Bắt đầu

EfficientDet và YOLOv5

Lựa chọn kiến trúc mạng neural phù hợp là bước mang tính quyết định trong mọi dự án thị giác máy tính. Sự cân bằng giữa độ trễ inference, hiệu quả tham số và độ chính xác phát hiện quyết định hiệu quả của model trong thực tế. Hướng dẫn kỹ thuật này phân tích hai framework phát hiện đối tượng có ảnh hưởng lớn: EfficientDet của Google và Ultralytics YOLOv5.

Bằng cách so sánh các đổi mới về kiến trúc, phương pháp huấn luyện và khả năng triển khai, nhà phát triển có thể đưa ra quyết định phù hợp với môi trường triển khai cụ thể, dù là mở rộng quy mô trên các server đám mây hay chạy trên thiết bị biên có tài nguyên hạn chế.

EfficientDet: Kiến trúc mở rộng quy mô với BiFPN#

Được Google Research giới thiệu, EfficientDet được thiết kế để mở rộng có hệ thống cả backbone lẫn mạng đặc trưng, nhằm đạt độ chính xác cao với ít tham số hơn các model hàng đầu trước đó.

Chi tiết model#

Các cải tiến kiến trúc#

EfficientDet sử dụng model phân loại EfficientNet làm backbone, cùng phương pháp compound scaling giúp mở rộng đồng đều độ rộng, độ sâu và độ phân giải của mạng. Đóng góp nổi bật nhất của model cho phát hiện đối tượng là giới thiệu Mạng kim tự tháp đặc trưng hai chiều (BiFPN). Khác với Mạng kim tự tháp đặc trưng tiêu chuẩn chỉ tổng hợp đặc trưng theo hướng từ trên xuống, BiFPN hỗ trợ các kết nối chéo đa tỷ lệ hai chiều phức tạp và đưa vào các trọng số có thể học để xác định mức độ quan trọng của các đặc trưng đầu vào khác nhau.

Dù có độ chính xác cao, EfficientDet phụ thuộc nhiều vào hệ sinh thái TensorFlow và các thư viện AutoML cụ thể. Sự phụ thuộc này đôi khi gây khó khăn khi tích hợp model vào các pipeline triển khai tùy chỉnh, nhẹ hoặc các môi trường ưu tiên đồ thị tính toán động.

Tìm hiểu thêm về EfficientDet

Ultralytics YOLOv5: Phổ cập AI thời gian thực#

Ra mắt vào giữa năm 2020, Ultralytics YOLOv5 giúp YOLO dễ tiếp cận hơn nhiều nhờ bản triển khai kiến trúc PyTorch gốc. Model thiết lập tiêu chuẩn mới về trải nghiệm phát triển, hiệu quả huấn luyện và tính linh hoạt khi triển khai thời gian thực.

Chi tiết model#

Các cải tiến kiến trúc#

YOLOv5 có những cải tiến đáng kể so với các phiên bản tiền nhiệm, sử dụng backbone CSPDarknet (Cross-Stage Partial) giúp tăng cường luồng gradient đồng thời giảm tổng số tham số. YOLOv5 cũng tích hợp anchor box tự học, tự động tính toán prior của bounding box từ dữ liệu huấn luyện tùy chỉnh, loại bỏ nhu cầu tinh chỉnh anchor thủ công.

YOLOv5 cũng phụ thuộc nhiều vào tăng cường dữ liệu Mosaic, ghép bốn ảnh khác nhau thành một tile huấn luyện duy nhất. Phương pháp này cải thiện khả năng phát hiện vật thể nhỏ và mức độ hiểu ngữ cảnh của model, giúp model hoạt động vững chắc trong nhiều môi trường khác nhau.

Hiệu năng và benchmark#

Đánh giá model trên các benchmark tiêu chuẩn như dataset COCO là điều cốt yếu để hiểu sự đánh đổi giữa độ chính xác và tốc độ. Bảng dưới đây minh họa hiệu năng của các phiên bản EfficientDet và YOLOv5 với kích thước khác nhau trong điều kiện tiêu chuẩn hóa.

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
YOLOv5n64028.0-1.121.94.5
YOLOv5s64037.4-1.927.216.5
YOLOv5m64045.4-4.0321.249.0
YOLOv5l64049.0-6.6146.5109.1
YOLOv5x64050.7-11.8986.7205.7

Phân tích các điểm đánh đổi#

EfficientDet-d7 đạt mAP tối đa 53.7, nhưng có độ trễ inference đáng kể trên phần cứng GPU so với các kiến trúc YOLO. Ngược lại, YOLOv5 tận dụng tốt khả năng tăng tốc phần cứng. Biến thể YOLOv5n đạt thời gian inference 1.12 ms trên GPU T4 khi dùng NVIDIA TensorRT, phù hợp hơn nhiều với các ứng dụng thời gian thực như xe tự hành hoặc dây chuyền sản xuất tốc độ cao.

Các model YOLOv5 cũng cần ít bộ nhớ CUDA hơn nhiều trong quá trình huấn luyện so với mạng compound scaling phức tạp hoặc model Transformer lớn. Dấu chân bộ nhớ gọn nhẹ này giúp AI hiện đại dễ tiếp cận hơn, cho phép nhà nghiên cứu huấn luyện model tin cậy trên phần cứng phổ thông dành cho người dùng.

Tối đa hóa hiệu quả phần cứng

Để khai thác FPS tối đa từ model YOLOv5 trên thiết bị edge, hãy export trọng số PyTorch sang TensorRT cho GPU NVIDIA hoặc OpenVINO cho CPU Intel. Bước này có thể tăng đáng kể tốc độ inference.

Hệ sinh thái huấn luyện và trải nghiệm nhà phát triển#

Ưu điểm chính của hệ sinh thái Ultralytics nằm ở trải nghiệm người dùng tinh gọn. Trong khi EfficientDet đòi hỏi kiến thức chuyên sâu về API phát hiện đối tượng TensorFlow, YOLOv5 cung cấp Python API nhất quán và đơn giản.

Hệ sinh thái Ultralytics được duy trì tốt, mang đến cho nhà phát triển các bản cập nhật thường xuyên, hỗ trợ tích cực từ cộng đồng và tích hợp với công cụ theo dõi thử nghiệm như Weights & Biases và ClearML.

Ví dụ mã: Bắt đầu với YOLOv5#

Chỉ cần vài dòng mã để chạy suy luận bằng model YOLOv5 đã huấn luyện thông qua gói Python Ultralytics:

from ultralytics import YOLO

# Tải model YOLOv5s có hiệu suất cao
model = YOLO("yolov5su.pt")  # YOLOv5u: weight YOLOv5 không anchor dành cho package ultralytics

# Chạy suy luận trên một ảnh
results = model("https://ultralytics.com/images/zidane.jpg")

# Hiển thị các bounding box đã phát hiện
results[0].show()

Tính linh hoạt và ứng dụng thực tế#

EfficientDet chỉ là framework phát hiện đối tượng, điều này hạn chế khả năng ứng dụng trong các pipeline thị giác phức tạp. Ngược lại, YOLOv5 đã phát triển để hỗ trợ nhiều tác vụ thị giác máy tính. Các bản phát hành model hiện đại hỗ trợ phân đoạn đối tượng và phân loại ảnh chính xác, cho phép nhà phát triển hợp nhất stack machine learning.

Các trường hợp sử dụng phù hợp nhất#

  • EfficientDet: Phù hợp nhất cho xử lý ngoại tuyến, nghiên cứu học thuật và phân tích trên đám mây, nơi ưu tiên độ chính xác tối đa hơn độ trễ và có sẵn TPU cấp server hoặc GPU dung lượng bộ nhớ cao.
  • YOLOv5: Lựa chọn mạnh mẽ cho triển khai AI edge. Độ trễ thấp, dấu chân tham số nhỏ và độ chính xác cao khiến model phù hợp với phân tích bằng drone, tự động hóa bán lẻ thời gian thực và ứng dụng di động thông qua CoreML hoặc LiteRT.

Thế hệ tiếp theo: Nâng cấp lên YOLO26#

YOLOv5 vẫn là model tin cậy và được triển khai rộng rãi, nhưng lĩnh vực AI phát triển nhanh chóng. Đối với các nhóm bắt đầu dự án mới hoặc tìm kiếm hiệu năng hiện đại tốt nhất, Ultralytics đã giới thiệu YOLO26, ra mắt vào tháng 1 năm 2026.

YOLO26 cải thiện sự đánh đổi giữa tốc độ và độ chính xác bằng những thay đổi kiến trúc giúp triển khai dễ dàng hơn và inference nhanh hơn.

Những cải tiến chính của YOLO26#

  • Thiết kế end-to-end không cần NMS: Head end-to-end tùy chọn của YOLO26 (nms=False) loại bỏ bước hậu xử lý Non-Maximum Suppression (NMS). Điều này đơn giản hóa logic triển khai và giảm biến thiên độ trễ, hoàn thiện phương pháp được giới thiệu lần đầu trong YOLOv10.
  • Inference CPU nhanh hơn đến 43%: So với YOLO11n, YOLO26n nhanh hơn đến 43% trên CPU, phù hợp với điện toán edge và các thiết bị IoT công suất thấp hoạt động mà không có GPU chuyên dụng.
  • 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), phương pháp kết hợp SGD và Muon này đưa ý tưởng huấn luyện LLM vào thị giác máy tính, giúp hội tụ nhanh hơn và duy trì động lực huấn luyện ổn định.
  • ProgLoss + STAL: Hàm mất mát lũy tiến và chiến lược gán nhãn nhận biết đối tượng nhỏ giúp cải thiện đáng kể khả năng nhận dạng vật thể nhỏ, yếu tố quan trọng đối với ảnh chụp từ trên không và robot.
  • Loại bỏ DFL: Loại bỏ Distribution Focal Loss giúp đơn giản hóa head của model, cải thiện khả năng tương thích khi export sang phần cứng edge cũ hoặc có nhiều hạn chế.

Đối với các nhóm triển khai pipeline đa nhiệm, YOLO26 cũng bổ sung các nâng cấp riêng theo tác vụ, chẳng hạn như proto đa tỷ lệ cho phân đoạn và hàm loss góc chuyên biệt cho bounding box định hướng (OBB). Để tìm hiểu các lựa chọn hiện đại khác trong hệ sinh thái, bạn cũng có thể xem YOLO11 hoặc kiến trúc YOLOv8.

Kết luận#

Việc lựa chọn EfficientDet hay YOLOv5 phụ thuộc nhiều vào mục tiêu triển khai. EfficientDet cung cấp phương pháp mở rộng có cơ sở, phù hợp với inference chủ yếu trên cloud. Tuy nhiên, trải nghiệm phát triển, vòng lặp huấn luyện PyTorch nhanh và khả năng triển khai edge được tối ưu khiến YOLOv5 trở thành lựa chọn ưu tiên cho hầu hết ứng dụng thời gian thực trong thực tế; YOLO26 là điểm khởi đầu được khuyến nghị cho các dự án mới. Bằng cách tận dụng bộ công cụ toàn diện của Ultralytics, các nhóm có thể rút ngắn thời gian đưa sản phẩm ra thị trường và xây dựng hệ thống AI phản hồi nhanh.

Người đóng góp

Bình luận

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