PP-YOLOE+ so với YOLOv10: So sánh kỹ thuật
Việc lựa chọn mô hình phát hiện đối tượng tối ưu là một quyết định quan trọng, cân bằng giữa độ chính xác, tốc độ và tài nguyên tính toán cho bất kỳ dự án thị giác máy tính nào. Trang này cung cấp so sánh kỹ thuật chi tiết giữa PP-YOLOE+, được phát triển bởi Baidu và YOLOv10, một mô hình hiện đại từ Đại học Thanh Hoa được tích hợp đầy đủ vào hệ sinh thái Ultralytics. Chúng ta sẽ phân tích kiến trúc, các số liệu hiệu suất và các trường hợp sử dụng lý tưởng của chúng để giúp bạn đưa ra lựa chọn sáng suốt.
PP-YOLOE+: Độ chính xác cao trong hệ sinh thái PaddlePaddle
PP-YOLOE+ (Practical PaddlePaddle You Only Look One-level Efficient Plus) là một mô hình phát hiện đối tượng một giai đoạn, không sử dụng anchor box từ framework PaddleDetection của Baidu. Được giới thiệu vào năm 2022, mục tiêu chính của nó là mang lại độ chính xác cao đồng thời duy trì hiệu quả, đặc biệt cho người dùng trong môi trường deep learning PaddlePaddle.
Tác giả: Nhóm tác giả PaddlePaddle
Tổ chức: Baidu
Ngày: 02-04-2022
Arxiv: https://arxiv.org/abs/2203.16250
GitHub: https://github.com/PaddlePaddle/PaddleDetection/
Tài liệu: https://github.com/PaddlePaddle/PaddleDetection/blob/release/2.8.1/configs/ppyoloe/README.md
Kiến trúc và các tính năng chính
PP-YOLOE+ tăng cường kiến trúc YOLO tiêu chuẩn với một số sửa đổi quan trọng để tăng hiệu suất.
- Thiết kế không mỏ neo (Anchor-Free): Bằng cách loại bỏ các hộp mỏ neo được xác định trước, PP-YOLOE+ đơn giản hóa quy trình dò tìm và giảm độ phức tạp của việc điều chỉnh siêu tham số. Cách tiếp cận này là phổ biến trong nhiều bộ dò tìm không mỏ neo hiện đại.
- Các thành phần hiệu quả: Tận dụng backbone ResNet và neck Mạng tổng hợp đường dẫn (Path Aggregation Network - PAN) để hợp nhất đặc trưng hiệu quả, đây là một sự kết hợp đã được chứng minh để cân bằng giữa tốc độ và độ chính xác.
- Decoupled Head (Đầu tách lớp): Mô hình tách biệt các nhiệm vụ phân loại và hồi quy trong đầu dò (detection head), một kỹ thuật được biết đến để cải thiện độ chính xác phát hiện bằng cách ngăn chặn sự can thiệp giữa các nhiệm vụ.
- Task Alignment Learning (TAL): Nó sử dụng một hàm loss chuyên dụng được thiết kế để căn chỉnh tốt hơn các tác vụ phân loại và định vị, dẫn đến các dự đoán chính xác hơn.
Điểm mạnh và Điểm yếu
PP-YOLOE+ đã chứng minh hiệu suất mạnh mẽ, nhưng nó đi kèm với một số đánh đổi nhất định.
- Ưu điểm: Mô hình có thể đạt được độ chính xác rất cao, đặc biệt là với các biến thể lớn hơn của nó. Thiết kế không mỏ neo của nó rất hiệu quả và nó được tối ưu hóa cao cho những người dùng đã đầu tư vào framework PaddlePaddle.
- Điểm yếu: Hạn chế chính của nó là sự gắn kết chặt chẽ với hệ sinh thái PaddlePaddle. Điều này có thể tạo ra một đường cong học tập dốc và những thách thức về tích hợp cho các nhà phát triển làm việc với các framework phổ biến hơn như PyTorch. Hơn nữa, hỗ trợ từ cộng đồng và các tài nguyên có sẵn có thể ít phong phú hơn so với các mô hình trong hệ sinh thái Ultralytics.
Các Trường hợp Sử dụng
PP-YOLOE+ rất phù hợp cho các ứng dụng mà độ chính xác cao là ưu tiên và môi trường phát triển dựa trên PaddlePaddle.
- Kiểm tra chất lượng công nghiệp: Phát hiện các khuyết tật nhỏ trong quy trình sản xuất.
- Bán lẻ thông minh: Hỗ trợ các ứng dụng như thanh toán tự động và quản lý hàng tồn kho.
- Tự động hóa tái chế: Xác định các vật liệu khác nhau cho hệ thống phân loại tự động.
YOLOv10: Hiệu quả đầu cuối (End-to-End) theo thời gian thực
Ultralytics YOLOv10 là một bước phát triển mới nhất trong series YOLO, được phát triển bởi các nhà nghiên cứu tại Đại học Thanh Hoa. Được phát hành vào tháng 5 năm 2024, nó giới thiệu những thay đổi mang tính đột phá về kiến trúc để đạt được khả năng phát hiện đối tượng theo thời gian thực, từ đầu đến cuối thực sự bằng cách loại bỏ các tắc nghẽn trong quá trình xử lý hậu kỳ và tối ưu hóa mô hình để có hiệu quả vượt trội.
Tác giả: Ao Wang, Hui Chen, Lihao Liu, et al.
Tổ chức: Đại học Thanh Hoa
Ngày: 2024-05-23
ArXiv: https://arxiv.org/abs/2405.14458
GitHub: https://github.com/THU-MIG/yolov10
Tài liệu: https://docs.ultralytics.com/models/yolov10/
Kiến trúc và các tính năng chính
Triết lý thiết kế của YOLOv10 tập trung vào hiệu quả và hiệu suất toàn diện, biến nó trở thành một lựa chọn nổi bật cho nhiều ứng dụng.
- Huấn luyện không cần NMS: Đổi mới quan trọng nhất của YOLOv10 là sử dụng gán kép nhất quán trong quá trình huấn luyện. Điều này loại bỏ sự cần thiết của Non-Maximum Suppression (NMS) (Triệt tiêu không cực đại) trong quá trình hậu xử lý, giúp giảm đáng kể độ trễ suy luận và đơn giản hóa quy trình triển khai.
- Thiết kế toàn diện về hiệu quả và độ chính xác: Mô hình có tính năng tối ưu hóa toàn diện backbone, neck và head. Những cải tiến như một lớp classification head (đầu phân loại) gọn nhẹ và giảm tỷ lệ lấy mẫu không gian-kênh được tách rời giúp giảm chi phí tính toán đồng thời bảo toàn thông tin đặc trưng phong phú.
- Khả năng mở rộng và hiệu quả vượt trội: YOLOv10 cung cấp một loạt các mô hình có khả năng mở rộng, từ Nano (N) đến Extra-large (X). Các mô hình này liên tục vượt trội so với các đối thủ bằng cách cung cấp độ chính xác cao hơn với ít tham số hơn và chi phí tính toán thấp hơn (FLOPs).
- Lợi thế hệ sinh thái Ultralytics: YOLOv10 được tích hợp liền mạch vào hệ sinh thái Ultralytics. Điều này cung cấp cho người dùng trải nghiệm tuyệt vời, đặc trưng bởi tính dễ sử dụng thông qua Python API và CLI đơn giản, tài liệu mở rộng, huấn luyện hiệu quả với các trọng số được huấn luyện trước có sẵn và yêu cầu bộ nhớ thấp hơn. Mô hình này được hỗ trợ bởi một cộng đồng mạnh mẽ và phát triển tích cực thông qua Ultralytics HUB.
Điểm mạnh và Điểm yếu
YOLOv10 đặt ra một tiêu chuẩn mới cho các công cụ phát hiện đối tượng thời gian thực.
- Ưu điểm: Tốc độ và độ chính xác hàng đầu, thiết kế không NMS end-to-end thực sự, hiệu quả tính toán vượt trội và khả năng mở rộng tuyệt vời. Việc tích hợp nó vào hệ sinh thái Ultralytics được duy trì tốt giúp việc huấn luyện, triển khai và bảo trì trở nên vô cùng dễ dàng.
- Điểm yếu: Vì là một mô hình mới hơn, cộng đồng và các công cụ của bên thứ ba vẫn đang phát triển so với các mô hình đã được thiết lập lâu đời như YOLOv8.
Các Trường hợp Sử dụng
Hiệu quả và thiết kế end-to-end của YOLOv10 làm cho nó trở thành lựa chọn lý tưởng cho các ứng dụng mà tốc độ và giới hạn tài nguyên là rất quan trọng.
- Ứng dụng thời gian thực: Hoàn hảo cho các hệ thống tự động như xe tự lái, robot học và hệ thống giám sát tốc độ cao để ngăn chặn trộm cắp.
- Triển khai biên: Các biến thể nhỏ hơn (YOLOv10n, YOLOv10s) được tối ưu hóa cao cho các thiết bị biên bị hạn chế về tài nguyên như Raspberry Pi và NVIDIA Jetson.
- Tác vụ độ chính xác cao: Các mô hình lớn hơn (YOLOv10l, YOLOv10x) cung cấp độ chính xác hàng đầu cho các lĩnh vực đòi hỏi khắt khe như phân tích hình ảnh y tế.
Phân tích hiệu năng: PP-YOLOE+ so với YOLOv10
Các điểm chuẩn hiệu suất minh họa rõ ràng những ưu điểm của kiến trúc hiện đại của YOLOv10. Mặc dù PP-YOLOE+x đạt được mAP cao nhất với một biên độ nhỏ, nhưng YOLOv10 liên tục mang lại sự cân bằng tốt hơn về tốc độ, độ chính xác và hiệu quả trên tất cả các kích thước mô hình.
| Mô hình | Kích thước (pixels) |
mAPval 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 |
| YOLOv10n | 640 | 39.5 | - | 1.56 | 2.3 | 6.7 |
| YOLOv10s | 640 | 46.7 | - | 2.66 | 7.2 | 21.6 |
| YOLOv10m | 640 | 51.3 | - | 5.48 | 15.4 | 59.1 |
| YOLOv10b | 640 | 52.7 | - | 6.54 | 24.4 | 92.0 |
| YOLOv10l | 640 | 53.3 | - | 8.33 | 29.5 | 120.3 |
| YOLOv10x | 640 | 54.4 | - | 12.2 | 56.9 | 160.4 |
Ví dụ: YOLOv10m đạt được mAP cao hơn PP-YOLOE+m đồng thời nhanh hơn và có ít tham số hơn đáng kể (15,4M so với 23,43M). Tương tự, YOLOv10l vượt trội hơn PP-YOLOE+l về độ chính xác với số lượng tham số gần bằng một nửa. Ngay cả ở phân khúc cao nhất, YOLOv10x hiệu quả hơn nhiều so với PP-YOLOE+x, mang lại độ chính xác tương đương với độ trễ và yêu cầu tính toán thấp hơn nhiều.
Kết luận: Bạn nên chọn mô hình nào?
Mặc dù PP-YOLOE+ là một mô hình mạnh mẽ cho người dùng cam kết với khuôn khổ PaddlePaddle, YOLOv10 là đề xuất rõ ràng cho phần lớn các nhà phát triển và nhà nghiên cứu.
Hiệu quả vượt trội, kiến trúc không NMS cải tiến và hiệu suất hiện đại của YOLOv10 làm cho nó trở thành một lựa chọn linh hoạt và có tính ứng dụng cao hơn trong tương lai. Việc tích hợp liền mạch vào hệ sinh thái Ultralytics giúp loại bỏ các rào cản gia nhập, cung cấp một giải pháp dễ sử dụng, được hỗ trợ tốt và có khả năng cao cho một loạt các ứng dụng thực tế, từ thiết bị biên đến máy chủ đám mây hiệu suất cao.
Khám phá các Mô hình Khác
Nếu bạn đang khám phá các tùy chọn khác, hãy xem xét các mô hình hiện đại khác trong hệ sinh thái Ultralytics. Bạn có thể tìm thấy các so sánh chi tiết như YOLOv10 so với YOLOv9 và YOLOv10 so với YOLOv8. Đối với những người quan tâm đến những phát triển mới nhất, hãy xem Ultralytics YOLO11 mới.
