Bắt đầu

PP-YOLOE+ và EfficientDet

Việc 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 những sự đánh đổi giữa hai model phát hiện vật thể nổi tiếng: PP-YOLOE+ và EfficientDet. Hướng dẫn phân tích kiến trúc, đánh giá các chỉ số hiệu năng và trình bày các kịch bản triển khai phù hợp nhất.

Dù cả hai model đều đóng góp đáng kể cho lĩnh vực này, hướng dẫn cũng thảo luận cách các lựa chọn hiện đại như Ultralytics YOLO26 mang lại hiệu quả bộ nhớ tốt hơn, suy luận nhanh hơn và trải nghiệm phát triển tinh gọn.

Tổng quan kiến trúc: PP-YOLOE+#

PP-YOLOE+ là phiên bản cải tiến của PP-YOLOE, vốn là bước phát triển tiếp theo của dòng PP-YOLO, được xây dựng để tối ưu hiệu năng trên GPU phía máy chủ trong hệ sinh thái PaddlePaddle. Model bổ sung một số cải tiến cho kiến trúc nền tảng, tập trung vào phương pháp không anchor.

Tìm hiểu thêm về PP-YOLOE+

PP-YOLOE+ có backbone CSPRepResNet, đầu Efficient Task-aligned (ET-head) và chủ yếu dựa vào varifocal loss cho phân loại cùng distribution focal loss cho hồi quy hộp giới hạn. Việc chuyển sang thiết kế detector không anchor giúp tinh gọn pipeline hậu xử lý, khiến model có tính cạnh tranh cao khi ra mắt.

Lợi ích tích hợp

Các nhóm đã đầu tư sâu vào framework PaddlePaddle của Baidu thường thấy PP-YOLOE+ dễ tích hợp hơn vào pipeline hiện có, dù model thiếu hỗ trợ đa framework rộng rãi như các công cụ mới hơn.

Tổng quan kiến trúc: EfficientDet#

EfficientDet áp dụng một phương pháp khác cho phát hiện vật thể, sử dụng backbone được tìm kiếm bằng neural architecture search và áp dụng các nguyên tắc mở rộng tổ hợp.

Tìm hiểu thêm về EfficientDet

Nền tảng cốt lõi của EfficientDet là Mạng kim tự tháp đặc trưng hai chiều (BiFPN). Khác với FPN truyền thống, BiFPN cho phép hợp nhất đặc trưng đa tỷ lệ nhanh bằng cách đưa vào các trọng số có thể học để xác định tầm quan trọng của các đặc trưng đầu vào khác nhau. Kết hợp với backbone EfficientNet, EfficientDet mở rộng có hệ thống chiều rộng, chiều sâu và độ phân giải của mạng cùng lúc.

Dù rất hiệu quả xét về FLOPs, model EfficientDet có thể khó chuyển hiệu quả lý thuyết thành tốc độ thực tế trên thiết bị biên do các mẫu truy cập bộ nhớ phức tạp, trái ngược với nhu cầu bộ nhớ thấp hơn của 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 (mAP) với tốc độ suy luận cho thấy vị trí của từng model trên đường biên Pareto giữa tốc độ và độ chính xác.

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
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

Như bảng cho thấy, PP-YOLOE+ thường mở rộng tốt hơn về mAP thô trên GPU cao cấp, trong khi EfficientDet hướng đến giảm thiểu số lượng tham số. Tuy nhiên, cả hai đều chưa đạt hiệu năng thời gian thực cần thiết cho các ứng dụng AI biên hiện đại.

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 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 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 tăng tốc GPU chuyên dụng, nơi khả năng inference CPU nhanh hơn YOLO11n đến 43% của YOLO26n tạo ra 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#

Dù PP-YOLOE+ và EfficientDet là những cột mốc quan trọng, các nhà phát triển cần độ chính xác cao, mức sử dụng bộ nhớ thấp và trải nghiệm người dùng tinh gọn nên cân nhắc Ultralytics YOLO26.

YOLO26 là bước tiến lớn trong phát hiện vật thể, giới thiệu một số đổi mới quan trọng:

  • Thiết kế đầu-cuối không cần NMS: Kế thừa YOLOv10, đầu đầu-cuối (nms=False) tùy chọn của YOLO26 loại bỏ Non-Maximum Suppression (NMS) trong quá trình suy luận. Nhờ đó, độ trễ giảm đáng kể và các nút thắt hậu xử lý phức tạp được loại bỏ.
  • Optimizer MuSGD: Lấy cảm hứng từ những đổi mới trong huấn luyện LLM, YOLO26 sử dụng optimizer kết hợp SGD và Muon, giúp cải thiện độ ổn định huấn luyện và rút ngắn thời gian hội tụ.
  • Suy luận CPU nhanh hơn: YOLO26n mang lại tốc độ suy luận CPU nhanh hơn đến 43% so với YOLO11n, phù hợp với thiết bị biên dùng pin hoặc chỉ có CPU.
  • Kỹ thuật huấn luyện tiên tiến: ProgLoss và STAL cải thiện đáng kể khả năng nhận diện vật thể nhỏ, thiết yếu cho các tác vụ như phân tích dữ liệu drone và robotics.
Tính linh hoạt đa tác vụ

Khác với EfficientDet 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), tất cả trong cùng một hệ sinh thái được bảo trì tốt.

Tính dễ sử dụng và tích hợp hệ sinh thái#

Một trong những nhược điểm lớn nhất của model cũ như EfficientDet là độ phức tạp của pipeline huấn luyện và thiết lập machine learning tự động. Ngược lại, Nền tảng Ultralytics mang lại trải nghiệm phát triển tinh gọn.

Chỉ cần vài dòng code để huấn luyện và chạy model bằng Ultralytics, trái ngược 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)

Với những người đang tìm hiểu các lựa chọn thay thế khác, các kiến trúc như RT-DETR hoặc YOLOv8 đời trước cũng có trong hệ sinh thái Ultralytics, giúp dễ dàng chuyển đổi và thử nghiệm model.

Kết luận#

PP-YOLOE+ vẫn là lựa chọn mạnh mẽ cho một số triển khai máy chủ trong hệ sinh thái Paddle, còn EfficientDet tiếp tục là một nghiên cứu thú vị về thiết kế kiến trúc tự động. Tuy nhiên, với các ứng dụng hiện đại đòi hỏi suy luận thời gian thực, triển khai dễ dàng và nhu cầu bộ nhớ tối thiểu, Ultralytics YOLO26 mang lại sự cân bằng hiệu năng thuyết phục nhất. Thiết kế không cần NMS tùy chọn và hiệu năng CPU nhanh khiến model trở thành lựa chọn được khuyến nghị cho hạ tầng AI hiện đại.

Người đóng góp

Bình luận

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