PP-YOLOE+ so với YOLOv9: Phân tích kỹ thuật chuyên sâu về nhận diện vật thể hiện đại

Bối cảnh thị giác máy tính thời gian thực đang thay đổi liên tục, khi các nhà nghiên cứu và lập trình viên không ngừng đẩy mạnh giới hạn về độ chính xác và tốc độ suy luận. Khi so sánh PP-YOLOE+ và YOLOv9, chúng ta đang xem xét hai triết lý riêng biệt về kiến trúc mô hình và thiết kế hệ sinh thái.

Bài so sánh kỹ thuật toàn diện này phân tích các cải tiến về kiến trúc, các chỉ số hiệu suất, phương pháp huấn luyện và các trường hợp sử dụng lý tưởng để giúp bạn chọn đúng mô hình object detection cho lần triển khai tiếp theo.

Phả hệ mô hình và các nền tảng kỹ thuật

Việc hiểu rõ nguồn gốc và các lựa chọn kiến trúc của các mô hình này là rất quan trọng để xác định mức độ phù hợp của chúng trong các computer vision projects của bạn.

Tổng quan về PP-YOLOE+

Được phát triển bởi đội ngũ tác giả PaddlePaddle tại Baidu, PP-YOLOE+ được giới thiệu vào ngày 2 tháng 4 năm 2022. Nó kế thừa các phiên bản trước đó trong framework PaddleDetection nhằm mang lại hiệu suất nhận diện vật thể cao.

Tác giả: Các tác giả PaddlePaddle
Tổ chức: Baidu
Ngày: 2022-04-02
Arxiv: 2203.16250
GitHub: Kho lưu trữ PaddleDetection

PP-YOLOE+ giới thiệu kiến trúc anchor-free mạnh mẽ, được tối ưu hóa cao độ cho việc triển khai trong hệ sinh thái PaddlePaddle. Nó sử dụng backbone CSPRepResNet đã được sửa đổi và ET-head để cải thiện khả năng trích xuất đặc trưng và hồi quy bbox. Mặc dù đạt được mean Average Precision (mAP) cao, nhưng sự phụ thuộc vào framework PaddlePaddle đôi khi có thể gây ra khó khăn trong tích hợp đối với các lập trình viên đã quen dùng PyTorch hoặc TensorFlow.

Tìm hiểu thêm về PP-YOLOE+

Tổng quan về YOLOv9

Được giới thiệu bởi Chien-Yao Wang và Hong-Yuan Mark Liao từ Viện Khoa học Thông tin, Academia Sinica, Đài Loan, YOLOv9 đánh dấu một bước tiến đáng kể trong việc xử lý hiệu quả các điểm nghẽn thông tin trong học sâu.

Tác giả: Chien-Yao Wang và Hong-Yuan Mark Liao
Tổ chức: Viện Khoa học Thông tin, Academia Sinica, Đài Loan
Ngày: 2024-02-21
Arxiv: 2402.13616
GitHub: WongKinYiu/yolov9

Đột phá lớn nhất của YOLOv9 là Programmable Gradient Information (PGI), giúp ngăn chặn mất mát dữ liệu khi các đặc trưng đi qua các mạng thần kinh sâu. Kết hợp với Generalized Efficient Layer Aggregation Network (GELAN), YOLOv9 tối đa hóa hiệu suất tham số và luồng tính toán. Hơn nữa, nó được tích hợp nguyên bản vào Ultralytics ecosystem, giúp nó trở nên cực kỳ dễ tiếp cận cho cả nghiên cứu và ứng dụng thương mại.

Tìm hiểu thêm về YOLOv9

Các mô hình Ultralytics khác

Nếu bạn đang khám phá các tùy chọn hiện đại nhất, bạn có thể cũng sẽ quan tâm đến YOLO11 và RT-DETR, vốn cung cấp sự cân bằng đa dạng giữa độ chính xác dựa trên Transformer và hiệu suất thời gian thực tại biên.

So sánh hiệu suất và các chỉ số

Khi phân tích hiệu suất thực tế, YOLOv9 cho thấy hiệu suất tham số vượt trội. Nó đạt được độ chính xác tương đương hoặc tốt hơn trong khi yêu cầu ít tham số và FLOPs hơn, dẫn đến yêu cầu VRAM thấp hơn trong quá trình model training.

Model	kích thước ^(pixels)	mAP^val 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

YOLOv9t	640	38.3	-	2.3	2.0	7.7
YOLOv9s	640	46.8	-	3.54	7.1	26.4
YOLOv9m	640	51.4	-	6.43	20.0	76.3
YOLOv9c	640	53.0	-	7.16	25.3	102.1
YOLOv9e	640	55.6	-	16.77	57.3	189.0

Như đã thấy trong bảng, YOLOv9c đạt mức 53.0 mAP mạnh mẽ với số lượng tham số (25.3M) ít hơn đáng kể so với mẫu tương đương là PP-YOLOE+l (52.2M). Mức tiêu thụ bộ nhớ thấp này khiến YOLOv9 trở thành lựa chọn ưu việt cho các lập trình viên đang làm việc với tài nguyên GPU hạn chế.

Hệ sinh thái, sự linh hoạt và tính dễ sử dụng

Lợi thế xác định của YOLOv9 nằm ở khả năng tích hợp liền mạch với hệ sinh thái Ultralytics được bảo trì tốt. Trong khi PP-YOLOE+ đòi hỏi người dùng phải điều hướng qua các tệp cấu hình phức tạp của PaddlePaddle, YOLOv9 được hưởng lợi từ một Python API tinh gọn.

Ultralytics Python API cho phép lập trình viên tải các trọng số tiền huấn luyện, quản lý data augmentation và bắt đầu huấn luyện với mã nguồn tối giản.

from ultralytics import YOLO

# Load a pretrained YOLOv9 model
model = YOLO("yolov9c.pt")

# Train the model on the COCO8 dataset
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference on an image
results = model("https://ultralytics.com/images/bus.jpg")

# Export the model to ONNX format
model.export(format="onnx")

Hơn nữa, hệ sinh thái Ultralytics cung cấp sự linh hoạt không đối thủ. Ngoài phát hiện bbox, framework này còn hỗ trợ nguyên bản cho Instance Segmentation, Pose Estimation và Oriented Bounding Box (OBB). Điều này giúp việc điều chỉnh mô hình của bạn cho các pipeline thực tế phức tạp trở nên hiệu quả đến kinh ngạc.

Các tùy chọn xuất mô hình

Các mô hình được huấn luyện bằng framework Ultralytics có thể xuất sang nhiều định dạng, bao gồm TensorRT và OpenVINO, đảm bảo khả năng suy luận được tối ưu hóa cao trên nhiều loại phần cứng khác nhau.

Các trường hợp sử dụng và khuyến nghị

Việc lựa chọn giữa PP-YOLOE+ và YOLOv9 phụ thuộc vào yêu cầu dự án cụ thể, các hạn chế khi triển khai và ưu tiên hệ sinh thái của bạn.

Khi nào nên chọn PP-YOLOE+

PP-YOLOE+ là 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 YOLOv9

YOLOv9 được khuyến nghị cho:

Nghiên cứu về Nút thắt Thông tin (Information Bottleneck): Các dự án học thuật nghiên cứu về kiến trúc Programmable Gradient Information (PGI) và Generalized Efficient Layer Aggregation Network (GELAN).
Nghiên cứu Tối ưu hóa Dòng Gradient: Các nghiên cứu tập trung vào việc hiểu và giảm thiểu mất mát thông tin trong các lớp mạng sâu trong quá trình huấn luyện.
Đo lường Hiệu năng Nhận diện Độ chính xác cao: Các trường hợp cần hiệu năng benchmark COCO mạnh mẽ của YOLOv9 làm điểm tham chiếu để so sánh kiến trúc.

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.

Hướng tới tương lai: Lợi thế của YOLO26

Mặc dù cả PP-YOLOE+ và YOLOv9 đều rất mạnh mẽ, nhưng YOLO26 mới ra mắt đại diện cho bước tiến tiếp theo mang tính quyết định cho môi trường sản xuất. Được phát hành vào tháng 1 năm 2026, YOLO26 thiết lập một tiêu chuẩn mới cho điện toán biên và triển khai trên đám mây. Chúng tôi đặc biệt khuyến nghị dùng YOLO26 cho tất cả các dự án thị giác máy tính mới nhờ những cải tiến mang tính đột phá:

Thiết kế End-to-End không dùng NMS: YOLO26 là end-to-end nguyên bản, loại bỏ hoàn toàn nhu cầu hậu xử lý Non-Maximum Suppression (NMS). Điều này đơn giản hóa đáng kể các pipeline triển khai và giảm độ trễ.
Suy luận trên CPU nhanh hơn tới 43%: Bằng cách tối ưu hóa kiến trúc cụ thể cho điện toán biên, YOLO26 nhanh hơn đáng kể trên các phần cứng thiếu GPU chuyên dụng.
Loại bỏ DFL: Distribution Focal Loss đã được loại bỏ, giúp việc xuất mô hình đơn giản hơn và cải thiện đáng kể khả năng tương thích với các thiết bị biên công suất thấp.
Bộ tối ưu hóa MuSGD: Lấy cảm hứng từ các kỹ thuật huấn luyện mô hình ngôn ngữ lớn (như Kimi K2 của Moonshot AI), sự kết hợp giữa SGD và Muon này đảm bảo động lực huấn luyện cực kỳ ổn định và khả năng hội tụ nhanh chóng.
ProgLoss + STAL: Các hàm mất mát tiên tiến này mang lại những cải tiến đáng chú ý trong việc nhận diện vật thể nhỏ, một bản nâng cấp thiết yếu cho aerial imagery và robotics.
Cải tiến theo từng tác vụ: YOLO26 bao gồm các kiến trúc tùy chỉnh cho các tác vụ cụ thể, chẳng hạn như multi-scale proto cho phân đoạn và Residual Log-Likelihood Estimation (RLE) cho ước tính dáng người.

Bạn có thể dễ dàng huấn luyện và triển khai các mô hình YOLO26 thông qua Ultralytics Platform, một giải pháp tất cả trong một cho việc gán nhãn tập dữ liệu, huấn luyện trên đám mây và giám sát mô hình.

Ứng dụng trong thế giới thực

Việc lựa chọn giữa các kiến trúc này thường phụ thuộc vào môi trường triển khai mục tiêu của bạn.

PP-YOLOE+ thường được triển khai tại các trung tâm sản xuất công nghiệp, đặc biệt là ở những khu vực mà PaddlePaddle integration và bộ phần cứng của Baidu được tích hợp sâu vào cơ sở hạ tầng doanh nghiệp. Nó vượt trội trong phân tích hình ảnh tĩnh, nơi độ chính xác tuyệt đối được ưu tiên hơn các ràng buộc nghiêm ngặt về thời gian thực.

YOLOv9 vượt trội trong các môi trường năng động đòi hỏi real-time inference nhanh chóng. Hiệu suất tham số vượt trội khiến nó trở nên lý tưởng cho điều hướng drone tự hành và các hệ thống an ninh tại biên. Hơn nữa, mức tiêu thụ VRAM thấp hơn của nó giúp giảm rào cản gia nhập cho các nhà nghiên cứu huấn luyện trên GPU cấp người tiêu dùng.

Để có hiệu suất tốt nhất tuyệt đối trong smart city traffic management và robot tốc độ cao, YOLO26 mới hơn là vô đối, mang lại hiệu suất end-to-end mà không bị gánh nặng bởi các điểm nghẽn của NMS.

Contributors

GLglenn-jocher¹³

Created 27 thg 1, 2025Updated tuần trước