EfficientDet và YOLOv9
Computer vision đã phát triển nhờ những tiến bộ liên tục trong thiết kế neural network. Khi lựa chọn model, việc tìm ra điểm cân bằng phù hợp giữa hiệu quả tính toán và độ chính xác phát hiện là rất quan trọng. EfficientDet của Google thiết lập nền tảng vững chắc vào năm 2019 với kiến trúc có thể mở rộng, còn YOLOv9, ra mắt năm 2024, cải tiến phát hiện đối tượng bằng Thông tin gradient có thể lập trình (PGI).
Hướng dẫn này đưa ra so sánh kỹ thuật giữa hai model và giới thiệu Ultralytics YOLO26, giải pháp end-to-end mạnh mẽ được tối ưu hóa cho môi trường production.
Kiến trúc model và các cải tiến#
Hiểu rõ cơ chế cốt lõi của EfficientDet và YOLOv9 là điều thiết yếu để xác định các trường hợp sử dụng phù hợp nhất.
EfficientDet: Mở rộng hợp thành và BiFPN#
Được phát triển bởi Google Research, EfficientDet tập trung vào scaling có hệ thống và hợp nhất đặc trưng hiệu quả. Model sử dụng EfficientNet làm backbone và giới thiệu kiến trúc mạng đặc trưng mới.
- Tác giả: Mingxing Tan, Ruoming Pang và Quoc V. Le
- Tổ chức: Google
- Ngày: 20 tháng 11 năm 2019
- Liên kết: arXiv, GitHub
Các đặc điểm kiến trúc chính: EfficientDet phụ thuộc nhiều vào Mạng kim tự tháp đặc trưng hai chiều (BiFPN), cho phép hợp nhất đặc trưng đa tỷ lệ nhanh chóng. Bên cạnh đó, model sử dụng phương pháp compound scaling để thay đổi đồng đều độ phân giải, độ sâu và độ rộng của mạng. Dù có độ chính xác cao vào thời điểm ra mắt, EfficientDet phụ thuộc chặt chẽ vào môi trường TensorFlow cũ, khiến pipeline triển khai hiện đại trở nên phức tạp.
YOLOv9: Giải quyết nút thắt thông tin#
Được các nhà nghiên cứu tại Academia Sinica phát triển, YOLOv9 giải quyết vấn đề suy giảm thông tin khi dữ liệu truyền qua các mạng neural sâu.
- Tác giả: Chien-Yao Wang và Hong-Yuan Mark Liao
- Tổ chức: Viện Khoa học Thông tin, Academia Sinica
- Ngày: 21 tháng 2, 2024
- Liên kết: arXiv, GitHub, Tài liệu
Các đặc điểm kiến trúc chính: YOLOv9 giới thiệu Thông tin gradient có thể lập trình (PGI) để cung cấp giám sát phụ trợ, đảm bảo dữ liệu quan trọng được giữ lại nhằm cập nhật trọng số mạng một cách đáng tin cậy. Model cũng có Mạng tổng hợp lớp hiệu quả tổng quát (GELAN) để tối đa hóa hiệu quả tham số. Dù có những cải tiến này, YOLOv9 vẫn cần Non-Maximum Suppression (NMS) trong bước hậu xử lý, làm tăng độ trễ.
So sánh hiệu năng#
Khi đánh giá các model này, phân tích chỉ số hiệu năng thực nghiệm giúp xác định kiến trúc nào mang lại sự đánh đổi phù hợp nhất với phần cứng của bạn.
| 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 |
| YOLOv9t | 640 | 38.3 | - | 2.3 | 2.0 | 7.7 |
| YOLOv9s | 640 | 46.8 | - | 3.54 | 7.2 | 26.7 |
| YOLOv9m | 640 | 51.4 | - | 6.43 | 20.1 | 76.8 |
| YOLOv9c | 640 | 53.0 | - | 7.16 | 25.5 | 102.8 |
| YOLOv9e | 640 | 55.6 | - | 16.77 | 58.1 | 192.5 |
Phân tích chuyên sâu#
YOLOv9 nhanh hơn đáng kể ở mức độ chính xác tương đương. Chẳng hạn, YOLOv9e đạt 55.6% mAP với độ trễ TensorRT 16.77ms. EfficientDet-d7 có mAP thấp hơn, ở mức 53.7%, nhưng độ trễ cao hơn nhiều (128.07ms), khiến việc triển khai model cho luồng video thời gian thực trở nên khó khăn.
Trường hợp sử dụng và khuyến nghị#
Việc chọn EfficientDet hay YOLOv9 phụ thuộc vào yêu cầu cụ thể của dự án, các ràng buộc 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 YOLOv9#
YOLOv9 được khuyến nghị cho:
- Nghiên cứu về nút thắt thông tin: Các dự án học thuật nghiên cứu kiến trúc Programmable Gradient Information (PGI) và Generalized Efficient Layer Aggregation Network (GELAN).
- Nghiên cứu tối ưu hóa luồng gradient: Các nghiên cứu tập trung vào việc tìm hiểu và giảm thiểu mất mát thông tin trong các lớp mạng sâu khi huấn luyện.
- Đánh giá hiệu năng phát hiện độ chính xác cao: Các tình huống cần hiệu năng mạnh của YOLOv9 trên benchmark COCO làm mốc tham chiếu để so sánh kiến trúc.
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 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 tăng tốc GPU chuyên dụng, nơi khả năng inference CPU nhanh hơn YOLO11n đến 43% của YOLO26n tạo ra 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.
Ưu thế của Ultralytics: Chọn YOLO26#
YOLOv9 và EfficientDet đã mở đường cho các bước tiến tiếp theo, nhưng developer tìm kiếm framework hiện đại, sẵn sàng cho production nên cân nhắc các model Ultralytics YOLO, đặc biệt là YOLO26 vừa ra mắt.
Ultralytics Platform được thiết kế để dễ sử dụng, kết hợp script huấn luyện cục bộ với giao diện hỗ trợ cloud. YOLO26 là bản thiết kế lại đáng kể, vượt trội hơn các kiến trúc cũ trong nhiều ứng dụng thương mại.
Điểm nổi bật kỹ thuật của YOLO26#
- Thiết kế end-to-end không cần NMS: Đầu end-to-end tùy chọn (
nms=False) của YOLO26 loại bỏ các nút thắt cổ chai trong hậu xử lý. Việc bỏ NMS giúp thống nhất đồ thị triển khai và tăng tốc trên chip AI biên. - Suy luận CPU nhanh hơn tới 43%: Được tối ưu cho thiết bị nhúng, YOLO26n chạy nhanh hơn YOLO11n tới 43% trên CPU ONNX khi không có GPU.
- Optimizer MuSGD: Đưa các kỹ thuật huấn luyện LLM vào AI thị giác, optimizer kết hợp này giúp ổn định quá trình huấn luyện, cho phép model hội tụ nhanh hơn với ít tài nguyên hơn.
- Yêu cầu bộ nhớ thấp: Khác với các kiến trúc nặng về Transformer hoặc CNN chưa được tối ưu, YOLO26 giảm thiểu mức sử dụng bộ nhớ CUDA trong quá trình huấn luyện, cho phép dùng batch size lớn hơn trên phần cứng phổ thông.
- ProgLoss + STAL: Progressive Loss và phương pháp gán nhãn nhận biết đối tượng nhỏ cải thiện đáng kể độ chính xác khi phát hiện đối tượng nhỏ, khiến YOLO26 phù hợp với ảnh chụp từ trên không và mạng IoT.
- Loại bỏ DFL: Thiết kế cấu trúc đơn giản hóa giúp chuyển đổi thuận lợi sang các định dạng triển khai trên thiết bị di động.
Các lựa chọn khác trong hệ sinh thái Ultralytics gồm YOLO11 và YOLOv8, cũng hỗ trợ đa nhiệm linh hoạt như phân đoạn instance và ước lượng tư thế.
Đơn giản hóa huấn luyện với Python SDK#
Các model Ultralytics ưu tiên trải nghiệm developer. Bạn chỉ cần vài dòng Python để huấn luyện model.
from ultralytics import YOLO
# Initialize the YOLO26 model
model = YOLO("yolo26n.pt")
# Train with optimized memory usage and built-in augmentations
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Validate the model's performance easily
metrics = model.val()
print(f"Validation mAP: {metrics.box.map}")Ứng dụng thực tế#
Việc lựa chọn giữa các kiến trúc này phụ thuộc nhiều vào mục tiêu triển khai của bạn.
- Triển khai cloud hệ thống cũ: EfficientDet từng phổ biến trong xử lý batch ngoại tuyến trên cloud, khi cần độ chính xác cao và không bị ràng buộc nghiêm ngặt về thời gian thực.
- Nghiên cứu học thuật: YOLOv9 vẫn là lựa chọn đáng quan tâm cho các nhà nghiên cứu tìm hiểu giới hạn của thiết kế CNN và phân tích luồng gradient qua các lớp mạng.
- Điện toán biên và IoT: YOLO26 phù hợp với các ứng dụng biên thực tế. Pipeline không cần NMS cùng khả năng hộp giới hạn định hướng (OBB) khiến model trở thành lựa chọn phù hợp cho phân tích giao thông thành phố thông minh, giám sát hàng tồn kho bán lẻ và kiểm tra bằng drone, với sự cân bằng tốt giữa độ chính xác cao và tốc độ suy luận nhanh.
Bình luận
Đặt câu hỏi, chia sẻ kết quả hoặc giúp đỡ người khác.