PP-YOLOE+ so với YOLOv7#

Khi xây dựng các pipeline thị giác máy tính, việc lựa chọn model phát hiện đối tượng phù hợp là yếu tố then chốt. Hai kiến trúc nổi bật từ năm 2022, PP-YOLOE+ và YOLOv7, đã mang đến những cải tiến mạnh mẽ cho bài toán phát hiện đối tượng theo thời gian thực. Bản so sánh kỹ thuật này cung cấp cái nhìn chuyên sâu về kiến trúc, phương pháp huấn luyện và hiệu năng trong thực tế của chúng, giúp bạn đưa ra quyết định phù hợp cho các ứng dụng của mình.

Tổng quan về các model#

Cả PP-YOLOE+ và YOLOv7 đều được thiết kế để mở rộng giới hạn về độ chính xác và tốc độ, nhưng chúng xuất phát từ các hệ sinh thái phát triển và triết lý thiết kế khác nhau.

PP-YOLOE+#

Được phát triển bởi các tác giả PaddlePaddle tại Baidu, PP-YOLOE+ được xây dựng dựa trên PP-YOLOv2 ban đầu. Model này được giới thiệu nhằm cung cấp một bộ phát hiện đối tượng hiệu quả và có độ chính xác cao, được tối ưu cho hệ sinh thái PaddlePaddle.

• Tác giả: Các tác giả PaddlePaddle
• Tổ chức: Baidu
• Ngày: 2022-04-02
• Arxiv: 2203.16250
• GitHub: Repository PaddleDetection
• Tài liệu: Tài liệu PP-YOLOE+

Tìm hiểu thêm về PP-YOLOE+

YOLOv7#

Được phát triển bởi Chien-Yao Wang, Alexey Bochkovskiy và Hong-Yuan Mark Liao, YOLOv7 đã giới thiệu "trainable bag-of-freebies" để thiết lập các mốc chuẩn tiên tiến nhất mới cho những bộ phát hiện đối tượng theo thời gian thực tại thời điểm phát hành.

• Tác giả: Chien-Yao Wang, Alexey Bochkovskiy và Hong-Yuan Mark Liao
• Tổ chức: Viện Khoa học Thông tin, Academia Sinica, Đài Loan
• Ngày: 2022-07-06
• Arxiv: 2207.02696
• GitHub: Repository YOLOv7
• Tài liệu: Tài liệu Ultralytics YOLOv7

Tìm hiểu thêm về YOLOv7

Các cải tiến về kiến trúc#

Kiến trúc PP-YOLOE+#

PP-YOLOE+ phụ thuộc nhiều vào paradigma anchor-free, giúp đơn giản hóa quy trình triển khai bằng cách loại bỏ nhu cầu tinh chỉnh anchor box cho các dataset tùy chỉnh. Model này tích hợp backbone RepResNet mạnh mẽ và PAN (Mạng tổng hợp đặc trưng theo đường dẫn) theo phong cách CSPNet để hợp nhất đặc trưng đa tỷ lệ hiệu quả. Ngoài ra, model còn tận dụng khái niệm TAL (Học căn chỉnh tác vụ) để căn chỉnh động các tác vụ phân loại và định vị trong quá trình huấn luyện, đảm bảo độ chính xác cao trên nhiều tác vụ thị giác máy tính.

Kiến trúc YOLOv7#

YOLOv7 áp dụng một hướng tiếp cận khác bằng cách giới thiệu E-ELAN (Mạng tổng hợp lớp hiệu quả mở rộng). Kiến trúc này cho phép mạng học các đặc trưng đa dạng hơn mà không phá hủy đường dẫn gradient ban đầu, từ đó giúp hội tụ tốt hơn. YOLOv7 cũng tận dụng mạnh mẽ việc tái tham số hóa model—cụ thể là các phép tích chập được tái tham số hóa theo kế hoạch—để hợp nhất các lớp tích chập trong quá trình suy luận, tăng tốc thực thi mà không làm giảm độ chính xác. Điều này giúp YOLOv7 đặc biệt mạnh trong các tác vụ như theo dõi nhiều đối tượng và hệ thống cảnh báo an ninh phức tạp.

Phân tích hiệu năng#

Khi cân bằng giữa tốc độ, số lượng tham số và độ chính xác (mAP), các model có ưu thế khác nhau tùy thuộc vào biến thể cụ thể và phần cứng mục tiêu. Dưới đây là bảng so sánh toàn diện các chỉ số của chúng.

Mặc dù model PP-YOLOE+x đạt mAP cao hơn một chút, các biến thể YOLOv7 có tỷ lệ tham số trên độ chính xác rất tốt. Kiến trúc YOLOv7 vẫn là lựa chọn yêu thích cho xử lý GPU thuần túy, trong đó tối ưu hóa TensorRT mang lại độ trễ cực thấp.

Lợi thế của Ultralytics#

Khi huấn luyện và triển khai các model này, framework bạn chọn cũng quan trọng không kém chính model. Việc sử dụng Ultralytics mang lại trải nghiệm người dùng tinh gọn nhờ API Python thống nhất cao, giúp đơn giản hóa toàn bộ vòng đời machine learning.

• Hệ sinh thái được duy trì tốt: Các model Ultralytics YOLO được hưởng lợi từ hệ sinh thái liên tục được cập nhật, tài liệu vững chắc và cộng đồng năng động.
• Yêu cầu bộ nhớ: Ultralytics tối ưu mạnh mẽ việc tải dữ liệu và quy trình huấn luyện. Việc huấn luyện các model Ultralytics YOLO thường yêu cầu ít bộ nhớ CUDA hơn nhiều so với các kiến trúc nặng dựa trên Transformer, cho phép developer sử dụng batch size lớn hơn trên phần cứng phổ thông.
• Hiệu quả huấn luyện: Bằng cách tận dụng các chiến lược tăng cường dữ liệu mạnh mẽ và tính năng tinh chỉnh hyperparameter tích hợp sẵn, Ultralytics đảm bảo model hội tụ nhanh với các trọng số pre-trained dễ dàng sử dụng.

Triển khai API đơn giản#

Việc huấn luyện model YOLOv7 với Ultralytics chỉ cần vài dòng code, hoàn toàn trừu tượng hóa các script huấn luyện phức tạp:

from ultralytics import YOLO

# Load a pretrained YOLOv7 model
model = YOLO("yolov7.pt")

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

# Export to TensorRT for deployment
model.export(format="engine", device=0)

Tiêu chuẩn mới: Giới thiệu YOLO26#

Mặc dù PP-YOLOE+ và YOLOv7 là những cột mốc trong lĩnh vực phát hiện đối tượng, bối cảnh AI đang phát triển nhanh chóng. Đối với mọi dự án thị giác máy tính mới, chúng tôi đặc biệt khuyến nghị Ultralytics YOLO26. Được phát hành vào tháng 1 năm 2026, YOLO26 đại diện cho một bước tiến vượt bậc trong AI thị giác ưu tiên edge.

Vì sao YOLO26 vượt trội các kiến trúc cũ:

• Thiết kế end-to-end không cần NMS: YOLO26 vốn là end-to-end. Bằng cách loại bỏ bước hậu xử lý Non-Maximum Suppression (NMS), model đảm bảo độ trễ suy luận có thể dự đoán và mang tính tất định—một đột phá lần đầu xuất hiện trong YOLOv10.
• Loại bỏ DFL: Việc loại bỏ Distribution Focal Loss giúp đơn giản hóa quy trình export và cải thiện đáng kể khả năng tương thích với các thiết bị edge công suất thấp.
• Suy luận CPU nhanh hơn tới 43%: Đối với các kịch bản không có GPU chuyên dụng—chẳng hạn như cảm biến IoT cho thành phố thông minh—YOLO26 được tối ưu mạnh mẽ để chạy hiệu quả trực tiếp trên CPU.
• Bộ tối ưu MuSGD: Lấy cảm hứng từ các kỹ thuật huấn luyện LLM tiên tiến (như Kimi K2 của Moonshot AI), YOLO26 sử dụng sự kết hợp giữa SGD và Muon để huấn luyện cực kỳ ổn định và hội tụ nhanh.
• ProgLoss + STAL: Các hàm loss được cải tiến này mang lại mức tăng đáng kể trong việc phát hiện đối tượng nhỏ, yếu tố quan trọng đối với những trường hợp sử dụng như ảnh chụp từ trên không bằng drone và phát hiện lỗi sản xuất.

Các trường hợp sử dụng và kịch bản triển khai lý tưởng#

Khi nào nên sử dụng PP-YOLOE+#

PP-YOLOE+ phát huy thế mạnh khi bạn đã gắn bó sâu với hệ sinh thái Baidu và PaddlePaddle. Nếu mục tiêu triển khai của bạn sử dụng phần cứng chuyên dụng được thiết kế riêng cho các model Paddle (ví dụ: trong một số pipeline sản xuất tại châu Á), PP-YOLOE+ cung cấp độ chính xác xuất sắc và khả năng tích hợp liền mạch. Model này đặc biệt hiệu quả cho tự động hóa sản xuất công nghiệp.

Khi nào nên sử dụng YOLOv7#

YOLOv7 vẫn là lựa chọn xuất sắc cho suy luận hiệu năng cao nói chung, đặc biệt khi triển khai trên phần cứng NVIDIA sử dụng TensorRT. Khả năng tích hợp vào hệ sinh thái PyTorch giúp model rất linh hoạt cho nghiên cứu học thuật và các pipeline thương mại tùy chỉnh, chẳng hạn như quản lý đám đông theo thời gian thực hoặc các tác vụ ước lượng pose phức tạp, trong đó tính toàn vẹn cấu trúc của mạng là yếu tố then chốt.

Các model khác cần cân nhắc#

Tùy thuộc vào nhu cầu cụ thể, bạn cũng có thể quan tâm đến việc so sánh các kiến trúc này với YOLO11 để có tính linh hoạt rộng rãi, sẵn sàng cho production, hoặc với RT-DETR nếu dự án yêu cầu những ưu điểm cụ thể của vision Transformer so với các mạng tích chập truyền thống.

Kết luận#

Cả PP-YOLOE+ và YOLOv7 đều mang lại những cải tiến đáng kể cho lĩnh vực phát hiện đối tượng theo thời gian thực. Trong khi PP-YOLOE+ nổi bật trong các môi trường được chuẩn hóa quanh PaddlePaddle, YOLOv7 cung cấp khả năng linh hoạt và hiệu năng ấn tượng thông qua hệ sinh thái PyTorch và Ultralytics.

Tuy nhiên, khi các giải pháp thị giác máy tính tiếp tục phát triển, việc sử dụng các công cụ hiện đại là điều thiết yếu. Bằng cách áp dụng Ultralytics Platform và các kiến trúc thế hệ mới như YOLO26, developer có thể đảm bảo ứng dụng của mình luôn dẫn đầu về tốc độ, độ chính xác và tính dễ sử dụng.