Phân tích chuyên sâu về phát hiện đối tượng thời gian thực: PP-YOLOE+ so với... YOLO11

Lĩnh vực thị giác máy tính không ngừng phát triển, được thúc đẩy bởi nhu cầu về các mô hình nhanh hơn, chính xác hơn và hiệu quả hơn. Đối với các nhà phát triển và nhà nghiên cứu giải quyết các nhiệm vụ phát hiện đối tượng , việc lựa chọn kiến trúc phù hợp là rất quan trọng. Trong bài so sánh toàn diện này, chúng ta sẽ khám phá những điểm khác biệt giữa hai mô hình nổi bật: PP-YOLOE+ và Ultralytics YOLO11 .

Bằng cách phân tích kiến trúc, các chỉ số hiệu suất và các trường hợp sử dụng lý tưởng, hướng dẫn này nhằm mục đích cung cấp những hiểu biết cần thiết để bạn đưa ra quyết định sáng suốt cho lần triển khai máy học tiếp theo của mình.

Nguồn gốc và tổng quan kỹ thuật của mô hình

Cả hai mô hình đều xuất phát từ nghiên cứu học thuật nghiêm túc và kỹ thuật tiên tiến, nhưng chúng lại bắt nguồn từ những hệ sinh thái hoàn toàn khác nhau. Hãy cùng xem xét các chi tiết nền tảng của từng mô hình.

Tổng quan về PP-YOLOE+

Được phát triển bởi các nhà nghiên cứu tại Baidu, PP-YOLOE+ là phiên bản cải tiến của PP-YOLOE trước đó, được thiết kế để vượt qua giới hạn của khả năng phát hiện thời gian thực trong môi trường ảo. PaddlePaddle hệ sinh thái.

Tác giả: Các tác giả của PaddlePaddle
Tổ chức:Baidu
Ngày: 2022-04-02
Arxiv:https://arxiv.org/abs/2203.16250
GitHub:Kho lưu trữ PaddleDetection
Tài liệu:Tài liệu PP-YOLOE+

Tìm hiểu thêm về PP-YOLOE+

YOLO11 Tổng quan

YOLO11 , được tạo bởi Ultralytics Nó thể hiện một bước tiến đáng kể về khả năng sử dụng và độ chính xác. Nó được xây dựng dựa trên nền tảng các kiến trúc đã rất thành công, tối ưu hóa trải nghiệm phát triển mượt mà và tính linh hoạt khi thực hiện nhiều tác vụ cùng lúc.

Tác giả: Glenn Jocher và Jing Qiu
Tổ chức:Ultralytics
Ngày: 2024-09-27
GitHub: Kho lưu trữ GitHub Ultralytics
Tài liệu: Tài liệu chính thức của YOLO11

Tìm hiểu thêm về YOLO11

Bạn có biết?

Ultralytics YOLO11 Nó hỗ trợ nhiều hơn chỉ là phát hiện đối tượng. Ngay từ đầu, bạn có thể thực hiện Phân đoạn đối tượng (Instance Segmentation) , Ước tính tư thế (Pose Estimation ) và Phát hiện hộp giới hạn định hướng (Oriented Bounding Box - OBB) bằng cùng một API.

So sánh về kiến trúc và hiệu năng

Khi so sánh hai bộ dò này, chúng ta cần nhìn xa hơn những con số thô và hiểu được cách các lựa chọn kiến trúc của chúng ảnh hưởng đến việc triển khai mô hình trong thế giới thực.

Kiến trúc PP-YOLOE+

PP-YOLOE+ phụ thuộc rất nhiều vào framework PaddlePaddle . Nó giới thiệu một mô hình không cần anchor mạnh mẽ, sử dụng kiến trúc xương sống RepResNet và Mạng tổng hợp đường dẫn (PAN) được sửa đổi. Phiên bản "+" đã cải tiến so với phiên bản tiền nhiệm bằng cách kết hợp huấn luyện trước trên tập dữ liệu quy mô lớn (như Objects365 ) và TaskAlignedAssigner được cải tiến. Mặc dù đạt được độ chính xác trung bình ( mAP ) cao, nhưng sự phụ thuộc chặt chẽ vào... PaddlePaddle có thể gây ra mâu thuẫn cho các nhóm đã quen với PyTorch hoặc TensorFlow môi trường.

Kiến trúc YOLO11

Ultralytics YOLO11 Được xây dựng hoàn toàn trên PyTorch , tiêu chuẩn công nghiệp cho học sâu hiện đại. Kiến trúc của nó tập trung mạnh vào sự cân bằng hiệu năng , đạt được sự đánh đổi tối ưu giữa tốc độ và độ chính xác, phù hợp với nhiều kịch bản triển khai thực tế khác nhau. YOLO11 Sản phẩm này có mô-đun C2f được tối ưu hóa để cải thiện luồng gradient và đầu đọc/ghi tách rời, xử lý hiệu quả các tác vụ phân loại và hồi quy một cách riêng biệt. Hơn nữa, YOLO11 Được thiết kế để giảm yêu cầu bộ nhớ, với mức sử dụng bộ nhớ thấp hơn đáng kể trong quá trình huấn luyện và suy luận so với các mô hình transformer phức tạp như RT-DETR .

Bảng số liệu hiệu suất

Bảng sau đây nêu bật sự khác biệt về hiệu năng giữa các mô hình với quy mô khác nhau. Hãy chú ý cách YOLO11 thường đạt được kết quả tương đương hoặc tốt hơn. mAP đồng thời giảm đáng kể số lượng tham số và phép tính FLOP.

Mô hình	Kích thước ^(pixels)	mAP^val 50-95	Tốc độ ^{CPU ONNX (ms)}	Tốc độ ^{T4 TensorRT10 (ms)}	Tham số ^(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

YOLO11n	640	39.5	56.1	1.5	2.6	6.5
YOLO11s	640	47.0	90.0	2.5	9.4	21.5
YOLO11m	640	51.5	183.2	4.7	20.1	68.0
YOLO11l	640	53.4	238.6	6.2	25.3	86.9
YOLO11x	640	54.7	462.8	11.3	56.9	194.9

Các trường hợp sử dụng và Khuyến nghị

Lựa chọn giữa PP-YOLOE+ và YOLO11 Điều này phụ thuộc vào các yêu cầu cụ thể của dự án, các ràng buộc triển khai và sở thích về hệ sinh thái của bạn.

Khi nào nên chọn PP-YOLOE+

PP-YOLOE+ là một lựa chọn tuyệt vời cho:

Tích hợp hệ sinh thái PaddlePaddle : Các tổ chức có cơ sở hạ tầng hiện có được xây dựng trên nền tảng và công cụ PaddlePaddle của Baidu .
Triển khai Paddle Lite Edge: Triển khai trên phần cứng với các nhân suy luận được tối ưu hóa cao, dành riêng cho công cụ suy luận Paddle Lite hoặc Paddle.
Phát hiện phía máy chủ độ chính xác cao: Các kịch bản ưu tiên độ chính xác phát hiện tối đa trên các hệ thống mạnh mẽ. GPU các máy chủ mà sự phụ thuộc vào framework không phải là vấn đề đáng quan tâm.

Khi nào nên chọn YOLO11

YOLO11 Được khuyến nghị cho:

Triển khai tại biên môi trường sản xuất: Các ứng dụng thương mại trên các thiết bị như Raspberry Pi hoặc NVIDIA Jetson , nơi độ tin cậy và bảo trì thường xuyên là yếu tố tối quan trọng.
Ứng dụng thị giác đa nhiệm: Các dự án yêu cầu phát hiện , phân đoạn , ước lượng tư thế và OBB trong một khung thống nhất duy nhất.
Tạo mẫu và triển khai nhanh chóng: Các nhóm cần chuyển nhanh từ thu thập dữ liệu sang sản xuất bằng cách sử dụng API Python Ultralytics được tối ưu hóa.

Khi nào nên lựa chọn Ultralytics (YOLO26)

Đối với hầu hết các dự án mới, Ultralytics YOLO26 cung cấp sự kết hợp tốt nhất giữa hiệu năng và trải nghiệm dành cho nhà phát triển:

NMS - Triển khai biên không cần can thiệp: Các ứng dụng yêu cầu suy luận nhất quán, độ trễ thấp mà không cần sự phức tạp của quá trình xử lý hậu kỳ loại bỏ cực đại không cần can thiệp (Non-Maximum Suppression).
Môi trường chỉ sử dụng CPU : Các thiết bị không có bộ xử lý chuyên dụng. GPU khả năng tăng tốc, trong đó YOLO26 nhanh hơn tới 43%. CPU Suy luận mang lại lợi thế quyết định.
Phát hiện vật thể nhỏ: Các tình huống đầy thách thức như ảnh chụp từ máy bay không người lái hoặc phân tích cảm biến IoT, nơi ProgLoss và STAL giúp tăng đáng kể độ chính xác trong việc phát hiện các vật thể siêu nhỏ.

Lợi thế của Ultralytics

Mặc dù các tiêu chuẩn học thuật rất quan trọng, nhưng sự thành công lâu dài của một dự án AI phụ thuộc rất nhiều vào hệ sinh thái xung quanh mô hình đó. Nền tảng Ultralytics mang lại những lợi thế riêng biệt cho cả nhà phát triển và doanh nghiệp.

Dễ sử dụng: Ultralytics Loại bỏ những phức tạp của học sâu. Trải nghiệm người dùng được tối ưu hóa và đơn giản. Python API cho phép các nhà phát triển huấn luyện các mô hình tùy chỉnh chỉ với một vài dòng mã. Điều này trái ngược với các tệp cấu hình phức tạp thường được yêu cầu bởi PP-YOLOE+.
Hệ sinh thái được duy trì tốt: Không giống như nhiều kho lưu trữ chỉ dành cho nghiên cứu, hệ sinh thái này Ultralytics Hệ sinh thái đang được phát triển tích cực. Nó tự hào có sự hỗ trợ mạnh mẽ từ cộng đồng, các bản cập nhật thường xuyên và sự tích hợp rộng rãi với các công cụ như Weights & Biases và Comet ML .
Tính linh hoạt: YOLO11 Cung cấp một khung sườn thống nhất duy nhất cho nhiều tác vụ thị giác máy tính , loại bỏ nhu cầu phải học các thư viện khác nhau cho việc phân loại, phân đoạn hoặc phát hiện hộp giới hạn.
Hiệu quả đào tạo: Các quy trình đào tạo hiệu quả của YOLO Các mô hình này giúp tiết kiệm cả thời gian và chi phí tính toán. Bằng cách tận dụng các trọng số được huấn luyện trước trên tập dữ liệu COCO , các mô hình hội tụ nhanh chóng ngay cả trên phần cứng cấp người tiêu dùng.

So sánh mã đào tạo

Để minh họa cho sự dễ sử dụng, đây là cách bạn huấn luyện một hệ thống hiện đại. YOLO11 Mô hình này tự động xử lý tất cả các công đoạn tăng cường dữ liệu, ghi nhật ký và điều phối phần cứng:

from ultralytics import YOLO

# Load a pre-trained YOLO11 small model
model = YOLO("yolo11s.pt")

# Train the model on your custom dataset for 100 epochs
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run a quick inference test on a public image
inference_results = model("https://ultralytics.com/images/bus.jpg")
inference_results[0].show()

Việc thiết lập quy trình tương đương trong PaddleDetection đòi hỏi phải thao tác thủ công với các cấu hình XML phức tạp và thực thi các chuỗi lệnh dài dòng, điều này có thể làm chậm chu kỳ phát triển linh hoạt.

Hướng tới tương lai: Sự ra mắt của YOLO26

Trong khi YOLO11 Mặc dù vẫn là một công cụ vô cùng mạnh mẽ, lĩnh vực trí tuệ nhân tạo (AI) đang phát triển rất nhanh chóng. Được phát hành vào tháng 1 năm 2026, YOLO26 đại diện cho công nghệ tiên tiến nhất hiện nay. Ultralytics Nguồn gốc của nó và là mô hình được khuyến nghị cho tất cả các dự án mới.

YOLO26 giới thiệu một số cải tiến đột phá:

Thiết kế không cần NMS từ đầu đến cuối: Dựa trên các khái niệm được tiên phong lần đầu tiên trong YOLOv10 , YOLO26 được thiết kế hoàn toàn từ đầu đến cuối. Nó loại bỏ hoàn toàn hiện tượng Non-Maximum Suppression (NMS) ( NMS xử lý hậu kỳ, giúp việc triển khai trở nên đơn giản hơn rất nhiều và giảm đáng kể sự biến động về độ trễ.
Tốc độ suy luận CPU nhanh hơn tới 43%: Bằng cách loại bỏ một cách chiến lược hàm mất mát tiêu điểm phân phối (DFL), mô hình trở nên nhẹ hơn đáng kể. Sự tối ưu hóa này biến nó trở thành lựa chọn hàng đầu cho điện toán biên và các thiết bị IoT tiêu thụ điện năng thấp.
Bộ tối ưu hóa MuSGD: YOLO26 mang đến những cải tiến trong huấn luyện LLM cho thị giác máy tính. Sử dụng bộ tối ưu hóa MuSGD (một sự kết hợp của...) SGD và Muon), nó đạt được động lực huấn luyện rất ổn định và hội tụ nhanh hơn.
ProgLoss + STAL: Các hàm mất mát tiên tiến này mang lại những cải tiến đáng kể trong việc nhận dạng vật thể nhỏ, một tính năng quan trọng đối với ảnh chụp từ máy bay không người lái và giám sát trên không.

Kết luận và ứng dụng thực tiễn

Khi lựa chọn giữa PP-YOLOE+ và YOLO11 (hoặc YOLO26 phiên bản mới hơn), sự lựa chọn phụ thuộc vào hệ sinh thái triển khai của bạn.

PP-YOLOE+ tỏa sáng trong các môi trường công nghiệp đặc thù, đặc biệt là tại các trung tâm sản xuất ở châu Á, nơi phần cứng được tích hợp sâu với hệ thống công nghệ của Baidu và thư viện PaddlePaddle . Nó rất phù hợp cho việc phân tích hình ảnh tĩnh, nơi cần tối đa hóa khả năng xử lý. mAP là ưu tiên duy nhất.

Tuy nhiên, YOLO11 và YOLO26 cung cấp một cách tiếp cận linh hoạt và thân thiện hơn với nhà phát triển. Số lượng tham số ít hơn và tốc độ cao của chúng khiến chúng trở nên lý tưởng cho:

Bán lẻ thông minh: Xử lý nguồn cấp dữ liệu video thời gian thực để tự động hóa quy trình thanh toán và quản lý kho hàng .
Robot tự hành: Cho phép tránh chướng ngại vật tốc độ cao trên các thiết bị nhúng có tài nguyên hạn chế.
An ninh và Giám sát: Cung cấp khả năng phân tích đa nhiệm mạnh mẽ (như theo dõi và ước tính tư thế) chỉ trong một lần xử lý suy luận hiệu quả cao.

Đối với các kỹ sư AI hiện đại đang tìm kiếm độ tin cậy, sự hỗ trợ cộng đồng rộng rãi và các quy trình triển khai đơn giản sang các định dạng như ONNX và TensorRT , thì... Ultralytics Hệ sinh thái vẫn là sự lựa chọn không thể bàn cãi.