Bắt đầu

PP-YOLOE+ vs DAMO-YOLO

Nghiên cứu thị giác máy tính đã tạo ra nhiều kiến trúc chuyên biệt cho phát hiện vật thể thời gian thực. Khi đánh giá model cho các ứng dụng công nghiệp và nghiên cứu, hai framework nổi bật ra mắt năm 2022 thường được nhắc đến: PP-YOLOE+ của Baidu và DAMO-YOLO của Alibaba Group. Cả hai model đều thúc đẩy phát hiện không anchor bằng cách giới thiệu backbone mới, chiến lược gán nhãn cải tiến và kỹ thuật hợp nhất đặc trưng chuyên biệt.

Hướng dẫn này phân tích kỹ thuật PP-YOLOE+ và DAMO-YOLO, bao gồm kiến trúc, phương pháp huấn luyện và ưu điểm khi triển khai. Hướng dẫn cũng xem xét cách các framework này so sánh với những giải pháp hiện đại như Ultralytics YOLO26, giúp bạn chọn công cụ phù hợp với các ràng buộc triển khai cụ thể.

PP-YOLOE+: Phát hiện đối tượng công nghiệp được cải tiến#

Được phát triển trong hệ sinh thái Baidu, PP-YOLOE+ là phiên bản cải tiến theo hướng lặp của PP-YOLOE gốc, được tối ưu mạnh cho framework deep learning PaddlePaddle. Model được thiết kế để tối đa hóa độ chính xác và tốc độ suy luận trên phần cứng cấp máy chủ, phù hợp với các ứng dụng kiểm định công nghiệp và bán lẻ thông minh.

Các cải tiến kiến trúc#

PP-YOLOE+ giới thiệu một số cải tiến kiến trúc nhằm nâng cấp các detector không cần anchor thế hệ trước:

  • Backbone CSPRepResNet: Backbone này sử dụng kiến trúc kiểu RepVGG kết hợp với các kết nối Cross Stage Partial (CSP), tạo nên sự cân bằng tốt giữa khả năng trích xuất đặc trưng và độ trễ suy luận.
  • Task Alignment Learning (TAL): PP-YOLOE+ sử dụng chiến lược gán nhãn động, căn chỉnh tác vụ phân loại và hồi quy trong quá trình huấn luyện, qua đó thu hẹp khoảng cách giữa hiệu năng huấn luyện và suy luận.
  • Đầu phát hiện căn chỉnh tác vụ hiệu quả (ET-head): Đầu phát hiện được tinh gọn, thiết kế để xử lý đặc trưng nhanh chóng mà không làm giảm độ phân giải không gian, giúp duy trì các chỉ số mAP ở mức cao.

Thông tin chi tiết về PP-YOLOE+:

Tìm hiểu thêm về PP-YOLOE+

DAMO-YOLO: Tìm kiếm kiến trúc mạng trên thiết bị edge#

Được tạo ra bởi Alibaba DAMO Academy, DAMO-YOLO áp dụng một phương pháp hoàn toàn khác. Thay vì thiết kế backbone thủ công, nhóm nghiên cứu sử dụng Neural Architecture Search (NAS) để tìm ra các cấu trúc mạng hiệu quả, phù hợp với những ràng buộc độ trễ nghiêm ngặt.

Các tính năng chính và pipeline huấn luyện#

DAMO-YOLO chú trọng độ trễ thấp và độ chính xác cao thông qua phương pháp tự động hóa, sử dụng nhiều kỹ thuật distillation:

  • Backbone MAE-NAS: DAMO-YOLO sử dụng tìm kiếm kiến trúc mạng dựa trên entropy cực đại để xây dựng backbone được tối ưu riêng cho sự đánh đổi giữa số lượng tham số và độ chính xác.
  • RepGFPN hiệu quả: Mạng kim tự tháp đặc trưng tổng quát được tái tham số hóa cho phép hợp nhất đặc trưng đa tỷ lệ mạnh mẽ, giúp model phát hiện các vật thể có kích thước rất khác nhau trong cùng một khung hình.
  • Thiết kế ZeroHead: Đầu phát hiện đơn giản hóa, giúp giảm đáng kể chi phí tính toán trong quá trình suy luận.
  • Cải tiến bằng distillation: Để nâng cao hiệu năng của các biến thể nhỏ hơn, DAMO-YOLO phụ thuộc nhiều vào quy trình knowledge distillation phức tạp, trong đó một model teacher lớn hơn hướng dẫn model student.

Thông tin về DAMO-YOLO:

Tìm hiểu thêm về DAMO-YOLO

Phụ thuộc vào framework

PP-YOLOE+ và DAMO-YOLO đều có những cải tiến lý thuyết vững chắc, nhưng gắn chặt với framework tương ứng (PaddlePaddle và các môi trường Alibaba cụ thể). Điều này có thể gây trở ngại khi chuyển các model sang triển khai cloud hoặc edge theo tiêu chuẩn.

Phân tích hiệu năng#

Khi đánh giá các model này, sự đánh đổi giữa độ trễ, độ phức tạp tính toán (FLOPs) và độ chính xác trung bình (mAP) quyết định môi trường triển khai phù hợp nhất.

Modelkích thước
(pixel)
mAPval50-95Tốc độ
CPU ONNX
(ms)
Tốc độ
T4 TensorRT10
(ms)
params
(M)
FLOPs
(B)
PP-YOLOE+t64039.9-2.844.8519.15
PP-YOLOE+s64043.7-2.627.9317.36
PP-YOLOE+m64049.8-5.5623.4349.91
PP-YOLOE+l64052.9-8.3652.2110.07
PP-YOLOE+x64054.7-14.398.42206.59
DAMO-YOLOt64042.0-2.328.518.1
DAMO-YOLOs64046.0-3.4516.337.8
DAMO-YOLOm64049.2-5.0928.261.8
DAMO-YOLOl64050.8-7.1842.197.3

DAMO-YOLOt có độ trễ TensorRT thấp hơn PP-YOLOE+t, còn DAMO-YOLO chính xác hơn ở các kích thước cực nhỏ và nhỏ, nhờ đó có tính cạnh tranh cao với luồng video thông lượng lớn. Tuy nhiên, PP-YOLOE+ mở rộng hiệu quả đến biến thể cực lớn (x), đạt độ chính xác hàng đầu trên ảnh phức tạp, nơi thời gian suy luận không phải ưu tiên hàng đầu.

Lợi thế Ultralytics: Vượt xa kiến trúc năm 2022#

Dù PP-YOLOE+ và DAMO-YOLO là những cột mốc quan trọng, quá trình phát triển hiện đại đòi hỏi tính linh hoạt cao hơn, pipeline huấn luyện đơn giản hơn và nhu cầu bộ nhớ thấp hơn. Nền tảng Ultralytics đáp ứng những nhu cầu này bằng trải nghiệm tinh gọn, tránh các thiết lập distillation phức tạp và phụ thuộc framework vốn cần thiết với model cũ.

Với nhà phát triển đang tìm kiếm sự cân bằng hiệu năng tốt nhất hiện nay, Ultralytics YOLO26 là bước tiến lớn về hiệu quả triển khai trong thực tế.

Vì sao YOLO26 dẫn đầu ngành#

Ra mắt vào tháng 1 năm 2026, YOLO26 kế thừa YOLO11 và bổ sung nhiều tính năng dành cho production:

  • Thiết kế đầu-cuối không cần NMS: YOLO26 có thể hoàn toàn bỏ qua bước hậu xử lý Non-Maximum Suppression (NMS) nhờ đầu one-to-one (nms=False) tùy chọn. Nhờ đó, logic triển khai đơn giản hơn và độ trễ suy luận ổn định, dễ dự đoán.
  • Optimizer MuSGD: Lấy cảm hứng từ các kỹ thuật huấn luyện mô hình ngôn ngữ lớn, YOLO26 sử dụng optimizer MuSGD lai để huấn luyện ổn định và hội tụ nhanh, tiết kiệm thời gian chạy GPU.
  • Suy luận CPU nhanh hơn: Bằng cách loại bỏ Distribution Focal Loss (DFL) và tối ưu đồ thị mạng, YOLO26n đạt tốc độ suy luận CPU nhanh hơn YOLO11n đến 43%, phù hợp với thiết bị AI biên.
  • ProgLoss + STAL: Hàm loss tiến triển và chiến lược gán nhãn nhận biết mục tiêu nhỏ giúp cải thiện đáng kể khả năng nhận diện vật thể nhỏ, yếu tố thiết yếu cho hoạt động drone và viễn thám.
  • Linh hoạt đa tác vụ: Khác với PP-YOLOE+ vốn chỉ tập trung vào phát hiện, YOLO26 hỗ trợ sẵn phân đoạn đối tượng, phân loại ảnh, ước tính tư thế và hộp giới hạn định hướng (OBB).

Tính dễ sử dụng và hiệu quả huấn luyện#

Huấn luyện model DAMO-YOLO đòi hỏi quản lý pipeline distillation teacher-student cồng kềnh. Ngược lại, để huấn luyện model Ultralytics chỉ cần vài dòng Python, với mức sử dụng bộ nhớ CUDA tối thiểu so với các kiến trúc cạnh tranh.

from ultralytics import YOLO

# Khởi tạo model YOLO26
model = YOLO("yolo26n.pt")

# Huấn luyện model bằng optimizer MuSGD
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, optimizer="MuSGD")

# Chạy suy luận end-to-end không cần NMS
results = model("https://ultralytics.com/images/bus.jpg", nms=False)

# Xuất sang ONNX hoặc TensorRT
model.export(format="onnx")

Trường hợp sử dụng và khuyến nghị lý tưởng#

Việc chọn kiến trúc thị giác máy tính phù hợp phụ thuộc nhiều vào khả năng tích hợp với hệ sinh thái của nhóm và mục tiêu triển khai.

  • Chọn PP-YOLOE+ nếu toàn bộ pipeline của bạn được tích hợp sâu vào hệ sinh thái PaddlePaddle của Baidu. Đây vẫn là lựa chọn phù hợp để phân tích ảnh tĩnh trên máy chủ mạnh, khi ưu tiên hàng đầu là tối đa hóa độ chính xác.
  • Chọn DAMO-YOLO nếu bạn đang nghiên cứu chuyên sâu các thuật toán Neural Architecture Search hoặc có đủ nguồn lực kỹ thuật để duy trì pipeline distillation phức tạp nhằm đạt mục tiêu độ trễ TensorRT đầy tham vọng.
  • Chọn Ultralytics YOLO26 cho hầu hết các kịch bản production hiện đại. Hệ sinh thái Ultralytics cung cấp tài liệu phong phú, nhu cầu bộ nhớ thấp hơn và API tinh gọn. Dù đang xây dựng hệ thống kiểm soát chất lượng tự động hay chạy theo dõi thời gian thực trên Raspberry Pi, kiến trúc không cần NMS của YOLO26 đều mang lại kết quả nhanh, ổn định và chính xác ngay khi sử dụng.

Với nhà phát triển đang tìm hiểu các giải pháp khác, tài liệu Ultralytics cũng có nhiều tài nguyên về YOLOv8 được sử dụng rộng rãi và YOLO11 mạnh mẽ, giúp bạn chọn model phù hợp cho mọi bài toán thị giác máy tính.

Người đóng góp

Bình luận

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