PP-YOLOE+ so với YOLOv10: Điều hướng các kiến trúc phát hiện đối tượng thời gian thực
Bối cảnh thị giác máy tính đang không ngừng phát triển, với các model mới liên tục đẩy xa giới hạn của những gì khả thi trong việc phát hiện đối tượng thời gian thực. Trong bản so sánh kỹ thuật toàn diện này, chúng ta sẽ kiểm tra PP-YOLOE+ và YOLOv10, hai kiến trúc đầy năng lực được thiết kế cho các hệ sinh thái khác nhau. Chúng ta cũng sẽ khám phá cách mà bối cảnh rộng lớn hơn đang dịch chuyển sang các nền tảng thống nhất, dễ sử dụng hơn như Ultralytics Platform và model YOLO26 tiên tiến nhất hiện nay.
Giới thiệu về các model
Việc lựa chọn nền tảng phù hợp cho các dự án thị giác máy tính của bạn đòi hỏi sự hiểu biết sâu sắc về các đánh đổi kiến trúc, hạn chế khi triển khai và sự hỗ trợ hệ sinh thái của từng model.
Tổng quan về PP-YOLOE+
Được phát triển bởi các tác giả PaddlePaddle tại Baidu, PP-YOLOE+ là một bước tiến hóa so với các phiên bản trước đó trong hệ sinh thái PaddleDetection.
- Tác giả: Các tác giả PaddlePaddle
- Tổ chức: Baidu
- Ngày: 2022-04-02
- Arxiv: https://arxiv.org/abs/2203.16250
- GitHub: Kho lưu trữ PaddleDetection
- Tài liệu: Tài liệu chính thức PP-YOLOE+
Điểm mạnh: PP-YOLOE+ vượt trội trong các môi trường được tích hợp sâu với framework PaddlePaddle. Nó giới thiệu backbone CSPRepResNet tiên tiến và dựa vào chiến lược gán nhãn (TAL) mạnh mẽ để đạt được mean Average Precision (mAP) đầy ấn tượng. Nó được tối ưu hóa cao cho việc triển khai trên các GPU cấp máy chủ thường thấy trong các ứng dụng công nghiệp trên khắp châu Á.
Điểm yếu: Hạn chế chính của PP-YOLOE+ là sự phụ thuộc nặng nề vào hệ sinh thái PaddlePaddle, vốn có thể ít trực quan hơn đối với các lập trình viên đã quen với PyTorch. Ngoài ra, nó đòi hỏi kỹ thuật NMS (Non-Maximum Suppression) truyền thống để hậu xử lý, điều này làm tăng độ trễ và sự phức tạp khi triển khai.
Tổng quan về YOLOv10
Được phát hành bởi các nhà nghiên cứu tại Đại học Thanh Hoa, YOLOv10 đã mang đến một sự thay đổi mô hình kiến trúc đáng kể bằng cách loại bỏ NMS khỏi pipeline suy luận (inference).
- Tác giả: Ao Wang, Hui Chen, Lihao Liu, và cộng sự.
- Tổ chức: Đại học Thanh Hoa
- Ngày: 2024-05-23
- Arxiv: https://arxiv.org/abs/2405.14458
- GitHub: Kho lưu trữ YOLOv10
- Docs: Tài liệu YOLOv10
Điểm mạnh: Tính năng nổi bật của YOLOv10 là khả năng gán kép nhất quán cho quá trình đào tạo không cần NMS. Điều này có nghĩa là model dự đoán trực tiếp BBox mà không cần bước lọc phụ, giúp việc triển khai model trở nên đơn giản và nhanh hơn nhiều trên các thiết bị biên. Nó đạt được sự cân bằng tuyệt vời giữa số lượng tham số thấp và độ chính xác cao.
Điểm yếu: Mặc dù rất hiệu quả cho tác vụ phát hiện đối tượng 2D tiêu chuẩn, YOLOv10 thiếu hỗ trợ gốc cho các tác vụ thị giác máy tính quan trọng khác như phân đoạn đối tượng và ước tính tư thế, điều này hạn chế tính linh hoạt của nó trong các pipeline đa tác vụ phức tạp.
So sánh hiệu suất và các chỉ số
Việc hiểu cách các model này hoạt động dựa trên các benchmark tiêu chuẩn là yếu tố quan trọng để chọn đúng kiến trúc. Dưới đây là bảng so sánh chi tiết về kích thước, độ chính xác và độ trễ của chúng.
| Model | 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 |
Phân tích kỹ thuật
Khi phân tích dữ liệu, một vài xu hướng chính xuất hiện. Các model YOLOv10 nano và small tập trung mạnh mẽ vào hiệu quả tại biên, với YOLOv10n sở hữu vỏn vẹn 2,3 triệu tham số và 6,7B FLOPs. Thiết kế gọn nhẹ này, kết hợp với kiến trúc không cần NMS, giúp giảm độ trễ đáng kể trên các nền tảng sử dụng TensorRT và OpenVINO.
Ngược lại, PP-YOLOE+ thể hiện năng lực mạnh mẽ ở các phân khúc trọng lượng lớn hơn, với biến thể X-large vượt trội nhẹ so với YOLOv10x về mAP (54,7% so với 54,4%). Tuy nhiên, điều này đi kèm với cái giá là số lượng tham số gần gấp đôi (98,42M so với 56,9M), khiến YOLOv10x trở thành model hiệu quả hơn đáng kể cho các môi trường hạn chế về bộ nhớ.
Lợi thế của hệ sinh thái Ultralytics
Mặc dù cả PP-YOLOE+ và YOLOv10 đều mang lại những thành tựu kỹ thuật đáng chú ý, kỹ thuật ML hiện đại đòi hỏi nhiều hơn là chỉ một kiến trúc thô; nó cần một hệ sinh thái được bảo trì tốt.
Ultralytics cung cấp một Python SDK hàng đầu trong ngành giúp đơn giản hóa đáng kể việc thu thập và gán nhãn dữ liệu, đào tạo và triển khai. So với các framework nghiên cứu cồng kềnh hoặc các model Transformer cũ, các kiến trúc Ultralytics yêu cầu ít bộ nhớ CUDA hơn trong quá trình đào tạo, cho phép kích thước batch lớn hơn và các vòng lặp nhanh hơn. Hơn nữa, bộ công cụ Ultralytics mang lại sự linh hoạt to lớn—hỗ trợ phân loại hình ảnh, OBB (Oriented Bounding Box) và theo dõi đối tượng mạnh mẽ ngay khi sử dụng.
Giới thiệu YOLO26: Thế hệ tiếp theo
Được phát hành vào tháng 1 năm 2026, Ultralytics YOLO26 đại diện cho đỉnh cao của sự tiến hóa thị giác máy tính, kết hợp những hiểu biết tốt nhất từ các model như YOLOv10 đồng thời giải quyết các hạn chế của chúng.
Những cải tiến chính của YOLO26:
- Thiết kế End-to-End không cần NMS: Dựa trên khái niệm tiên phong trong YOLOv10, YOLO26 là end-to-end tự nhiên, loại bỏ hoàn toàn việc hậu xử lý NMS để triển khai nhanh hơn, đơn giản hơn trên nhiều loại phần cứng.
- Loại bỏ DFL: Bằng cách loại bỏ Distribution Focal Loss (DFL), kiến trúc model được đơn giản hóa đáng kể để xuất (export), đảm bảo tính tương thích hoàn hảo với các thiết bị AI biên công suất thấp.
- MuSGD Optimizer: Lấy cảm hứng từ các kỹ thuật đào tạo model ngôn ngữ lớn (như Kimi K2 của Moonshot AI), YOLO26 sử dụng kết hợp lai giữa SGD và Muon. Điều này mang lại sự ổn định đào tạo chưa từng có và tốc độ hội tụ nhanh hơn đáng kể.
- Up to 43% Faster CPU Inference: Optimized heavily for real-world scenarios, YOLO26 offers massive speedups for applications relying on CPU compute, making it perfect for smart surveillance and mobile deployments.
- ProgLoss + STAL: These improved loss functions drastically increase performance on small-object recognition, a critical factor for aerial imagery and robotics.
- Cải tiến theo tác vụ: Không giống như YOLOv10, YOLO26 hỗ trợ bản địa multi-scale proto cho phân đoạn và Residual Log-Likelihood Estimation (RLE) cho ước tính tư thế.
Triển khai thực tế
Việc bắt đầu với các model Ultralytics được thiết kế để không gây khó khăn. Chỉ với vài dòng code, bạn có thể khởi chạy quy trình đào tạo bằng cách sử dụng điều chỉnh siêu tham số tự động và các pipeline tăng cường dữ liệu hiện đại.
from ultralytics import YOLO
# Load the highly recommended YOLO26 model
model = YOLO("yolo26n.pt")
# Train the model on the COCO8 dataset
# Memory usage is highly optimized compared to transformer architectures
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)
# Run an end-to-end NMS-free inference
inference_results = model("https://ultralytics.com/images/bus.jpg")
# Export directly to ONNX or TensorRT for deployment
model.export(format="onnx", simplify=True)Các trường hợp sử dụng và khuyến nghị
Việc lựa chọn giữa PP-YOLOE+ và YOLOv10 phụ thuộc vào yêu cầu dự án cụ thể, các hạn chế triển khai và tùy chọn hệ sinh thái của bạn.
Khi nào nên chọn PP-YOLOE+
PP-YOLOE+ là một lựa chọn mạnh mẽ cho:
- Tích hợp hệ sinh thái PaddlePaddle: Các tổ chức có hạ tầng hiện có được xây dựng trên framework và công cụ PaddlePaddle của Baidu.
- Triển khai Edge với Paddle Lite: Triển khai lên phần cứng với các nhân inference được tối ưu hóa cao dành riêng cho công cụ Paddle Lite hoặc Paddle inference.
- Nhận diện độ chính xác cao phía máy chủ: 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 YOLOv10
YOLOv10 được khuyến nghị cho:
- Nhận diện thời gian thực không cần NMS: Các ứng dụng hưởng lợi từ việc nhận diện end-to-end mà không cần Non-Maximum Suppression, giảm bớt độ phức tạp khi triển khai.
- Cân bằng giữa tốc độ và độ chính xác: Các dự án yêu cầu sự cân bằng tốt giữa tốc độ suy luận và độ chính xác nhận diện trên nhiều quy mô mô hình khác nhau.
- Ứng dụng yêu cầu độ trễ nhất quán: Các kịch bản triển khai nơi thời gian suy luận có thể dự đoán được là rất quan trọng, chẳng hạn như robotics hoặc các hệ thống tự hành.
Khi nào nên chọn Ultralytics (YOLO26)
Đối với hầu hết các dự án mới, Ultralytics YOLO26 cung cấp sự kết hợp tốt nhất giữa hiệu suất và trải nghiệm nhà phát triển:
- Triển khai Edge không cần NMS: Các ứng dụng yêu cầu suy luận ổn định, độ trễ thấp mà không cần sự phức tạp của việc hậu xử lý Non-Maximum Suppression.
- Môi trường chỉ sử dụng CPU: Các thiết bị không có GPU tăng tốc chuyên dụng, nơi tốc độ suy luận trên CPU nhanh hơn tới 43% của YOLO26 mang lại lợi thế quyết định.
- Nhận diện đối tượng nhỏ: Các kịch bản thách thức như ảnh drone trên không hoặc phân tích cảm biến IoT nơi ProgLoss và STAL tăng cường đáng kể độ chính xác trên các đối tượng cực nhỏ.
Kết luận
PP-YOLOE+ vẫn là một tùy chọn đáng tin cậy cho các nhóm bị ràng buộc trong hệ sinh thái Baidu và các môi trường máy chủ công nghiệp. YOLOv10 đại diện cho một cột mốc học thuật xuất sắc đã chứng minh tính khả thi của việc phát hiện thời gian thực không cần NMS.
Tuy nhiên, đối với các nhà phát triển đang tìm kiếm sự kết hợp tuyệt đỉnh giữa độ chính xác, tốc độ suy luận cực nhanh và khả năng đa tác vụ liền mạch, Ultralytics YOLO26 là lựa chọn dứt khoát. Những cải tiến của nó về hiệu quả đào tạo và kiến trúc triển khai ưu tiên biên đảm bảo nó đứng vững như một giải pháp mạnh mẽ và linh hoạt nhất cho thị giác máy tính cấp sản xuất vào năm 2026 và xa hơn nữa.