PP-YOLOE+ vs YOLOX
Thị giác máy tính được định hình bởi sự phát triển nhanh chóng của các model phát hiện vật thể. Những cột mốc đáng chú ý gồm PP-YOLOE+ và YOLOX, hai kiến trúc thúc đẩy hiệu năng và độ chính xác thời gian thực. Việc hiểu rõ chi tiết kiến trúc, sự đánh đổi về hiệu năng và các kịch bản triển khai phù hợp nhất giúp nhà nghiên cứu và nhà phát triển xây dựng hệ thống nhận diện hình ảnh tốt hơn.
Nguồn gốc và thông tin chi tiết về model#
Trước khi trình bày kiến trúc kỹ thuật, cần tìm hiểu nguồn gốc của cả hai model. Mỗi model được phát triển để giải quyết những nút thắt cụ thể trong phát hiện vật thể, chịu ảnh hưởng lớn từ các tổ chức đứng sau.
Thông tin chi tiết về PP-YOLOE+:
- Tác giả: Nhóm tác giả PaddlePaddle
- Tổ chức: Baidu
- Ngày: 2022-04-02
- arXiv: https://arxiv.org/abs/2203.16250
- GitHub: https://github.com/PaddlePaddle/PaddleDetection/
- Tài liệu: README PP-YOLOE+ của PaddleDetection
Thông tin YOLOX:
- Tác giả: Zheng Ge, Songtao Liu, Feng Wang, Zeming Li và Jian Sun
- Tổ chức: Megvii
- Ngày: 2021-07-18
- arXiv: https://arxiv.org/abs/2107.08430
- GitHub: https://github.com/Megvii-BaseDetection/YOLOX
- Tài liệu: Tài liệu chính thức về YOLOX
Các cải tiến kiến trúc#
Khác biệt cốt lõi giữa hai detector này nằm ở cách tiếp cận trích xuất đặc trưng và dự đoán bounding box.
YOLOX thu hút nhiều sự chú ý vào năm 2021 khi điều chỉnh dòng YOLO theo thiết kế không anchor. Bằng cách loại bỏ anchor box, YOLOX giảm đáng kể số lượng tham số thiết kế và mức độ tinh chỉnh theo kinh nghiệm cần thiết cho các dataset tùy chỉnh. Model cũng giới thiệu đầu tách rời, phân chia tác vụ phân loại và định vị thành các nhánh neural riêng biệt. Việc tách này giải quyết xung đột vốn có giữa phân loại vật thể và hồi quy tọa độ không gian, giúp hội tụ nhanh hơn trong quá trình huấn luyện.
PP-YOLOE+, do Baidu phát triển, được tối ưu mạnh cho hệ sinh thái PaddlePaddle. Model kế thừa các thế hệ trước là PP-YOLOE và PP-YOLOv2, đồng thời giới thiệu chiến lược gán nhãn động (TAL) và backbone mới mang tên CSPRepResNet. Backbone này tận dụng tái tham số hóa cấu trúc, cho phép model hưởng lợi từ kiến trúc đa nhánh phức tạp trong quá trình huấn luyện, rồi chuyển thành mạng một nhánh nhanh để suy luận.
Tái tham số hóa cấu trúc cho phép model huấn luyện với nhiều nhánh song song (cải thiện luồng gradient), sau đó gộp các nhánh đó về mặt toán học thành một lớp tích chập duy nhất để triển khai, tăng tốc độ suy luận mà không làm giảm độ chính xác.
So sánh hiệu năng và chỉ số#
Khi so sánh trực tiếp, có thể thấy các model này phục vụ những mức hiệu năng hơi khác nhau. PP-YOLOE+ thường đạt mAP tuyệt đối cao hơn, trong khi YOLOX cung cấp các biến thể cực nhẹ phù hợp với phần cứng có nhiều giới hạn.
| 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 |
| YOLOXnano | 416 | 25.8 | - | - | 0.91 | 1.08 |
| YOLOXtiny | 416 | 32.8 | - | - | 5.06 | 6.45 |
| YOLOXs | 640 | 40.5 | - | 2.56 | 9.0 | 26.8 |
| YOLOXm | 640 | 46.9 | - | 5.43 | 25.3 | 73.8 |
| YOLOXl | 640 | 49.7 | - | 9.04 | 54.2 | 155.6 |
| YOLOXx | 640 | 51.1 | - | 16.1 | 99.1 | 281.9 |
Lưu ý: Các giá trị tốt nhất trong từng nhóm cột liên quan được tô đậm bằng chữ đậm.
YOLOX có các biến thể nano và tiny cần rất ít dung lượng đĩa hoặc bộ nhớ CUDA, còn PP-YOLOE+ mở rộng hiệu quả trên phần cứng cấp máy chủ, trở thành lựa chọn mạnh mẽ cho các ứng dụng công nghiệp nặng trong hệ sinh thái Baidu.
Ứng dụng thực tế#
Việc lựa chọn giữa các framework này thường phụ thuộc vào yêu cầu tích hợp và mục tiêu phần cứng.
Điểm mạnh của YOLOX#
Nhờ thiết kế không anchor và có các biến thể siêu nhẹ, YOLOX được ưa chuộng trong robotics và triển khai nhúng. Pipeline hậu xử lý đơn giản giúp dễ chuyển model sang các runtime suy luận như TensorRT và NCNN.
Điểm mạnh của PP-YOLOE+#
Với các nhà sản xuất đã sử dụng stack công nghệ của Baidu, PP-YOLOE+ cung cấp lộ trình triển khai được tối ưu sẵn. Model hoạt động tốt trong các tình huống kiểm định chất lượng độ chính xác cao trên hệ thống máy chủ mạnh, nơi các yêu cầu thời gian thực ít nghiêm ngặt hơn cho phép sử dụng model nặng hơn một chút.
Trường hợp sử dụng và khuyến nghị#
Việc lựa chọn giữa PP-YOLOE+ và YOLOX phụ thuộc vào yêu cầu cụ thể của dự án, giới hạn triển khai và ưu tiên hệ sinh thái của bạn.
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 YOLOX#
YOLOX được khuyến nghị cho:
- Nghiên cứu phát hiện không anchor: Nghiên cứu học thuật sử dụng kiến trúc không anchor rõ ràng của YOLOX làm baseline để thử nghiệm các head phát hiện hoặc hàm loss mới.
- Thiết bị biên siêu nhẹ: Triển khai trên phần cứng nhúng công suất thấp hoặc thiết bị di động đời cũ, nơi kích thước cực nhỏ của biến thể YOLOX-Nano (0.91M tham số) là yếu tố then chốt.
- Nghiên cứu gán nhãn SimOTA: Các dự án nghiên cứu tìm hiểu chiến lược gán nhãn dựa trên vận tải tối ưu và ảnh hưởng của chúng đến quá trình hội tụ khi huấn luyện.
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.
Lợi thế Ultralytics: Giới thiệu YOLO26#
Dù PP-YOLOE+ và YOLOX là những cột mốc nghiên cứu quan trọng, triển khai hiện đại đòi hỏi trải nghiệm liền mạch, thân thiện với nhà phát triển và hiệu quả hơn. Đây là điểm nổi bật của Ultralytics YOLO26.
Với các nhóm muốn chuyển từ những repository nghiên cứu riêng lẻ sang hệ thống sẵn sàng đưa vào production, Ultralytics cung cấp một hệ sinh thái mạnh mẽ, được duy trì tốt. Việc train model không còn đòi hỏi cấu hình môi trường phức tạp; chỉ cần truy cập một Python API thống nhất.
Các ưu điểm chính của Ultralytics YOLO26 gồm:
- Thiết kế đầu-cuối không cần NMS: Khác với PP-YOLOE+ và YOLOX, vốn cần Non-Maximum Suppression (NMS) để lọc các hộp giới hạn trùng lặp, YOLO26 cung cấp đầu đầu-cuối (
nms=False) tích hợp sẵn. Điều này loại bỏ nút thắt độ trễ và đơn giản hóa đáng kể logic triển khai. - Suy luận CPU nhanh hơn đến 43%: Bằng cách loại bỏ Distribution Focal Loss (DFL), YOLO26n đạt tốc độ suy luận trên phần cứng CPU nhanh hơn YOLO11n đến 43%, phù hợp hơn nhiều với điện toán biên và thiết bị công suất thấp.
- Optimizer MuSGD: Lấy cảm hứng từ quá trình huấn luyện Kimi K2 của Moonshot AI, optimizer lai này đưa độ ổn định trong huấn luyện LLM vào thị giác máy tính, giúp hội tụ nhanh hơn.
- ProgLoss + STAL: Hàm loss tiến triển và chiến lược gán nhãn nhận biết mục tiêu nhỏ cải thiện đáng kể khả năng nhận diện vật thể nhỏ, tính năng thiết yếu cho hoạt động drone và ảnh chụp từ trên không có độ chi tiết cao.
- Tính linh hoạt: Trong khi PP-YOLOE+ và YOLOX chỉ tập trung vào phát hiện, YOLO26 xử lý phân đoạn đối tượng, ước tính tư thế và Hộp giới hạn định hướng (OBB) bằng cùng một cú pháp trực quan.
Quy trình train tinh gọn với Ultralytics#
Model Ultralytics tiết kiệm bộ nhớ và huấn luyện nhanh, đặc biệt khi so với các lựa chọn dựa trên Transformer vốn cần nhiều bộ nhớ CUDA. Bạn có thể huấn luyện và export YOLO26 chỉ với vài dòng code:
from ultralytics import YOLO
# Tải model nano YOLO26 end-to-end có hiệu quả cao
model = YOLO("yolo26n.pt")
# Huấn luyện trên dataset mẫu COCO8
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Đánh giá hiệu năng của model
metrics = model.val()
# Xuất sang ONNX hoặc TensorRT
model.export(format="engine")Với các nhóm cần giải pháp không cần code, Ultralytics Platform cung cấp tính năng train trên cloud, gán nhãn dataset tích hợp và triển khai chỉ bằng một cú nhấp chuột cho tất cả model YOLO của bạn.
Kết luận#
PP-YOLOE+ và YOLOX đều có vị trí riêng trong lịch sử thị giác máy tính, lần lượt cung cấp độ chính xác cao và thiết kế không anchor gọn nhẹ. Tuy nhiên, với các tổ chức đang xây dựng tương lai của AI trong nông nghiệp, thành phố thông minh và bán lẻ, khả năng bảo trì liên tục, tính dễ sử dụng và kiến trúc không cần NMS tích hợp sẵn của Ultralytics YOLO26 khiến model trở thành lựa chọn được khuyến nghị.
Nếu đang tìm hiểu các kiến trúc thay thế cho benchmark cụ thể, bạn cũng có thể so sánh thế hệ trước YOLO11 hoặc các lựa chọn dựa trên Transformer như RT-DETR trong tài liệu Ultralytics. Chuyển sang hệ sinh thái Ultralytics hợp nhất giúp nhà phát triển tiết kiệm thời gian và tài nguyên, đồng thời đạt kết quả tốt khi triển khai trên thiết bị biên và đám mây.
Bình luận
Đặt câu hỏi, chia sẻ kết quả hoặc giúp đỡ người khác.