PP-YOLOE+ và YOLOv7
Khi xây dựng pipeline thị giác máy tính, việc chọn đúng model phát hiện đối tượng là rất quan trọng. Hai kiến trúc đáng chú ý ra mắt năm 2022, PP-YOLOE+ và YOLOv7, đã mang đến những cải tiến quan trọng cho phát hiện đối tượng thời gian thực. Bài so sánh kỹ thuật này phân tích kiến trúc, phương pháp huấn luyện và hiệu năng thực tế của chúng để giúp bạn đưa ra quyết định phù hợp cho ứng dụng.
Tổng quan về các model#
PP-YOLOE+ và YOLOv7 đều được thiết kế để cải thiện độ chính xác và tốc độ, nhưng chúng bắt nguồn từ các hệ sinh thái phát triển và triết lý thiết kế khác nhau.
PP-YOLOE+#
Được phát triển bởi nhóm tác giả PaddlePaddle tại Baidu, PP-YOLOE+ dựa trên PP-YOLOE và phiên bản PP-YOLOv2 trước đó. Model được giới thiệu nhằm cung cấp detector đối tượng hiệu quả và chính xác, tối ưu cho hệ sinh thái PaddlePaddle.
- Tác giả: Nhóm tác giả PaddlePaddle
- Tổ chức: Baidu
- Ngày: 2022-04-02
- arXiv: 2203.16250
- GitHub: Kho lưu trữ PaddleDetection
- Tài liệu: Tài liệu 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 chuẩn mực tiên tiến nhất vào thời điểm phát hành cho bộ phát hiện đối tượng thời gian thực.
- 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: Kho lưu trữ YOLOv7
- Tài liệu: Tài liệu Ultralytics YOLOv7
Các cải tiến kiến trúc#
Kiến trúc PP-YOLOE+#
PP-YOLOE+ sử dụng thiết kế không anchor, giúp đơn giản hóa triển khai bằng cách loại bỏ nhu cầu tinh chỉnh hộp anchor cho tập dữ liệu tùy chỉnh. Model tích hợp backbone CSPRepResNet và PAN (Mạng Tổng hợp Đường dẫn) kiểu CSPNet để hợp nhất đặc trưng đa tỷ lệ hiệu quả. Model cũng sử dụng Học Căn chỉnh Tác vụ (TAL) để căn chỉnh linh hoạt 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 hướng tiếp cận khác với Mạng Tổng hợp Lớp Hiệu quả Mở rộng (E-ELAN). Kiến trúc này cho phép mạng học các đặc trưng đa dạng hơn mà không phá vỡ đường đi gradient ban đầu, nhờ đó hội tụ tốt hơn. YOLOv7 cũng sử dụng nhiều kỹ thuật tái tham số hóa model, cụ thể là các phép tích chập tái tham số hóa được lập kế hoạch, gộp các lớp tích chập trong quá trình suy luận để tăng tốc thực thi mà không làm giảm độ chính xác. Nhờ vậy, YOLOv7 phù hợp với các workload GPU như theo dõi nhiều đối tượng và hệ thống báo động an ninh phức tạp.
Phân tích hiệu năng#
Khi cân bằng tốc độ, số lượng tham số và độ chính xác (mAP), mỗi model dẫn đầu ở những lĩnh vực khác nhau tùy theo biến thể cụ thể và phần cứng mục tiêu. Bảng dưới đây so sánh các chỉ số của chúng.
| Model | kích thước (pixel) | mAPval50-95 | Tốc độ CPU ONNX (ms) | Tốc độ T4 TensorRT10 (ms) | params (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 |
| YOLOv7l | 640 | 51.4 | - | 6.84 | 36.9 | 104.7 |
| YOLOv7x | 640 | 53.1 | - | 11.57 | 71.3 | 189.9 |
Model PP-YOLOE+x đạt mAP nhỉnh hơn một chút, nhưng các biến thể YOLOv7 có tỷ lệ tham số trên độ chính xác rất tốt. Kiến trúc YOLOv7 vẫn được ưa chuộng cho xử lý GPU thuần, trong đó tối ưu TensorRT mang lại độ trễ rất thấp.
Lợi thế của Ultralytics#
Khi huấn luyện và triển khai các model này, framework bạn chọn cũng quan trọng như chính model. Ultralytics mang đến trải nghiệm người dùng tinh gọn nhờ Python API thống nhất, giúp đơn giản hóa toàn bộ vòng đời học máy.
- 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 toàn diện và cộng đồng năng động.
- Yêu cầu bộ nhớ: Ultralytics tối ưu quy trình tải dữ liệu và huấn luyện. Việc huấn luyện các model Ultralytics YOLO thường cần ít bộ nhớ CUDA hơn nhiều so với kiến trúc nặng dựa trên Transformer, cho phép nhà phát triển sử dụng batch size lớn hơn trên phần cứng phổ thông.
- Hiệu quả huấn luyện: Nhờ tận dụng các chiến lược tăng cường dữ liệu mạnh mẽ và tính năng tinh chỉnh hyperparameter tích hợp, Ultralytics đảm bảo model hội tụ nhanh với các pretrained weight sẵn có.
Triển khai API đơn giản#
Gói Ultralytics không hỗ trợ huấn luyện YOLOv7 gốc (xem tài liệu YOLOv7 để chạy các bản xuất YOLOv7 upstream), nhưng việc huấn luyện một model Ultralytics YOLO hiện đại chỉ cần vài dòng mã, thay thế các tập lệnh huấn luyện phức tạp:
from ultralytics import YOLO
# Tải model YOLO26 đã pretrained
model = YOLO("yolo26n.pt")
# Huấn luyện model trên dataset tùy chỉnh của bạn
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Export sang TensorRT để triển khai
model.export(format="engine", device=0)Tiêu chuẩn mới: Giới thiệu YOLO26#
PP-YOLOE+ và YOLOv7 là những cột mốc trong lĩnh vực phát hiện đối tượng, nhưng AI thay đổi nhanh chóng. Với mọi dự án thị giác máy tính mới, model được khuyến nghị là Ultralytics YOLO26. Ra mắt vào tháng 1 năm 2026, YOLO26 là bước tiến lớn trong AI thị giác ưu tiên edge.
Vì sao YOLO26 vượt trội hơn các kiến trúc cũ:
- Thiết kế đầu-cuối không cần NMS: YOLO26 có kiến trúc đầu-cuối gốc. Bằng cách bỏ qua hậu xử lý Loại bỏ hộp giới hạn dư thừa (NMS) với head một-một tùy chọn (
nms=False), model mang lại độ trễ suy luận ổn định, theo hướng tiếp cận được giới thiệu lần đầu trong YOLOv10. - Loại bỏ DFL: Việc loại bỏ Distribution Focal Loss giúp đơn giản hóa quá 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%: Trong các tình huống không có GPU chuyên dụng—chẳng hạn như cảm biến IoT đô thị thông minh—YOLO26 được tối ưu để chạy hiệu quả trên CPU; YOLO26n nhanh hơn YOLO11n tới 43%.
- 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 phương pháp kết hợp SGD và Muon để huấn luyện ổn định và hội tụ nhanh.
- ProgLoss + STAL: Hàm mất mát lũy tiến và cơ chế gán nhãn nhận biết đối tượng nhỏ giúp cải thiện đáng kể khả năng phát hiện đối tượng nhỏ, yếu tố thiết yếu trong các trường hợp như ảnh chụp từ trên không bằng drone và phát hiện lỗi trong sản xuất.
Trường hợp sử dụng và kịch bản triển khai lý tưởng#
Khi nào nên dùng PP-YOLOE+#
PP-YOLOE+ là lựa chọn phù hợp tự nhiên nếu bạn gắn bó sâu với hệ sinh thái Baidu và PaddlePaddle. Nếu mục tiêu triển khai sử dụng phần cứng chuyên dụng được thiết kế cho model Paddle, PP-YOLOE+ mang lại độ chính xác cao và tích hợp chặt chẽ. Model này rất hiệu quả cho tự động hóa sản xuất công nghiệp.
Khi nào nên dùng YOLOv7#
YOLOv7 vẫn là lựa chọn tốt cho suy luận hiệu năng cao nói chung, đặc biệt khi triển khai trên phần cứng NVIDIA sử dụng TensorRT. Khả năng tích hợp với hệ sinh thái PyTorch giúp model linh hoạt trong nghiên cứu học thuật và các pipeline thương mại tùy chỉnh, chẳng hạn như tác vụ quản lý đám đông thời gian thực hoặc ước tính tư thế.
Các model khác cần cân nhắc#
Tùy theo nhu cầu cụ thể, bạn cũng có thể muốn so sánh các kiến trúc này với YOLO11 để có tính linh hoạt toàn diện, sẵn sàng cho sản xuất, hoặc với RT-DETR nếu dự án cần những ưu thế cụ thể của phát hiện dựa trên Transformer so với mạng tích chập truyền thống.
Kết luận#
PP-YOLOE+ và YOLOv7 đều mang lại những cải tiến đáng kể cho lĩnh vực phát hiện đối tượng thời gian thực. PP-YOLOE+ nổi bật trong các môi trường chuẩn hóa theo PaddlePaddle, còn YOLOv7 mang lại tính linh hoạt và hiệu năng thông qua hệ sinh thái PyTorch.
Tuy nhiên, khi các giải pháp thị giác máy tính tiếp tục phát triển, việc sử dụng công cụ hiện đại là thiết yếu. Bằng cách áp dụng Nền tảng Ultralytics và các kiến trúc thế hệ mới như YOLO26, nhà phát triển có thể duy trì ứng dụng luôn cập nhật về tốc độ, độ chính xác và tính dễ sử dụng.
Bình luận
Đặt câu hỏi, chia sẻ kết quả hoặc giúp đỡ người khác.