PP-YOLOE+ và EfficientDet#
Lựa chọn kiến trúc phù hợp là bước quan trọng để xây dựng ứng dụng thị giác máy tính mạnh mẽ. Hướng dẫn kỹ thuật này phân tích sự đánh đổi giữa hai model object detection nổi tiếng: PP-YOLOE+ và EfficientDet. Chúng ta sẽ phân tích kiến trúc, đánh giá chỉ số hiệu năng và tìm hiểu các kịch bản triển khai phù hợp nhất.
Mặc dù cả hai model đều đóng góp đáng kể cho lĩnh vực này, chúng ta cũng sẽ thảo luận cách các lựa chọn thay thế hiện đại như Ultralytics YOLO26 mang lại hiệu quả sử dụng bộ nhớ vượt trội, inference nhanh hơn và trải nghiệm developer tinh gọn hơn nhiều.
Tổng quan kiến trúc: PP-YOLOE+#
PP-YOLOE+ là phiên bản phát triển từ PP-YOLO nguyên bản, được xây dựng chuyên biệt để tối ưu hiệu năng trên GPU phía server trong hệ sinh thái PaddlePaddle. Model này bổ sung một số cải tiến cho kiến trúc cơ sở, tập trung vào phương pháp anchor-free.
- Tác giả: Nhóm tác giả PaddlePaddle
- Tổ chức: Baidu
- Ngày: 2022-04-02
- Arxiv: 2203.16250
- Tài liệu: README PaddleDetection
PP-YOLOE+ có backbone CSPRepResNet, head Efficient Task-aligned (ET-head) và chủ yếu dựa vào varifocal loss cho phân loại cùng distribution focal loss cho hồi quy bounding box. Việc chuyển sang thiết kế detector anchor-free giúp tinh gọn pipeline hậu xử lý, khiến model có tính cạnh tranh cao vào thời điểm ra mắt.
Các nhóm đã đầu tư sâu vào framework PaddlePaddle của Baidu thường nhận thấy PP-YOLOE+ dễ áp dụng hơn cho các tác vụ như phân đoạn instance, dù model này không hỗ trợ đa framework rộng rãi như các công cụ mới hơn.
Tổng quan kiến trúc: EfficientDet#
EfficientDet áp dụng một phương pháp hoàn toàn khác cho object detection, chủ yếu dựa vào tìm kiếm kiến trúc neural và nguyên tắc mở rộng kết hợp.
- Tác giả: Mingxing Tan, Ruoming Pang và Quoc V. Le
- Tổ chức: Google
- Ngày: 2019-11-20
- Arxiv: 1911.09070
- Tài liệu: README Brain AutoML
Nền tảng cốt lõi của EfficientDet là Mạng kim tự tháp đặc trưng hai chiều (BiFPN). Khác với FPN truyền thống, BiFPN giúp hợp nhất đặc trưng đa tỷ lệ dễ dàng và nhanh chóng bằng cách thêm các trọng số có thể học để xác định tầm quan trọng của từng đặc trưng đầu vào. Kết hợp với backbone EfficientNet, EfficientDet mở rộng đồng thời chiều rộng, chiều sâu và độ phân giải của mạng một cách có hệ thống.
Mặc dù có hiệu quả lý thuyết rất cao xét theo FLOPs, đôi khi các model EfficientDet khó chuyển hiệu quả lý thuyết thành tốc độ thực tế trên thiết bị edge do mẫu truy cập bộ nhớ phức tạp, trái ngược rõ rệt với yêu cầu bộ nhớ thấp hơn của các model YOLO.
Phân tích hiệu năng và benchmark#
Bảng dưới đây so sánh các chỉ số chính trên những dataset tiêu chuẩn như COCO. So sánh độ chính xác trung bình trung bình (mAP) với tốc độ inference giúp thể hiện rõ đường biên Pareto.
| Model | kích thước (pixel) | mAPval 50-95 | Tốc độ CPU ONNX (ms) | Tốc độ T4 TensorRT10 (ms) | params (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| PP-YOLOE+t | 640 | 39.9 | - | 2.84 | 4.85 | 19.15 |
| PP-YOLOE+s | 640 | 43.7 | - | 2.62 | 7.93 | 17.36 |
| PP-YOLOE+m | 640 | 49.8 | - | 5.56 | 23.43 | 49.91 |
| PP-YOLOE+l | 640 | 52.9 | - | 8.36 | 52.2 | 110.07 |
| PP-YOLOE+x | 640 | 54.7 | - | 14.3 | 98.42 | 206.59 |
| EfficientDet-d0 | 640 | 34.6 | 10.2 | 3.92 | 3.9 | 2.54 |
| EfficientDet-d1 | 640 | 40.5 | 13.5 | 7.31 | 6.6 | 6.1 |
| EfficientDet-d2 | 640 | 43.0 | 17.7 | 10.92 | 8.1 | 11.0 |
| EfficientDet-d3 | 640 | 47.5 | 28.0 | 19.59 | 12.0 | 24.9 |
| EfficientDet-d4 | 640 | 49.7 | 42.8 | 33.55 | 20.7 | 55.2 |
| EfficientDet-d5 | 640 | 51.5 | 72.5 | 67.86 | 33.7 | 130.0 |
| EfficientDet-d6 | 640 | 52.6 | 92.8 | 89.29 | 51.9 | 226.0 |
| EfficientDet-d7 | 640 | 53.7 | 122.0 | 128.07 | 51.9 | 325.0 |
Như có thể thấy, PP-YOLOE+ thường mở rộng tốt hơn về mAP thuần trên GPU cao cấp, trong khi EfficientDet tìm cách giảm thiểu số lượng tham số. Tuy nhiên, cả hai đều chưa đáp ứng được năng lực xử lý thời gian thực hiện đại cần thiết cho AI biên tiên tiến.
Trường hợp sử dụng và khuyến nghị#
Việc chọn PP-YOLOE+ hay EfficientDet phụ thuộc vào yêu cầu cụ thể của dự án, các giới hạn triển khai và lựa chọn hệ sinh thái của bạn.
Khi nào nên chọn PP-YOLOE+#
PP-YOLOE+ là lựa chọn phù hợp trong các trường hợp:
- Tích hợp hệ sinh thái PaddlePaddle: Các tổ chức có hạ tầng hiện hữu được xây dựng trên framework và bộ công cụ PaddlePaddle của Baidu.
- Triển khai biên bằng Paddle Lite: Triển khai lên phần cứng có kernel suy luận được tối ưu hóa cao, dành riêng cho Paddle Lite hoặc inference engine Paddle.
- Phát hiện độ chính xác cao phía máy chủ: Các kịch bản ưu tiên độ chính xác phát hiện tối đa trên máy chủ GPU mạnh, nơi sự phụ thuộc vào framework không phải vấn đề đáng lo ngại.
Khi nào nên chọn EfficientDet#
EfficientDet được khuyến nghị cho:
- 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 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.
Lựa chọn hiện đại: Ultralytics YOLO26#
Mặc dù PP-YOLOE+ và EfficientDet là những cột mốc lịch sử quan trọng, developer cần độ chính xác tiên tiến nhất, mức tiêu thụ bộ nhớ thấp hơn và trải nghiệm người dùng tinh gọn nên cân nhắc Ultralytics YOLO26.
YOLO26 là bước tiến vượt bậc trong lĩnh vực object detection, với một số cải tiến quan trọng:
- Thiết kế end-to-end không cần NMS: Dựa trên những đột phá của YOLOv10, head end-to-end tùy chọn của YOLO26 (
nms=False) loại bỏ Ức chế phi cực đại (NMS) trong quá trình inference. Nhờ đó, độ trễ giảm đáng kể và các nút thắt phức tạp trong khâu hậu xử lý được loại bỏ. - Optimizer MuSGD: Lấy cảm hứng từ những đổi mới trong quá trình train LLM, YOLO26 sử dụng optimizer lai SGD và Muon. Cách này cải thiện đáng kể độ ổn định khi train và rút ngắn thời gian hội tụ.
- Tốc độ vượt trội: YOLO26 inference trên CPU nhanh hơn tới 43% so với các thế hệ cũ như YOLO11, khiến model trở thành lựa chọn tốt nhất cho thiết bị edge dùng pin hoặc chỉ có CPU.
- Các hàm loss tiên tiến: Việc tích hợp ProgLoss và STAL cải thiện đáng kể khả năng nhận diện vật thể nhỏ, yếu tố thiết yếu cho các tác vụ như phân tích dữ liệu drone và robotics.
Khác với EfficientDet chỉ tập trung vào detection, YOLO26 xử lý trực tiếp phân loại ảnh, ước tính tư thế và bounding box có định hướng (OBB), tất cả trong cùng một hệ sinh thái được duy trì tốt.
Tính dễ sử dụng và tích hợp hệ sinh thái#
Một trong những nhược điểm lớn nhất của các model cũ như EfficientDet là độ phức tạp của pipeline train và thiết lập machine learning tự động. Ngược lại, Ultralytics Platform mang đến trải nghiệm developer vượt trội.
Chỉ cần vài dòng code là có thể triển khai model bằng Ultralytics, khác biệt rõ rệt với các cấu hình dài dòng mà framework cũ yêu cầu.
from ultralytics import YOLO
# Tải model YOLO26 đã pretrained
model = YOLO("yolo26s.pt")
# Huấn luyện model trên bộ dữ liệu COCO8
results = model.train(data="coco8.yaml", epochs=100)
# Chạy inference không cần NMS trên ảnh kiểm thử bằng head end-to-end
predictions = model("https://ultralytics.com/images/bus.jpg", nms=False)Nếu muốn tìm hiểu các lựa chọn thay thế khác, bạn cũng có thể sử dụng các kiến trúc như RT-DETR hoặc YOLOv8 phiên bản cũ trong hệ sinh thái Ultralytics, giúp dễ dàng chuyển đổi và kiểm thử.
Kết luận#
PP-YOLOE+ vẫn là lựa chọn phù hợp cho một số triển khai server cụ thể trong hệ sinh thái Paddle, còn EfficientDet vẫn là một nghiên cứu thú vị về thiết kế kiến trúc tự động. Tuy nhiên, với các ứng dụng hiện đại đòi hỏi inference thời gian thực, dễ triển khai và yêu cầu bộ nhớ tối thiểu, Ultralytics YOLO26 mang lại sự cân bằng hiệu năng thuyết phục nhất. Thiết kế tùy chọn không cần NMS và tốc độ CPU vượt trội khiến model trở thành lựa chọn dứt khoát để chuẩn bị hạ tầng AI cho tương lai.