Bắt đầu

PP-YOLOE+ và YOLOv5

Khi chọn framework học sâu cho thị giác máy tính, các nhà phát triển thường so sánh nhiều kiến trúc để tìm sự cân bằng phù hợp giữa tốc độ, độ chính xác và tính dễ triển khai. Bài so sánh này phân tích khác biệt kỹ thuật giữa PP-YOLOE+ và YOLOv5 trong phát hiện đối tượng. Bằng cách phân tích kiến trúc, chỉ số hiệu năng và kịch bản triển khai phù hợp nhất, bạn có thể đưa ra quyết định sáng suốt cho dự án tiếp theo, dù dự án liên quan đến robot thời gian thực, triển khai edge hay phân tích video trên đám mây.

Nguồn gốc và siêu dữ liệu của model#

Cả hai model đều đến từ những nhóm kỹ thuật mạnh, nhưng hướng đến các hệ sinh thái hơi khác nhau. Tìm hiểu nguồn gốc của chúng sẽ giúp làm rõ các lựa chọn thiết kế kiến trúc.

Thông tin chi tiết về PP-YOLOE+:

Tìm hiểu thêm về PP-YOLOE+

Thông tin về YOLOv5:

So sánh kiến trúc#

Kiến trúc PP-YOLOE+#

PP-YOLOE+ là bước phát triển trong hệ sinh thái Baidu, dựa trên nền tảng các model trước đó như PP-YOLOv2. Model giới thiệu backbone CSPRepResNet được tối ưu, tăng cường trích xuất đặc trưng bằng cách kết hợp các nguyên tắc của mạng Phân đoạn từng phần theo Giai đoạn (CSP) với kỹ thuật tái tham số hóa. Nhờ đó, model duy trì độ chính xác cao trong quá trình huấn luyện, đồng thời chuyển thành kiến trúc tinh gọn hơn để suy luận nhanh hơn.

Ngoài ra, PP-YOLOE+ sử dụng Học Căn chỉnh Tác vụ (TAL) và head Efficient Task-aligned (ET-head). Sự kết hợp này nhằm giải quyết tình trạng lệch pha giữa các tác vụ phân loại và định vị, một nút thắt phổ biến trong detector đối tượng dày đặc. Dù được thiết kế tốt, kiến trúc này gắn chặt với framework PaddlePaddle, điều có thể gây khó khăn khi tích hợp cho các nhóm tiêu chuẩn hóa theo những thư viện ML phổ biến khác.

Kiến trúc YOLOv5#

Ngược lại, YOLOv5 được phát triển trực tiếp bằng PyTorch, tiêu chuẩn ngành cho cả nghiên cứu học thuật lẫn sản xuất doanh nghiệp. Model sử dụng backbone CSPDarknet53 đã chỉnh sửa, nổi tiếng với luồng gradient mạnh và hiệu quả tham số.

Một đặc điểm nổi bật của YOLOv5 là thuật toán AutoAnchor, tự động kiểm tra và điều chỉnh kích thước anchor box dựa trên dataset tùy chỉnh cụ thể trước khi huấn luyện. Nhờ đó, không cần tinh chỉnh hyperparameter thủ công cho các bounding box. Neck Mạng tổng hợp đường dẫn (PANet) của model đảm bảo hợp nhất đặc trưng đa tỷ lệ ổn định, giúp model phát hiện hiệu quả các đối tượng có kích thước khác nhau.

Triển khai PyTorch tinh gọn

Vì YOLOv5 được xây dựng trực tiếp trên PyTorch, việc xuất sang các định dạng tối ưu như ONNX và TensorRT cần ít cấu hình middleware hơn đáng kể so với các model phụ thuộc vào chuỗi công cụ riêng của từng framework.

Phân tích hiệu năng#

Để đánh giá các model này, cần xem xét sự đánh đổi giữa Độ chính xác trung bình (mAP) và độ trễ. Bảng sau trình bày các chỉ số theo nhiều kích thước model khác nhau.

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
YOLOv5n64028.0-1.121.94.5
YOLOv5s64037.4-1.927.216.5
YOLOv5m64045.4-4.0321.249.0
YOLOv5l64049.0-6.6146.5109.1
YOLOv5x64050.7-11.8986.7205.7

PP-YOLOE+ đạt điểm mAP rất cạnh tranh ở các quy mô lớn (chẳng hạn biến thể X), nhưng YOLOv5 có tốc độ nhanh hơn và ít tham số hơn ở nhóm quy mô nhỏ. YOLOv5 Nano (YOLOv5n) chỉ cần 1.9 triệu tham số, rất phù hợp với thiết bị edge hạn chế tài nguyên và có yêu cầu nghiêm ngặt về bộ nhớ. Ngoài ra, huấn luyện model YOLO thường tiêu thụ ít bộ nhớ CUDA hơn so với các lựa chọn thay thế nặng dựa trên Transformer như RT-DETR.

Lợi thế của Ultralytics#

Khi lựa chọn kiến trúc, các chỉ số thuần chỉ là một phần của bài toán. Trải nghiệm nhà phát triển, hỗ trợ hệ sinh thái và pipeline triển khai thường quyết định thành công thực tế của dự án. Đây là những điểm khiến các model Ultralytics nổi bật.

Dễ sử dụng#

Python API của Ultralytics loại bỏ phần lớn mã thiết lập phức tạp. Nhà phát triển có thể bắt đầu huấn luyện, xác thực hiệu năng và triển khai model chỉ với lượng mã tối thiểu. Tài liệu phong phú, được duy trì tích cực và có sự hỗ trợ của cộng đồng mã nguồn mở toàn cầu đông đảo.

Tính linh hoạt trên nhiều tác vụ#

PP-YOLOE+ là detector đối tượng chuyên biệt, còn hệ sinh thái Ultralytics cho phép người dùng xử lý nhiều tác vụ thị giác máy tính thông qua một API thống nhất. Với YOLOv5 và các phiên bản kế nhiệm, bạn có thể dễ dàng chuyển từ hộp giới hạn tiêu chuẩn sang quy trình phân đoạn đối tượng và phân loại.

Ví dụ code: Huấn luyện YOLOv5#

Chỉ cần vài dòng code để bắt đầu. Sự đơn giản này giúp tăng tốc đáng kể các chu kỳ nghiên cứu và phát triển.

from ultralytics import YOLO

# Tải model YOLOv5 small đã được huấn luyện trước
model = YOLO("yolov5su.pt")  # YOLOv5u: weight YOLOv5 không anchor dành cho package ultralytics

# Huấn luyện model trên bộ dữ liệu COCO8
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Chạy suy luận nhanh trên ảnh
predictions = model("https://ultralytics.com/images/bus.jpg")
predictions[0].show()

Các trường hợp sử dụng thực tế#

Khi nào nên chọn PP-YOLOE+: Nếu tổ chức của bạn gắn bó sâu với nền tảng phần mềm Baidu hoặc phụ thuộc nhiều vào phần cứng chuyên dụng bắt buộc sử dụng framework PaddlePaddle, PP-YOLOE+ là lựa chọn có hiệu năng tốt. Model thường được dùng trong các pipeline sản xuất chuyên biệt đã tích hợp Paddle.

Khi nào nên chọn YOLOv5: Với phần lớn nhà phát triển, nhà nghiên cứu và doanh nghiệp, YOLOv5 vẫn là lựa chọn mạnh mẽ. Nền tảng PyTorch giúp model tương thích ngay với các công cụ như Weights & Biases để theo dõi, đồng thời dễ dàng xuất sang TensorRT nhằm tăng tốc trên GPU NVIDIA hoặc sang CoreML cho thiết bị Apple. Model hoạt động tốt trong nhiều lĩnh vực, từ giám sát cây trồng nông nghiệp đến điều hướng drone tốc độ cao.

Tương lai của phát hiện đối tượng: Ultralytics YOLO26#

YOLOv5 là model mang tính cột mốc, nhưng thị giác máy tính đã phát triển. Với mọi dự án phát triển mới, model được khuyến nghị là YOLO26, ra mắt vào tháng 1 năm 2026. Có sẵn thông qua Nền tảng Ultralytics, YOLO26 thiết lập chuẩn mực mới về hiệu quả.

Các cải tiến chính trong YOLO26:

  • Thiết kế đầu-cuối không cần NMS: Đầu dự đoán one-to-one tùy chọn của YOLO26 (nms=False) bỏ qua hoàn toàn bước hậu xử lý ức chế phi cực đại (NMS). Điều này làm giảm biến động độ trễ và đơn giản hóa đáng kể quy trình triển khai.
  • Suy luận CPU nhanh hơn đến 43%: Bằng cách loại bỏ Distribution Focal Loss (DFL), YOLO26 tăng đáng kể tốc độ trên các thiết bị biên không có GPU, trong đó YOLO26n chạy nhanh hơn YOLO11n đến 43%.
  • Optimizer MuSGD: Lấy cảm hứng từ các kỹ thuật huấn luyện mô hình ngôn ngữ lớn (LLM), optimizer lai này ổn định động lực huấn luyện và giúp hội tụ nhanh hơn trên các dataset tùy chỉnh.
  • Cải tiến theo tác vụ: Tích hợp ProgLoss và STAL (hàm loss tiến triển và chiến lược gán nhãn nhận biết mục tiêu nhỏ), giúp cải thiện độ chính xác khi phát hiện vật thể cực nhỏ. Model hỗ trợ sẵn phát hiện Hộp giới hạn định hướng (OBB) cho ảnh chụp từ trên không.

Nếu đang tìm hiểu các model thị giác hiện đại, bạn cũng có thể quan tâm đến việc so sánh thế hệ trước YOLO11 hoặc các phương pháp dựa trên Transformer như RT-DETR. Hệ sinh thái mạnh mẽ cùng những cải tiến kiến trúc liên tục khiến Ultralytics trở thành lựa chọn phù hợp cho các tác vụ thị giác máy tính hiện đại.

Người đóng góp

Bình luận

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