PP-YOLOE+ và YOLOv8
Nhu cầu về các model thị giác máy tính thời gian thực, hiệu năng cao đã thúc đẩy đổi mới nhanh chóng trong toàn ngành AI. Lựa chọn kiến trúc phù hợp có thể quyết định sự khác biệt giữa triển khai hiệu quả và pipeline cồng kềnh, tiêu tốn nhiều tài nguyên. Hướng dẫn kỹ thuật này so sánh PP-YOLOE+ và Ultralytics YOLOv8, phân tích kiến trúc nền tảng, hiệu quả huấn luyện và các kịch bản triển khai phù hợp.
Giới thiệu về các kiến trúc#
Cả hai model đều là những dấu mốc quan trọng trong quá trình phát triển của phát hiện đối tượng, nhưng xuất phát từ những triết lý phát triển và hệ sinh thái hoàn toàn khác nhau.
PP-YOLOE+#
Được phát triển như một phần mở rộng của bộ PaddleDetection, PP-YOLOE+ phát triển dựa trên các phiên bản trước của dòng PP-YOLO. Model được tối ưu mạnh cho framework học sâu PaddlePaddle và chủ yếu nhắm đến triển khai công nghiệp trên nền tảng phần mềm Baidu.
- Tác giả: Nhóm tác giả PaddlePaddle
- Tổ chức: Baidu
- Ngày: 2022-04-02
- arXiv: https://arxiv.org/abs/2203.16250
- GitHub: PaddlePaddle/PaddleDetection
- Tài liệu: Cấu hình PP-YOLOE+
PP-YOLOE+ sử dụng backbone CSPRepResNet và head Efficient Task-aligned (ET-head), giúp căn chỉnh linh hoạt các tác vụ phân loại và định vị. Dù đạt Độ chính xác trung bình (mAP) cao trên các benchmark tiêu chuẩn, sự phụ thuộc lớn vào hệ sinh thái PaddlePaddle có thể gây trở ngại cho các nhà phát triển quen dùng những framework phổ biến hơn.
Ultralytics YOLOv8#
Được Ultralytics phát hành vào tháng 1 năm 2023, YOLOv8 thiết lập chuẩn mực mới cho phát hiện đối tượng vào thời điểm đó, mang đến sự dễ sử dụng, tính linh hoạt rộng và tốc độ thực thi cao cho cộng đồng nhà phát triển PyTorch.
- Tác giả: Glenn Jocher, Ayush Chaurasia và Jing Qiu
- Tổ chức: Ultralytics
- Ngày: 2023-01-10
- GitHub: ultralytics/ultralytics
- Tài liệu: Tài liệu YOLOv8
YOLOv8 giới thiệu head phát hiện không anchor được tối ưu và khối xây dựng C2f cải tiến thay thế module C3 cũ. Thiết kế này cải thiện luồng gradient và cho phép huấn luyện model nhanh chóng. Ngoài phát hiện cơ bản, YOLOv8 là model đa nhiệm, hỗ trợ phân đoạn đối tượng, phân loại ảnh và ước tính tư thế thông qua cùng một API dễ sử dụng.
So sánh hiệu năng và chỉ số#
So sánh trực tiếp các kiến trúc này cho thấy sự đánh đổi khác nhau giữa số lượng tham số và độ trễ suy luận. Dưới đây là phân tích hiệu năng trên tập dữ liệu COCO.
| 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 |
| YOLOv8n | 640 | 37.3 | 80.4 | 1.47 | 3.2 | 8.7 |
| YOLOv8s | 640 | 44.9 | 128.4 | 2.66 | 11.2 | 28.6 |
| YOLOv8m | 640 | 50.2 | 234.7 | 5.86 | 25.9 | 78.9 |
| YOLOv8l | 640 | 52.9 | 375.2 | 9.06 | 43.7 | 165.1 |
| YOLOv8x | 640 | 53.9 | 479.1 | 14.37 | 68.2 | 257.8 |
Model PP-YOLOE+x lớn nhất nhỉnh hơn YOLOv8x một chút về mAP, nhưng phải đánh đổi bằng gần 100M tham số. Các model Ultralytics YOLOv8 luôn cho thấy sự cân bằng hiệu năng tốt hơn. Kiến trúc YOLOv8 cần ít bộ nhớ hơn đáng kể trong quá trình huấn luyện và suy luận so với các model nặng hơn, nhờ đó phù hợp để mở rộng quy mô trong môi trường sản xuất.
Lợi thế của hệ sinh thái Ultralytics#
Khi đánh giá model, hệ sinh thái xung quanh cũng quan trọng không kém kiến trúc thuần. PP-YOLOE+ đòi hỏi xử lý các file cấu hình và dependency phức tạp dành riêng cho framework PaddlePaddle.
Ngược lại, trải nghiệm Ultralytics được thiết kế để tăng tốc độ phát triển. Hệ sinh thái được duy trì tốt cung cấp Python API đơn giản và cộng đồng rất năng động. Nền tảng Ultralytics cũng đơn giản hóa toàn bộ pipeline ML, cung cấp khả năng quản lý tập dữ liệu, huấn luyện trên đám mây và xuất dễ dàng sang các định dạng như ONNX và TensorRT.
Vì YOLOv8 được xây dựng trực tiếp bằng PyTorch, việc tích hợp model vào các pipeline AI hiện có, xuất sang môi trường di động qua CoreML hoặc triển khai lên thiết bị edge dễ dàng hơn đáng kể so với các framework yêu cầu bộ công cụ phần mềm chuyên biệt.
Mức độ dễ sử dụng: So sánh code#
Huấn luyện detector đối tượng bằng Ultralytics chỉ cần vài dòng mã. Bạn không cần phải giải mã các thư mục cấu hình phân cấp phức tạp.
from ultralytics import YOLO
# Tải model YOLOv8 small đã huấn luyện trước
model = YOLO("yolov8s.pt")
# Huấn luyện model hiệu quả trên dataset tùy chỉnh
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Đánh giá model theo các chỉ số mAP
metrics = model.val()
# Xuất model để triển khai tốc độ cao trên thiết bị biên
model.export(format="engine", dynamic=True) # Xuất sang TensorRTTrường hợp sử dụng và khuyến nghị#
Việc chọn PP-YOLOE+ hay YOLOv8 phụ thuộc vào yêu cầu cụ thể của dự án, các giới hạn triển khai và lựa chọn hệ sinh thái.
Khi nào nên chọn PP-YOLOE+#
PP-YOLOE+ là lựa chọn phù hợp trong các trường hợp:
- Tích hợp hệ sinh thái PaddlePaddle: Các tổ chức có hạ tầng hiện hữu được xây dựng trên framework và bộ công cụ PaddlePaddle của Baidu.
- Triển khai biên bằng Paddle Lite: Triển khai lên phần cứng có kernel suy luận được tối ưu hóa cao, dành riêng cho Paddle Lite hoặc inference engine Paddle.
- Phát hiện độ chính xác cao phía máy chủ: Các kịch bản ưu tiên độ chính xác phát hiện tối đa trên máy chủ GPU mạnh, nơi sự phụ thuộc vào framework không phải vấn đề đáng lo ngại.
Khi nào nên chọn YOLOv8#
YOLOv8 được khuyến nghị cho:
- Triển khai đa tác vụ linh hoạt: Các dự án cần một model đã được kiểm chứng để thực hiện phát hiện, phân đoạn, phân loại và ước lượng tư thế trong hệ sinh thái Ultralytics.
- Hệ thống sản xuất đã thiết lập: Các môi trường sản xuất hiện có được xây dựng trên kiến trúc YOLOv8 với quy trình triển khai ổn định, đã được kiểm thử kỹ lưỡng.
- Hỗ trợ cộng đồng và hệ sinh thái rộng rãi: Các ứng dụng hưởng lợi từ kho hướng dẫn phong phú, tích hợp bên thứ ba và tài nguyên cộng đồng tích cực của YOLOv8.
Khi nào nên chọn Ultralytics (YOLO26)#
Với hầu hết dự án mới, Ultralytics YOLO26 mang đến sự kết hợp tốt nhất giữa hiệu năng và trải nghiệm dành cho nhà phát triển:
- Triển khai trên thiết bị biên không cần NMS: Các ứng dụng cần inference có độ trễ thấp và ổn định mà không phải xử lý hậu kỳ Non-Maximum Suppression phức tạp.
- Môi trường chỉ có CPU: Các thiết bị không có khả năng tăng tốc GPU chuyên dụng, nơi tốc độ suy luận CPU nhanh hơn tới 43% của YOLO26 (YOLO26n so với YOLO11n) mang lại lợi thế rõ rệt.
- Phát hiện vật thể nhỏ: Các tình huống khó như ảnh chụp từ drone trên không hoặc phân tích cảm biến IoT, trong đó ProgLoss và STAL cải thiện đáng kể độ chính xác khi phát hiện vật thể rất nhỏ.
Vượt qua YOLOv8: Kỷ nguyên YOLO26 bắt đầu#
YOLOv8 vẫn là lựa chọn mạnh mẽ và đáng tin cậy, nhưng các nhà phát triển muốn tiếp cận những tiến bộ mới nhất nên cân nhắc Ultralytics YOLO26. Ra mắt vào tháng 1 năm 2026, YOLO26 cải tiến các nguyên tắc nền tảng của kiến trúc YOLO thành một dòng model AI ưu tiên edge.
YOLO26 mang đến một số cải tiến vượt trội so với cả PP-YOLOE+ và các thế hệ YOLO trước đây (bao gồm YOLO11):
- Thiết kế đầu-cuối không cần NMS: Dựa trên các khái niệm từ YOLOv10, YOLO26 cung cấp tùy chọn head đầu-cuối (
nms=False). Bằng cách loại bỏ hậu xử lý Loại bỏ hộp giới hạn dư thừa (NMS), model mang lại suy luận ổn định với độ trễ thấp bất kể cảnh có đông đối tượng đến đâu. - Suy luận CPU nhanh hơn tới 43%: Bằng cách loại bỏ Hàm mất mát tiêu cự phân phối (DFL), YOLO26 giảm đáng kể chi phí xử lý, giúp YOLO26n chạy nhanh hơn YOLO11n tới 43% trên CPU edge, phù hợp với các ứng dụng đô thị thông minh và IoT không có GPU đắt tiền.
- Bộ tối ưu MuSGD: YOLO26 áp dụng các kỹ thuật từ quá trình huấn luyện Mô hình Ngôn ngữ Lớn (LLM). Bộ tối ưu MuSGD lai giúp tăng độ ổn định và đẩy nhanh hội tụ trong quá trình huấn luyện.
- ProgLoss + STAL: Hàm mất mát lũy tiến và cơ chế gán nhãn nhận biết đối tượng nhỏ cải thiện đáng kể khả năng phát hiện các đối tượng nhỏ và ở xa. Đây là lợi ích lớn cho người vận hành drone phân tích ảnh chụp từ trên không hoặc phát hiện lỗi trên dây chuyền sản xuất tốc độ cao.
Với các nhà phát triển bắt đầu dự án thị giác máy tính mới, YOLO26 là lựa chọn được khuyến nghị.
Ứng dụng thực tế#
Việc chọn giữa các model này thường phụ thuộc vào điều kiện triển khai thực tế của bạn:
PP-YOLOE+ phát huy thế mạnh ở đâu:
- Hệ sinh thái phần cứng dành riêng cho Paddle: Nếu bạn chỉ triển khai trên phần cứng được Baidu hỗ trợ, nơi PaddlePaddle là runtime bắt buộc, PP-YOLOE+ cung cấp khả năng tích hợp gốc mạnh mẽ.
- Xử lý nặng phía máy chủ: Khi số lượng tham số và giới hạn bộ nhớ không phải vấn đề, và bạn chỉ chạy inference ngoại tuyến trên máy chủ.
Ultralytics YOLOv8 (và YOLO26) phát huy thế mạnh ở đâu:
- Điện toán edge linh hoạt: Từ thiết bị NVIDIA Jetson đến bo mạch Raspberry Pi, các model Ultralytics mang lại sự cân bằng tốt giữa tốc độ và mức sử dụng bộ nhớ thấp.
- Pipeline đa nhiệm: Nếu ứng dụng cần mở rộng từ hộp giới hạn cơ bản sang Hộp giới hạn định hướng (OBB) cho ảnh chụp từ trên không, hoặc ước tính tư thế để phân tích hành vi, Ultralytics hỗ trợ sẵn các tác vụ này.
- Tạo mẫu nhanh đến triển khai sản xuất: Hệ sinh thái Ultralytics giúp các nhóm lặp lại nhanh chóng. Với trọng số huấn luyện trước luôn sẵn có, bạn có thể huấn luyện model tùy chỉnh và triển khai qua Nền tảng Ultralytics nhanh hơn nhiều so với các kiến trúc cạnh tranh.
PP-YOLOE+ có kết quả benchmark cạnh tranh, nhưng tính linh hoạt, dễ sử dụng và đổi mới liên tục của các model Ultralytics, gần đây nhất là YOLO26, khiến chúng trở thành lựa chọn vượt trội hơn cho cả nhà phát triển lẫn nhà nghiên cứu hiện đại.
Bình luận
Đặt câu hỏi, chia sẻ kết quả hoặc giúp đỡ người khác.