EfficientDet và YOLOv9#

Lĩnh vực computer vision được định hình bởi những đột phá liên tục trong thiết kế neural network. Khi lựa chọn model, việc tìm ra sự cân bằng phù hợp giữa hiệu quả tính toán và độ chính xác phát hiện là yếu tố then chốt. EfficientDet của Google thiết lập một nền tảng vững chắc vào năm 2019 với kiến trúc có khả năng mở rộng, trong khi YOLOv9, ra mắt năm 2024, mở rộng giới hạn của phát hiện đối tượng bằng Thông tin gradient có thể lập trình (PGI).

Hướng dẫn này đưa ra so sánh kỹ thuật toàn diện giữa hai model và giới thiệu framework Ultralytics YOLO26 hiện đại, cung cấp 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 nền tảng của EfficientDet và YOLOv9 là điều thiết yếu để xác định các trường hợp sử dụng tối ưu của hai model này.

EfficientDet: Mở rộng hợp thành và BiFPN#

Được Google Research phát triển, EfficientDet tập trung vào việc mở rộng quy mô có hệ thống và kết hợp feature hiệu quả. Model sử dụng EfficientNet làm backbone và giới thiệu một kiến trúc feature network 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 chủ yếu dựa vào Mạng kim tự tháp đặc trưng hai chiều (BiFPN), cho phép kết hợp feature đa tỷ lệ nhanh chóng và dễ dàng. Bên cạnh đó, model sử dụng phương pháp mở rộng đồng bộ, điều chỉnh đồng đều độ phân giải, độ sâu và chiều rộng của mạng. Dù có độ chính xác cao vào thời điểm ra mắt, EfficientDet vẫn phụ thuộc nhiều vào các môi trường TensorFlow cũ, khiến quy trình triển khai hiện đại trở nên phức tạp.

Tìm hiểu thêm về EfficientDet

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 sử dụng tham số. Dù có những cải tiến này, YOLOv9 vẫn cần đến Non-Maximum Suppression (NMS) trong quá trình hậu xử lý, làm tăng độ trễ.

Tìm hiểu thêm về YOLOv9

So sánh hiệu năng#

Khi đánh giá các model này, phân tích dữ liệu thực nghiệm giúp xác định kiến trúc nào mang lại sự cân bằng tốt nhất cho yêu cầu phần cứng cụ thể của bạn.

Phân tích chuyên sâu#

YOLOv9 tạo ra bước nhảy vọt thế hệ về tốc độ. Ví dụ, YOLOv9e đạt 55.6% mAP với độ trễ TensorRT là 16.77ms. Ngược lại, EfficientDet-d7 có mAP thấp hơn, ở mức 53.7%, nhưng chịu độ trễ rất lớn (128.07ms), khiến model cực kỳ khó triển khai cho các luồng video thời gian thực.

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 tích hợp sâu với API Google Cloud Vision hoặc hạ tầng TPU, nơi EfficientDet được tối ưu hóa nguyên bản.
• 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 đến sự kết hợp tốt nhất giữa hiệu năng và trải nghiệm dành cho nhà phát triển:

• 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 GPU tăng tốc chuyên dụng, nơi tốc độ CPU inference nhanh hơn đến 43% của YOLO26 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.

Ưu thế của Ultralytics: Chọn YOLO26#

Dù YOLOv9 và EfficientDet đã mở đường, các developer đang tìm kiếm một framework thực sự hiện đại, sẵn sàng cho môi trường production nên cân nhắc các model Ultralytics YOLO, đặc biệt là YOLO26 mới ra mắt.

Ultralytics Platform mang đến trải nghiệm dễ sử dụng vượt trội, kết hợp các script huấn luyện mạnh mẽ chạy cục bộ với giao diện hỗ trợ đám mây. YOLO26 cải tiến toàn diện thiết kế model, khiến các kiến trúc cũ không còn phù hợp với nhiều ứng dụng thương mại.

Điểm nổi bật kỹ thuật của YOLO26#

• Thiết kế end-to-end không cần NMS: Head end-to-end tùy chọn của YOLO26 (nms=False) loại bỏ các nút thắt cổ chai trong quá trình hậu xử lý. Việc loại bỏ Non-Maximum Suppression giúp thống nhất các đồ thị triển khai và tăng tốc độ tự nhiên trên các chip AI biên.
• Suy luận CPU nhanh hơn đến 43%: Được tối ưu mạnh mẽ cho thiết bị nhúng, YOLO26n chạy nhanh hơn đến 43% so với YOLO11n trên CPU ONNX khi không có GPU.
• Optimizer MuSGD: Tích hợp các cải tiến từ LLM vào AI thị giác, optimizer lai 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: Thiết kế hàm loss vượt trội giúp cải thiện đáng kể độ chính xác khi phát hiện vật thể nhỏ, khiến YOLO26 trở nên lý tưởng cho ảnh chụp từ trên không và mạng IoT.
• Loại bỏ DFL: Thiết kế cấu trúc được đơn giản hóa cho phép chuyển đổi dễ dàng sang các định dạng triển khai trên thiết bị di động.

Các lựa chọn mạnh mẽ khác trong hệ sinh thái Ultralytics gồm YOLO11 và YOLOv8, cũng hỗ trợ khả năng đa tác vụ 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. Việc huấn luyện một model tiên tiến nhất chỉ cần vài dòng Python.

from ultralytics import YOLO

# Initialize the state-of-the-art 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 chọn giữa các kiến trúc này phụ thuộc nhiều vào mục tiêu triển khai của bạn.

• Triển khai đám mây kiểu cũ: EfficientDet từng phổ biến trong các tác vụ xử lý batch ngoại tuyến trên đám mây, khi cần độ chính xác cao và không có ràng buộc nghiêm ngặt về thời gian thực.
• Nghiên cứu học thuật: YOLOv9 vẫn là lựa chọn đáng chú ý cho các nhà nghiên cứu muốn đẩy xa giới hạn lý thuyết của CNN và phân tích luồng gradient qua các lớp mạng.
• Điện toán biên và IoT: YOLO26 chiếm ưu thế trong các ứng dụng thực tế. Pipeline không cần NMS và khả năng xử lý hộp giới hạn có định hướng (OBB) khiến model trở thành lựa chọn vượt trội cho phân tích giao thông đô thị thông minh, giám sát hàng tồn kho bán lẻ và kiểm tra bằng drone, mang lại sự cân bằng khó vượt qua giữa độ chính xác cao và tốc độ suy luận nhanh.