cao.

Các đột phá chính trong YOLO26:

• Thiết kế end-to-end không cần NMS: Dựa trên nền tảng do YOLOv10 xây dựng, YOLO26 vốn đã là end-to-end, đơn giản hóa logic triển khai xuống mức tối thiểu.
• Suy luận trên CPU nhanh hơn tới 43%: Với việc loại bỏ Distribution Focal Loss (DFL), YOLO26 cắt giảm đáng kể overhead tính toán, trở thành lựa chọn hàng đầu cho thiết bị edge AI.
• Optimizer MuSGD: YOLO26 kế thừa các đổi mới từ quá trình training Large Language Model (LLM). Bằng cách kết hợp tính ổn định của SGD với tốc độ của Muon, model hội tụ nhanh hơn và đáng tin cậy hơn bất kỳ phiên bản tiền nhiệm nào.
• ProgLoss + STAL: Các công thức loss vượt trội giải quyết hiệu quả những vấn đề tồn tại lâu nay trong việc phát hiện đối tượng nhỏ, lĩnh vực mà EfficientDet thường gặp khó khăn.

Kết luận: Ghép model với từng trường hợp sử dụng#

Việc lựa chọn giữa các mạng này cuối cùng phụ thuộc vào các ràng buộc triển khai của bạn:

• EfficientDet vẫn là chủ đề được quan tâm trong học thuật về mở rộng theo cấp số nhân và phù hợp với các nhà nghiên cứu đang duy trì những hệ thống TensorFlow hiện có, trong đó kích thước file trọng số của model quan trọng hơn tốc độ runtime.
• YOLOv10 đặc biệt xuất sắc trong các ứng dụng yêu cầu độ trễ cực thấp, chẳng hạn như theo dõi nhiều đối tượng tốc độ cao và giám sát giao thông, nhờ kiến trúc tiên phong không cần NMS.
• Tuy nhiên, YOLO26 là khuyến nghị tối ưu cho các dự án thị giác máy tính hiện đại, mang lại cân bằng hiệu năng cao nhất về độ chính xác, footprint bộ nhớ tối thiểu và tính linh hoạt multi-task, được hỗ trợ bởi hệ sinh thái Ultralytics mạnh mẽ.