PP-YOLOE+ so với EfficientDet#
Việc lựa chọn kiến trúc phù hợp là một bước quan trọng trong việc xây dựng các ứng dụng computer vision mạnh mẽ. Hướng dẫn kỹ thuật này khám phá sự đánh đổi giữa hai mô hình phát hiện đối tượng nổi tiếng: PP-YOLOE+ và EfficientDet. Chúng ta sẽ phân tích kiến trúc của chúng, đánh giá các performance metrics và tìm hiểu các kịch bản triển khai lý tưởng.
Mặc dù cả hai mô hình đều có những đóng góp quan trọng cho lĩnh vực này, chúng ta cũng sẽ thảo luận về cách các giải pháp thay thế hiện đại như Ultralytics YOLO26 mang lại hiệu quả bộ nhớ vượt trội, tốc độ suy luận nhanh hơn và trải nghiệm phát triển vô cùng mượt mà.
Tổng quan kiến trúc: PP-YOLOE+#
PP-YOLOE+ là phiên bản nâng cấp của PP-YOLO nguyên bản, được xây dựng đặc biệt để tối ưu hóa hiệu suất trên các GPU phía server trong hệ sinh thái PaddlePaddle. Nó giới thiệu một số cải tiến cho kiến trúc cơ bản, tập trung vào mô hình anchor-free.
- Tác giả: Các tác giả PaddlePaddle
- Tổ chức: Baidu
- Ngày: 2022-04-02
- Arxiv: 2203.16250
- Tài liệu: PaddleDetection README
PP-YOLOE+ sở hữu phần backbone CSPRepResNet, phần đầu Efficient Task-aligned head (ET-head), đồng thời phụ thuộc nhiều vào varifocal loss cho việc phân loại cùng với distribution focal loss cho việc hồi quy bounding box. Việc chuyển đổi sang thiết kế anchor-free detector giúp tối ưu hóa quy trình hậu xử lý, biến nó thành một đối thủ cạnh tranh mạnh mẽ tại thời điểm ra mắt.
Các nhóm đã đầu tư sâu vào hệ sinh thái PaddlePaddle của Baidu thường thấy PP-YOLOE+ dễ áp dụng hơn cho các tác vụ như instance segmentation, mặc dù nó thiếu khả năng hỗ trợ đa framework rộng rãi như các công cụ mới hơn.
Tổng quan kiến trúc: EfficientDet#
EfficientDet áp dụng một cách tiếp cận hoàn toàn khác đối với object detection, phụ thuộc nhiều vào tìm kiếm kiến trúc thần kinh và nguyên tắc scale hỗn hợp (compound scaling).
- Tác giả: Mingxing Tan, Ruoming Pang và Quoc V. Le
- Tổ chức: Google
- Ngày: 20-11-2019
- Arxiv: 1911.09070
- Tài liệu: Brain AutoML README
Nền tảng của EfficientDet là mạng lưới Bi-directional Feature Pyramid Network (BiFPN). Khác với các FPN truyền thống, BiFPN cho phép dung hợp tính năng đa tỷ lệ dễ dàng và nhanh chóng bằng cách giới thiệu các trọng số học được để nhận biết tầm quan trọng của các tính năng đầu vào khác nhau. Kết hợp với backbone EfficientNet, EfficientDet mở rộng quy mô chiều rộng, chiều sâu và độ phân giải của mạng một cách đồng thời và có hệ thống.
Mặc dù về lý thuyết rất hiệu quả xét về số lượng FLOPs, các model EfficientDet đôi khi gặp khó khăn trong việc chuyển đổi hiệu quả lý thuyết thành tốc độ thực tế trên các thiết bị edge do các mô hình truy cập bộ nhớ phức tạp, điều này trái ngược hoàn toàn với yêu cầu bộ nhớ thấp của các model dựa trên YOLO.
Phân tích hiệu suất và Benchmarks#
Bảng dưới đây đối chiếu các chỉ số chính trên các datasets like COCO tiêu chuẩn. Việc so sánh mean Average Precision (mAP) với tốc độ suy luận sẽ cung cấp một cái nhìn rõ ràng về đường biên Pareto.
| Mô hình | 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 đã minh họa, PP-YOLOE+ nhìn chung mở rộng tốt hơn về mAP thô đối với các GPU cao cấp, trong khi EfficientDet cố gắng tối thiểu hóa các tham số. Tuy nhiên, cả hai đều thua kém các khả năng thời gian thực hiện đại cần thiết cho edge AI tiên tiến.
Các trường hợp sử dụng và Khuyến nghị#
Việc lựa chọn giữa PP-YOLOE+ và EfficientDet phụ thuộc vào yêu cầu dự án cụ thể, các ràng buộc triển khai và ưu tiên hệ sinh thái của bạn.
Khi nào nên chọn PP-YOLOE+#
PP-YOLOE+ là lựa chọn mạnh mẽ cho:
- Tích hợp hệ sinh thái PaddlePaddle: Các tổ chức có cơ sở hạ tầng hiện có được xây dựng trên framework và công cụ PaddlePaddle của Baidu.
- Triển khai Paddle Lite Edge: Triển khai lên phần cứng với các kernel suy luận được tối ưu hóa cao dành riêng cho Paddle Lite hoặc engine suy luận Paddle.
- Nhận diện phía máy chủ có độ chính xác cao: Các kịch bản ưu tiên độ chính xác nhận diện tối đa trên các máy chủ GPU mạnh mẽ, nơi sự phụ thuộc vào framework không phải là vấn đề.
Khi nào nên chọn EfficientDet#
EfficientDet được khuyến nghị cho:
- Google Cloud và các đường ống TPU: Các hệ thống được tích hợp sâu với API Google Cloud Vision hoặc hạ tầng TPU, nơi EfficientDet có sự tối ưu hóa gốc.
- Nghiên cứu về Compound Scaling: Các nghiên cứu học thuật tập trung vào việc đánh giá tác động của độ sâu mạng, chiều rộng và khả năng mở rộng độ phân giải cân bằng.
- Triển khai trên thiết bị di động qua TFLite: Các dự án đặc biệt yêu cầu xuất TensorFlow Lite cho Android hoặc các thiết bị Linux nhúng.
Khi nào nên chọn Ultralytics (YOLO26)#
Đối với hầu hết các dự án mới, Ultralytics YOLO26 mang lại sự kết hợp tốt nhất giữa hiệu suất và trải nghiệm của nhà phát triển:
- Triển khai Edge không cần NMS: Các ứng dụng yêu cầu suy luận nhất quán, độ trễ thấp mà không có sự phức tạp của hậu xử lý Non-Maximum Suppression.
- Môi trường chỉ dùng CPU: Các thiết bị không có tăng tốc GPU chuyên dụng, nơi suy luận CPU nhanh hơn tới 43% của YOLO26 mang lại lợi thế quyết định.
- Phát hiện Vật thể Nhỏ: Các kịch bản thử thách như aerial drone imagery hoặc phân tích cảm biến IoT nơi ProgLoss và STAL cải thiện đáng kể độ chính xác trên các vật thể nhỏ xíu.
Giải pháp thay thế hiện đại: Ultralytics YOLO26#
Mặc dù PP-YOLOE+ và EfficientDet đại diện cho những mốc lịch sử quan trọng, các nhà phát triển đang tìm kiếm độ chính xác tiên tiến, mức tiêu thụ bộ nhớ thấp hơn và trải nghiệm người dùng tối ưu nên hướng tới Ultralytics YOLO26.
YOLO26 đại diện cho một bước nhảy vọt trong nhận diện đối tượng, giới thiệu một số cải tiến quan trọng:
- Thiết kế End-to-End không dùng NMS: Dựa trên các bước đột phá của YOLOv10, YOLO26 loại bỏ hoàn toàn Non-Maximum Suppression (NMS) trong quá trình suy luận một cách nguyên bản. Điều này mang lại độ trễ thấp hơn đáng kể và loại bỏ các nút thắt cổ chai trong quá trình hậu xử lý phức tạp.
- Optimizer MuSGD: Lấy cảm hứng từ các cải tiến trong huấn luyện LLM, YOLO26 sử dụng optimizer lai giữa SGD và Muon. Điều này cải thiện đáng kể độ ổn định khi huấn luyện và rút ngắn thời gian hội tụ.
- Tốc độ cực đỉnh: YOLO26 mang lại hiệu suất suy luận CPU nhanh hơn tới 43% so với các thế hệ trước như YOLO11, biến đây thành sự lựa chọn tuyệt vời nhất cho các thiết bị biên chạy bằng pin hoặc chỉ dùng CPU.
- Hàm Loss nâng cao: Sự tích hợp của ProgLoss và STAL cải thiện đáng kể khả năng nhận diện đối tượng nhỏ, điều cốt yếu cho các tác vụ như drone analytics và robotics.
Khác với EfficientDet chỉ tập trung thuần túy vào việc phát hiện, YOLO26 xử lý nguyên bản pose estimation, image classification và oriented bounding boxes (OBB), tất cả nằm trong cùng một hệ sinh thái được duy trì tốt.
Dễ sử dụng và tích hợp hệ sinh thái#
Một trong những nhược điểm lớn nhất của các mô hình kế thừa như EfficientDet là độ phức tạp của các pipeline huấn luyện và cài đặt automated machine learning. Ngược lại, Ultralytics Platform mang lại trải nghiệm phát triển không gì sánh bằng.
Triển khai một model với Ultralytics chỉ tốn vài dòng code, hoàn toàn tương phản với các cấu hình dài dòng cần thiết bởi các framework cũ.
from ultralytics import YOLO
# Load a pretrained YOLO26 model
model = YOLO("yolo26s.pt")
# Train the model on the COCO8 dataset
results = model.train(data="coco8.yaml", epochs=100)
# Run inference on a test image natively without NMS overhead
predictions = model("https://ultralytics.com/images/bus.jpg")Đối với những ai đang khám phá các giải pháp thay thế khác, các kiến trúc như RT-DETR hoặc YOLOv8 cũ cũng có sẵn trong hệ sinh thái Ultralytics, cho phép hoán đổi và kiểm thử một cách liền mạch.
Kết luận#
PP-YOLOE+ vẫn là một lựa chọn vững chắc cho các triển khai máy chủ cụ thể trong hệ sinh thái Paddle, và EfficientDet tiếp tục là một nghiên cứu thú vị về thiết kế kiến trúc tự động. Tuy nhiên, đối với các ứng dụng hiện đại đòi hỏi real-time inference, dễ dàng triển khai và yêu cầu bộ nhớ tối thiểu, Ultralytics YOLO26 cung cấp sự cân bằng hiệu suất thuyết phục nhất. Thiết kế không cần NMS nguyên bản và hiệu suất CPU siêu nhanh làm cho nó trở thành lựa chọn tuyệt đối để đảm bảo cơ sở hạ tầng AI của bạn sẵn sàng cho tương lai.