PP-YOLOE+ so với YOLOX#

Lĩnh vực thị giác máy tính đã được định hình đáng kể bởi sự phát triển nhanh chóng của các model phát hiện đối tượng. Trong số những cột mốc đáng chú ý của hành trình này có PP-YOLOE+ và YOLOX, hai kiến trúc đã mở rộng giới hạn về hiệu năng và độ chính xác theo thời gian thực. Việc hiểu rõ những khác biệt về kiến trúc, sự đánh đổi về hiệu năng và các kịch bản triển khai lý tưởng của chúng là yếu tố then chốt đối với các nhà nghiên cứu và developer đang xây dựng thế hệ tiếp theo của các hệ thống nhận dạng hình ảnh.

Nguồn gốc và chi tiết model#

Trước khi đi sâu vào các kiến trúc kỹ thuật, việc tìm hiểu bối cảnh nguồn gốc của cả hai model sẽ rất hữu ích. Mỗi model được phát triển để giải quyết những điểm nghẽn cụ thể trong phát hiện đối tượng, chịu ảnh hưởng lớn từ các tổ chức đứng sau chúng.

Thông tin chi tiết về PP-YOLOE+:

• Tác giả: Các 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: PaddleDetection PP-YOLOE+ README

Tìm hiểu thêm về PP-YOLOE+

Chi tiết 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 của YOLOX

Tìm hiểu thêm về YOLOX

Các cải tiến về kiến trúc#

Những khác biệt cốt lõi giữa hai detector này nằm ở cách chúng trích xuất đặc trưng và dự đoán bounding box.

YOLOX đã tạo được tiếng vang vào năm 2021 khi chuyển đổi thành công dòng YOLO sang thiết kế không dùng anchor. Bằng cách loại bỏ anchor box, YOLOX đã giảm đáng kể số lượng tham số thiết kế và quá trình tinh chỉnh heuristic cần thiết cho các dataset tùy chỉnh. Ngoài ra, model này giới thiệu một head tách biệt, phân tách các tác vụ phân loại và định vị thành những luồng neural riêng biệt. Sự phân tách này giải quyết xung đột vốn có giữa việc phân loại một đối tượng và hồi quy các tọa độ không gian của đối tượng, từ đó giúp hội tụ nhanh hơn trong quá trình training.

PP-YOLOE+, được phát triển bởi Baidu, được tối ưu hóa sâu cho hệ sinh thái PaddlePaddle. Model này kế thừa model tiền nhiệm PP-YOLOv2 bằng cách giới thiệu chiến lược gán nhãn động (TAL) và một backbone mới có tên CSPRepResNet. Backbone này tận dụng việc tái tham số hóa cấu trúc, cho phép model hưởng lợi từ các kiến trúc nhiều nhánh phức tạp trong quá trình training, đồng thời dễ dàng gộp thành một mạng đơn luồng nhanh trong quá trình inference.

So sánh hiệu năng và các chỉ số#

Khi so sánh trực tiếp hai model này, có thể thấy chúng phục vụ những phân khúc hiệu năng hơi khác nhau. PP-YOLOE+ thường đạt độ chính xác tuyệt đối cao hơn, trong khi YOLOX nổi bật với các biến thể cực kỳ nhẹ, phù hợp với phần cứng bị giới hạn nghiêm ngặt.

Lưu ý: Các giá trị có hiệu năng tốt nhất trong mỗi nhóm cột liên quan được đánh dấu bằng chữ đậm.

Mặc dù YOLOX cung cấp các biến thể nano và tiny, gần như không tiêu tốn dung lượng ổ đĩa hay bộ nhớ CUDA, PP-YOLOE+ mở rộng rất hiệu quả trên phần cứng cấp server, trở thành lựa chọn mạnh mẽ cho các ứng dụng công nghiệp quy mô lớn 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.

YOLOX nổi bật ở đâu#

Nhờ bản chất không dùng anchor và sự sẵn có của các biến thể edge cực nhẹ, YOLOX phổ biến trong robotics và triển khai trên vi điều khiển. Pipeline hậu xử lý đơn giản của model cho phép chuyển đổi dễ dàng hơn sang các định dạng phần cứng NPU tùy chỉnh như TensorRT và NCNN.

PP-YOLOE+ nổi bật ở đâu#

Đối với các tổ chức tích hợp sâu vào những trung tâm sản xuất châu Á sử dụng technology stack của Baidu, PP-YOLOE+ cung cấp một lộ trình triển khai được tối ưu hóa sẵn. Model này phát huy hiệu quả trong các kịch bản kiểm tra chất lượng yêu cầu độ chính xác cao, chạy trên các cụm server mạnh, nơi các ràng buộc nghiêm ngặt về thời gian thực cho phép sử dụng các weight model lớn hơn đôi chút.

Các 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, các ràng buộc triển khai và ưu tiên về hệ sinh thái của bạn.

Khi nào nên chọn PP-YOLOE+#

PP-YOLOE+ là lựa chọn phù hợp cho:

• Tích hợp hệ sinh thái PaddlePaddle: Các tổ chức có hạ tầng hiện có được xây dựng trên framework và bộ công cụ PaddlePaddle của Baidu.
• Triển khai biên bằng Paddle Lite: Triển khai lên phần cứng có các kernel suy luận được tối ưu cao, dành riêng cho engine suy luận Paddle Lite hoặc Paddle.
• Phát hiện phía server độ chính xác cao: Các kịch bản ưu tiên độ chính xác phát hiện tối đa trên các server GPU mạnh, nơi sự phụ thuộc vào framework không phải là vấn đề.

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 detection head hoặc hàm loss mới.
• Thiết bị edge siêu nhẹ: Triển khai trên microcontroller hoặc phần cứng mobile legacy, nơi footprint cực nhỏ của biến thể YOLOX-Nano (0.91M tham số) là yếu tố then chốt.
• Nghiên cứu gán nhãn SimOTA: Các project nghiên cứu tìm hiểu chiến lược gán nhãn dựa trên optimal transport và tác động của chúng đến quá trình hội tụ khi training.

Khi nào nên chọn Ultralytics (YOLO26)#

Đối với hầu hết dự án mới, Ultralytics YOLO26 mang đến sự kết hợp tốt nhất giữa hiệu năng và trải nghiệm developer:

• Triển khai edge không cần NMS: Các ứng dụng yêu cầu suy luận nhất quán, độ trễ thấp mà không có sự phức tạp của bước hậu xử lý triệt tiêu cực đại.
• Môi trường chỉ sử dụng CPU: Các thiết bị không có tăng tốc GPU chuyên dụng, nơi khả năng suy luận trên CPU nhanh hơn tới 43% của YOLO26 mang lại lợi thế quyết định.
• Phát hiện đối tượng nhỏ: Các kịch bản đầy thách thức 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 trên các đối tượng rất nhỏ.

Lợi thế của Ultralytics: Khám phá YOLO26#

Mặc dù PP-YOLOE+ và YOLOX là những cột mốc nghiên cứu xuất sắc, bối cảnh triển khai hiện đại đòi hỏi một trải nghiệm gắn kết hơn, thân thiện hơn với developer và có hiệu quả vượt trội. Đây là lúc Ultralytics YOLO26 hoàn toàn định nghĩa lại tiêu chuẩn cho AI thị giác hiện đại.

Đối với các team muốn chuyển từ những repository nghiên cứu riêng lẻ sang các hệ thống sẵn sàng cho production, Ultralytics cung cấp một hệ sinh thái mạnh mẽ và được duy trì tốt. Việc training một model không còn yêu cầu cấu hình các môi trường phức tạp; giờ đây chỉ đơn giản như truy cập một Python API thống nhất.

Các ưu điểm chính của Ultralytics YOLO26 bao gồm:

• Thiết kế end-to-end không cần NMS: Không giống PP-YOLOE+ và YOLOX, vốn yêu cầu Non-Maximum Suppression (NMS) để lọc các bounding box trùng lặp, YOLO26 vốn được thiết kế end-to-end. Điều này loại bỏ các điểm nghẽn về độ trễ và đơn giản hóa đáng kể logic triển khai.
• Inference trên CPU nhanh hơn tới 43%: Bằng cách loại bỏ Distribution Focal Loss (DFL) một cách có chiến lược, YOLO26 đạt tốc độ inference vượt trội trên phần cứng CPU, khiến model này phù hợp hơn nhiều cho edge computing và các thiết bị công suất thấp.
• Trình tối ưu hóa MuSGD: Lấy cảm hứng từ Kimi K2 của Moonshot AI, trình tối ưu hóa lai này mang tính ổn định trong việc huấn luyện LLM sang thị giác máy tính, đảm bảo tốc độ hội tụ nhanh hơn nhiều và giảm thiểu yêu cầu bộ nhớ trong các giai đoạn huấn luyện.
• ProgLoss + STAL: Các hàm loss nâng cao này mang lại cải thiện đáng kể trong việc nhận dạng đối tượng nhỏ, một tính năng quan trọng đối với hoạt động drone và hình ảnh trên không có độ chi tiết cao.
• Tính linh hoạt: Trong khi PP-YOLOE+ và YOLOX chỉ tập trung vào detection, YOLO26 xử lý liền mạch instance segmentation, ước tính pose và Oriented Bounding Boxes (OBB) bằng cùng một cú pháp trực quan.

Training tinh gọn với Ultralytics#

Hiệu quả bộ nhớ và tốc độ training của các model Ultralytics là vượt trội, hoàn toàn áp đảo các lựa chọn thay thế dựa trên Transformer vốn yêu cầu lượng bộ nhớ CUDA lớn. Bạn có thể khai thác sức mạnh của YOLO26 chỉ với vài dòng code:

from ultralytics import YOLO

# Load the highly efficient, end-to-end YOLO26 nano model
model = YOLO("yolo26n.pt")

# Train on a custom dataset with built-in auto-batching and MuSGD optimization
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Validate the model's performance
metrics = model.val()

# Export seamlessly to ONNX or TensorRT
model.export(format="engine")

Kết luận#

PP-YOLOE+ và YOLOX đều đã khẳng định vị trí trong lịch sử thị giác máy tính, lần lượt cung cấp độ chính xác cao và thiết kế không dùng anchor nhẹ. Tuy nhiên, đối với các tổ chức đang xây dựng tương lai của AI trong nông nghiệp, thành phố thông minh và bán lẻ, khả năng được duy trì liên tục, tính dễ sử dụng và kiến trúc native không cần NMS của Ultralytics YOLO26 khiến đây trở thành lựa chọn không thể tranh cãi.

Nếu đang khám phá các kiến trúc thay thế cho những benchmark cụ thể, bạn cũng có thể thấy hữu ích khi so sánh YOLO11 đời cũ hoặc các tùy chọn dựa trên Transformer như RT-DETR thông qua tài liệu Ultralytics toàn diện. Bằng cách chuyển sang hệ sinh thái Ultralytics thống nhất, developer tiết kiệm được thời gian và nguồn lực quý giá, đồng thời đạt kết quả tiên tiến trên mọi triển khai edge hoặc cloud.