Bắt đầu

EfficientDet và YOLOX

Khi thiết kế pipeline thị giác máy tính hiện đại, việc chọn đúng model là quyết định quan trọng, ảnh hưởng đến cả độ chính xác lẫn khả năng xử lý thời gian thực. Hướng dẫn kỹ thuật này so sánh hai kiến trúc phát hiện đối tượng quan trọng: EfficientDet của Google và YOLOX của Megvii. Hướng dẫn phân tích các phương pháp kiến trúc, đánh giá hiệu năng benchmark và giải thích cách chúng so sánh với Ultralytics YOLO26 mới ra mắt.

Tổng quan về EfficientDet#

Được nhóm Google Brain giới thiệu, EfficientDet tiên phong với phương pháp mở rộng quy mô model có cấu trúc, cho thấy có thể đạt độ chính xác cao với số tham số ít hơn đáng kể so với các mạng đương thời có số lượng tham số lớn.

Thông tin chi tiết về EfficientDet:

Điểm nổi bật về kiến trúc#

EfficientDet được xây dựng trên backbone EfficientNet, áp dụng phương pháp compound scaling để mở rộng đồng đều độ phân giải, độ sâu và độ rộng của mạng. Đặc điểm nổi bật của model là Bi-directional Feature Pyramid Network (BiFPN), cho phép hợp nhất đặc trưng đa tỷ lệ nhanh chóng và hiệu quả. Bằng cách sử dụng trọng số có thể học cho các đặc trưng đầu vào khác nhau, BiFPN đảm bảo mạng ưu tiên dữ liệu không gian quan trọng hơn.

Mặc dù FLOPs trên lý thuyết của EfficientDet rất thấp, việc phụ thuộc vào hệ sinh thái TensorFlow và các cấu hình AutoML cũ có thể khiến việc tích hợp model vào quy trình PyTorch hiện đại, phát triển nhanh trở nên cồng kềnh. So với các biến thể YOLO hiện đại, mạng đa nhánh phức tạp của model cũng có thể khiến mức tiêu thụ bộ nhớ khi huấn luyện cao hơn dự kiến.

Tìm hiểu thêm về EfficientDet

Tổng quan về YOLOX#

Ra mắt hai năm sau đó, YOLOX hướng đến thu hẹp khoảng cách giữa nghiên cứu học thuật và triển khai công nghiệp bằng cách chuyển đổi kiến trúc YOLO truyền thống thành framework không anchor.

Thông tin YOLOX:

Điểm nổi bật về kiến trúc#

YOLOX đã đơn giản hóa đáng kể thiết kế phát hiện đối tượng. Bằng cách chuyển sang thiết kế không cần anchor, YOLOX loại bỏ nhu cầu tinh chỉnh anchor box phức tạp, riêng cho từng dataset, qua đó giảm phần việc dựa trên heuristic. Model cũng tích hợp head tách biệt, phân chia tác vụ phân loại và định vị, giúp cải thiện đáng kể tốc độ hội tụ. Chiến lược gán nhãn SimOTA tối ưu hóa việc phân bổ mẫu dương một cách linh hoạt trong quá trình huấn luyện.

Dù có những tiến bộ này, việc thiết lập repository YOLOX có thể đòi hỏi biên dịch các phần mở rộng C++ và quản lý các dependency phức tạp, cản trở triển khai model nhanh chóng đối với các nhóm ít kinh nghiệm.

Tìm hiểu thêm về YOLOX

So sánh hiệu năng#

Khi đánh giá model cho production, việc cân bằng độ chính xác trung bình (mAP) với tốc độ suy luận là tối quan trọng. Bảng dưới đây so sánh trực tiếp các họ EfficientDet và YOLOX theo các benchmark COCO tiêu chuẩn.

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
YOLOXnano41625.8--0.911.08
YOLOXtiny41632.8--5.066.45
YOLOXs64040.5-2.569.026.8
YOLOXm64046.9-5.4325.373.8
YOLOXl64049.7-9.0454.2155.6
YOLOXx64051.1-16.199.1281.9
Nhận định về hiệu năng

Trong khi EfficientDet đạt độ chính xác cao trên các biến thể d7 lớn hơn, YOLOX có độ trễ thấp hơn nhiều trên phần cứng GPU (thông qua TensorRT), nên phù hợp hơn với các ứng dụng FPS cao như xe tự hành hoặc theo dõi thể thao.

Trường hợp sử dụng và khuyến nghị#

Việc chọn giữa EfficientDet và YOLOX phụ thuộc vào yêu cầu cụ thể của dự án, giới hạn triển khai và sở thích về hệ sinh thái.

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 YOLOX#

YOLOX được khuyến nghị cho:

  • Nghiên cứu phát hiện không anchor: Nghiên cứu học thuật sử dụng kiến trúc không anchor rõ ràng của YOLOX làm baseline để thử nghiệm các head phát hiện hoặc hàm loss mới.
  • Thiết bị biên siêu nhẹ: Triển khai trên phần cứng nhúng công suất thấp hoặc thiết bị di động đời cũ, nơi kích thước cực nhỏ của biến thể YOLOX-Nano (0.91M tham số) là yếu tố then chốt.
  • Nghiên cứu gán nhãn SimOTA: Các dự án nghiên cứu tìm hiểu chiến lược gán nhãn dựa trên vận tải tối ưu và ảnh hưởng của chúng đến quá trình hội tụ khi huấn luyện.

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 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.

Ưu thế của Ultralytics: Giới thiệu YOLO26#

Mặc dù EfficientDet và YOLOX là những bước tiến đáng kể trong thời đại của mình, thị giác máy tính hiện đại đòi hỏi tính linh hoạt cao hơn, quy trình tinh gọn hơn và tốc độ cao. Với các nhà phát triển ưu tiên tính dễ sử dụng, yêu cầu bộ nhớ thấp hơn và hệ sinh thái được duy trì tốt, bản nâng cấp được khuyến nghị là Ultralytics YOLO26, ra mắt vào tháng 1 năm 2026.

YOLO26 là bước tiến lớn trong dòng YOLO, giải quyết những hạn chế có trong các model cũ như YOLOX và EfficientDet:

  • Thiết kế end-to-end không cần NMS: Khác với EfficientDet và YOLOX, vốn cần triệt tiêu không cực đại (NMS) tốn kém trong khâu hậu xử lý, YOLO26 hỗ trợ suy luận end-to-end tích hợp sẵn thông qua head dự đoán một-một tùy chọn (nms=False). Điều này loại bỏ các nút thắt độ trễ do NMS và đơn giản hóa việc triển khai trên edge.
  • Suy luận trên CPU nhanh hơn tới 43%: Nhờ tinh chỉnh kiến trúc và loại bỏ DFL (Distribution Focal Loss), YOLO26 được tối ưu cho môi trường không có GPU chuyên dụng; YOLO26n nhanh hơn tới 43% trên CPU so với YOLO11n và hoạt động hiệu quả trên phần cứng AI trên edge như Raspberry Pi.
  • Bộ tối ưu MuSGD: Lấy cảm hứng từ các đổi mới trong huấn luyện LLM (như Kimi K2 của Moonshot AI), YOLO26 sử dụng phương pháp kết hợp SGD và Muon. Phương pháp này giúp huấn luyện ổn định và hội tụ nhanh hơn so với các thiết lập huấn luyện cũ.
  • ProgLoss + STAL: Progressive Loss và phương pháp gán nhãn có xét đến đối tượng nhỏ mang lại cải thiện đáng kể về khả năng nhận diện vật thể nhỏ, vốn là điểm yếu lâu nay của cả YOLOX và EfficientDet. Đây là yếu tố quan trọng đối với phân tích dữ liệu drone và IoT.
  • Tính linh hoạt đa tác vụ: Trong khi EfficientDet và YOLOX chỉ là các detector bounding box, YOLO26 hỗ trợ trực tiếp Phân đoạn instance, Ước lượng tư thế (bằng Residual Log-Likelihood Estimation) và Bounding box định hướng (OBB).

Trải nghiệm người dùng tinh gọn và hiệu quả huấn luyện#

Một trong những trở ngại lớn nhất khi sử dụng các model như YOLOX là thiết lập môi trường huấn luyện. Với Ultralytics Python API hợp nhất, việc huấn luyện model chỉ cần vài dòng mã. Model YOLO cũng có data loader được tối ưu và kiến trúc tinh gọn, nhờ đó sử dụng ít bộ nhớ CUDA hơn đáng kể so với các model nặng về Transformer hoặc mạng đa nhánh cũ.

from ultralytics import YOLO

# Tải model YOLO26n (có thể suy luận không cần NMS với nms=False)
model = YOLO("yolo26n.pt")

# Huấn luyện model trên dataset tùy chỉnh của bạn
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Xuất model sang ONNX hoặc OpenVINO để triển khai trên thiết bị biên
model.export(format="openvino")

Kết luận: Lựa chọn phù hợp#

Nếu đang duy trì một hệ thống cũ gắn chặt với hệ sinh thái TensorFlow, EfficientDet vẫn là lựa chọn ổn định, đặc biệt khi các biến thể được mở rộng theo compound scaling đã tích hợp sẵn. Nếu cần tốc độ thuần cao trên các codebase không dùng anchor hiện có, YOLOX là detector nhanh và đáng tin cậy.

Tuy nhiên, với các dự án mới đưa vào production, lựa chọn được khuyến nghị là Ultralytics YOLO26 (hoặc YOLO11 ổn định cho các môi trường triển khai doanh nghiệp hiện có). Nhờ cung cấp suy luận end-to-end không cần NMS tùy chọn, tốc độ CPU nhanh hơn và pipeline triển khai đơn giản qua các định dạng như OpenVINO và TensorRT, YOLO26 giúp các ứng dụng thị giác máy tính duy trì độ chính xác, tính cập nhật và dễ bảo trì.

Người đóng góp

Bình luận

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