Bắt đầu

EfficientDet và YOLOv6-3.0

Lựa chọn kiến trúc mạng neural phù hợp là nền tảng của mọi dự án thị giác máy tính thành công. Hướng dẫn này đưa ra so sánh kỹ thuật giữa hai model phát hiện đối tượng quan trọng: EfficientDet của Google và YOLOv6-3.0 của Meituan.

Cả hai kiến trúc đều là những bước tiến lớn khi ra mắt, nhưng AI đã tạo ra các giải pháp linh hoạt hơn, được tối ưu cho edge. Hướng dẫn này so sánh hiệu năng, phương pháp huấn luyện và chi tiết kiến trúc của EfficientDet với YOLOv6-3.0, đồng thời giải thích vì sao hiện nay nhiều nhà phát triển chọn các hệ sinh thái hiện đại như Ultralytics YOLO26 để triển khai.

EfficientDet: Kiến trúc AutoML có khả năng mở rộng#

Được phát triển bởi nhóm Google Brain, EfficientDet xây dựng trên backbone EfficientNet do AutoML thiết kế và kết hợp với mạng đặc trưng được mở rộng theo phương pháp compound scaling.

Các cải tiến kiến trúc#

Cải tiến cốt lõi của EfficientDet là BiFPN (Mạng kim tự tháp đặc trưng hai chiều). Khác với FPN truyền thống 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 dùng trọng số có thể học để nắm bắt mức độ quan trọng của các đặc trưng đầu vào khác nhau. Phương pháp này kết hợp với compound scaling, đồng thời mở rộng đồng đều độ phân giải, độ sâu và độ rộng của mạng.

Ưu điểm và nhược điểm#

EfficientDet đạt độ chính xác trung bình trung bình (mAP) cao so với số lượng tham số, nhờ đó có độ chính xác vượt trội vào thời điểm ra mắt. Tuy nhiên, model phụ thuộc nhiều vào môi trường TensorFlow cũ. Sự phụ thuộc này thường dẫn đến việc tinh chỉnh siêu tham số phức tạp, mức sử dụng bộ nhớ khi huấn luyện cao hơn và độ trễ inference trên phần cứng phổ thông chậm hơn so với detector một giai đoạn hiện đại dựa trên PyTorch.

Tìm hiểu thêm về EfficientDet

YOLOv6-3.0: Nhà vô địch về thông lượng công nghiệp#

Được thiết kế cho xử lý công nghiệp khối lượng lớn, YOLOv6-3.0 là mạng neural tích chập (CNN), được xây dựng từ đầu để tối đa hóa thông lượng trên các bộ tăng tốc phần cứng như GPU NVIDIA T4 và A100.

Các cải tiến kiến trúc#

YOLOv6-3.0 thay thế các module truyền thống bằng module Bi-directional Concatenation (BiC) trong neck nhằm giữ lại tín hiệu định vị chính xác. Model cũng áp dụng chiến lược Anchor-Aided Training (AAT). AAT tích hợp một nhánh phụ dựa trên anchor trong giai đoạn huấn luyện để bổ sung hướng dẫn gradient, sau đó loại bỏ nhánh này trong inference nhằm duy trì lợi thế tốc độ không cần anchor.

Ưu điểm và nhược điểm#

Được xây dựng trên backbone EfficientRep thân thiện với phần cứng, YOLOv6-3.0 hoạt động tốt trong các môi trường sản xuất công nghiệp tốc độ cao, nơi có thể xử lý batch trên GPU chuyên dụng. Tuy nhiên, thiết kế được tinh chỉnh cho thông lượng GPU, do đó lợi thế tốc độ có thể giảm trên thiết bị edge hoặc môi trường chỉ có CPU.

Tìm hiểu thêm về YOLOv6-3.0

So sánh hiệu năng#

Hiểu rõ chỉ số hiệu năng thô là điều cơ bản để chọn model phù hợp với các ràng buộc triển khai cụ thể. Bảng dưới đây phân tích độ chính xác, tốc độ và mức sử dụng tài nguyên tính toán.

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
YOLOv6-3.0n64037.5-1.174.711.4
YOLOv6-3.0s64045.0-2.6618.545.3
YOLOv6-3.0m64050.0-5.2834.985.8
YOLOv6-3.0l64052.8-8.9559.6150.7
Các yếu tố cần cân nhắc về phần cứng

YOLOv6-3.0 đạt tốc độ TensorRT rất cao trên GPU T4, nhưng nhà phát triển triển khai trên phần cứng edge hạn chế hoặc CPU sẽ hưởng lợi đáng kể từ các kiến trúc được thiết kế riêng cho môi trường tiêu thụ ít điện năng, chẳng hạn như Ultralytics YOLO26.

Trường hợp sử dụng và khuyến nghị#

Việc lựa chọn giữa EfficientDet và YOLOv6 phụ 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 YOLOv6#

YOLOv6 được khuyến nghị cho:

  • Triển khai tương thích với phần cứng công nghiệp: Các tình huống mà thiết kế nhận biết phần cứng và tái tham số hóa hiệu quả của model mang lại hiệu năng tối ưu trên phần cứng mục tiêu cụ thể.
  • Detection một giai đoạn tốc độ cao: Các ứng dụng ưu tiên tốc độ suy luận GPU thô để xử lý video thời gian thực trong môi trường được kiểm soát.
  • Tích hợp hệ sinh thái Meituan: Các nhóm đang làm việc trong ngăn xếp công nghệ và hạ tầng triển khai của Meituan.

Khi nào nên chọn Ultralytics (YOLO26)#

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

  • Triển khai biên không cần NMS: Dành cho các ứng dụng cần suy luận có độ trễ thấp và ổn định mà không phải xử lý sự phức tạp của bước hậu xử lý Non-Maximum Suppression (NMS).
  • 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 vật thể 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 vật thể rất nhỏ.

Lợi thế của Ultralytics: Vì sao chọn YOLO26#

Mặc dù EfficientDet và YOLOv6-3.0 là những cột mốc trong nghiên cứu thị giác máy tính, việc triển khai chúng trong môi trường sản xuất hiện đại thường đòi hỏi xử lý các phần phụ thuộc phức tạp, API thiếu đồng bộ và yêu cầu bộ nhớ cao. Hệ sinh thái Ultralytics giải quyết trực tiếp những nút thắt trong quy trình làm việc này.

Với nhà phát triển cần hiệu năng mạnh mẽ và dễ sử dụng, Ultralytics YOLO26 (ra mắt tháng 1 năm 2026) là bước tiến lớn. Đây là model được khuyến nghị cho các triển khai mới.

Các cải tiến của YOLO26#

  • Thiết kế end-to-end không cần NMS: YOLO26 hỗ trợ inference end-to-end gốc, loại bỏ nhu cầu hậu xử lý NMS khi chọn head one-to-one bằng nms=False. Cách này giảm biến thiên độ trễ và đơn giản hóa triển khai model trên nhiều loại phần cứng edge.
  • Optimizer MuSGD: Lấy cảm hứng từ quá trình huấn luyện LLM (như Kimi K2 của Moonshot AI), YOLO26 sử dụng tổ hợp SGD và Muon. Cách này đưa tính ổn định trong huấn luyện mô hình ngôn ngữ lớn vào thị giác máy tính, giúp hội tụ nhanh hơn và huấn luyện hiệu quả hơn.
  • Inference CPU nhanh hơn đến 43%: Được tối ưu cho điện toán edge và thiết bị công suất thấp, YOLO26 inference nhanh trên CPU, khắc phục khó khăn của các model công nghiệp truyền thống; YOLO26n nhanh hơn YOLO11n đến 43%.
  • Loại bỏ DFL: Distribution Focal Loss đã được loại bỏ để đơn giản hóa đồ thị export, cải thiện khả năng tương thích với các runtime triển khai như OpenVINO và CoreML.
  • ProgLoss + STAL: Hàm mất mát lũy tiến và phương pháp gán nhãn nhận biết đối tượng nhỏ mang lại cải thiện đáng kể trong nhận dạng vật thể nhỏ, giúp YOLO26 phù hợp với lập bản đồ bằng drone, cảm biến IoT và robot.

Tính linh hoạt#

Không giống EfficientDet chỉ giới hạn ở phát hiện bounding box, YOLO26 vốn hỗ trợ đa tác vụ. Cùng một Python API thống nhất hỗ trợ sẵn Phân đoạn đối tượng, Phân loại ảnh, Ước lượng tư thế và phát hiện Bounding Box định hướng (OBB), với các cải tiến theo tác vụ như Hàm mất mát phân đoạn ngữ nghĩa và Residual Log-Likelihood Estimation (RLE) được tích hợp trực tiếp vào kiến trúc.

Tích hợp mã#

Huấn luyện mạng neural tiên tiến không còn đòi hỏi hàng trăm dòng code mẫu. Thư viện Ultralytics cho phép nhà nghiên cứu tải, huấn luyện và xác thực model trên các dataset tiêu chuẩn như COCO chỉ với vài dòng:

from ultralytics import YOLO

# Initialize the natively end-to-end YOLO26 Nano model
model = YOLO("yolo26n.pt")

# Train the model efficiently with automatic hardware detection
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Validate the model's performance
metrics = model.val()
print(f"Achieved mAP50-95: {metrics.box.map:.3f}")

# Export directly to ONNX or TensorRT without NMS overhead
model.export(format="onnx", nms=False)

Các model khác cần cân nhắc#

Nếu dự án của bạn cần hỗ trợ các cấu hình phần cứng cũ hơn hoặc bạn đang duy trì một codebase cũ, hệ sinh thái Ultralytics rộng lớn hơn có thể đáp ứng nhu cầu của bạn.

  • Ultralytics YOLO11: Phiên bản tiền nhiệm trực tiếp của YOLO26, được sử dụng rộng rãi trong môi trường doanh nghiệp cần các pipeline hoàn thiện và có tài liệu đầy đủ.
  • Ultralytics YOLOv8: Model được áp dụng rộng rãi, thiết lập tiêu chuẩn cao về trải nghiệm phát triển và vẫn là lựa chọn tốt cho các tác vụ thị giác máy tính đa mục đích, tích hợp sâu với các công cụ như TensorBoard và Weights & Biases.
Người đóng góp

Bình luận

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