YOLO11 vs. DAMO-YOLO: So sánh các trình phát hiện đối tượng thế hệ mới

Việc chọn kiến trúc tối ưu là một bước quan trọng trong bất kỳ dự án computer vision nào. Hướng dẫn kỹ thuật này cung cấp sự so sánh toàn diện giữa hai model phát hiện đối tượng mạnh mẽ: Ultralytics YOLO11 và DAMO-YOLO. Chúng ta sẽ đi sâu vào các cải tiến về kiến trúc, mô hình huấn luyện và khả năng ứng dụng thực tế để giúp bạn chọn công cụ tốt nhất cho nhu cầu triển khai của mình.

Tổng quan về các model

Ultralytics YOLO11

Được phát triển bởi đội ngũ tại Ultralytics, YOLO11 đại diện cho một phiên bản được tinh chỉnh cao trong dòng họ YOLO, tối ưu hóa đáng kể cả về độ chính xác và hiệu suất. Nó được thiết kế dành cho các nhà nghiên cứu và kỹ sư đang tìm kiếm một hệ sinh thái thống nhất, sẵn sàng cho sản xuất, trải dài từ quản lý tập dữ liệu đến triển khai tại biên.

• Tác giả: Glenn Jocher và Jing Qiu
• Tổ chức: Ultralytics
• Ngày: 2024-09-27
• GitHub: https://github.com/ultralytics/ultralytics
• Tài liệu: https://docs.ultralytics.com/models/yolo11/

Tìm hiểu thêm về YOLO11

YOLO11 tỏa sáng nhờ tính linh hoạt. Trong khi nhiều model truyền thống chỉ tập trung vào bounding box, YOLO11 hỗ trợ nguyên bản object detection, instance segmentation, image classification và pose estimation. Khả năng đa phương thức này cho phép các nhà phát triển hợp nhất các pipeline vision AI của họ vào một framework duy nhất, được duy trì tốt.

DAMO-YOLO

DAMO-YOLO được phát triển bởi các nhà nghiên cứu tại Alibaba Group. Nó tận dụng Neural Architecture Search (NAS) để khám phá các backbone hiệu quả cao được thiết kế riêng cho việc suy luận thời gian thực trên GPU và các bộ tăng tốc khác.

• Tác giả: Xianzhe Xu, Yiqi Jiang, Weihua Chen, Yilun Huang, Yuan Zhang, và Xiuyu Sun
• Tổ chức: Alibaba Group
• Ngày: 2022-11-23
• Arxiv: https://arxiv.org/abs/2211.15444v2
• GitHub: https://github.com/tinyvision/DAMO-YOLO
• Tài liệu: https://github.com/tinyvision/DAMO-YOLO/blob/master/README.md

Tìm hiểu thêm về DAMO-YOLO

Triết lý cốt lõi của DAMO-YOLO xoay quanh việc rep-parameterization và tìm kiếm tự động. Bằng cách sử dụng MAE-NAS (Multi-Objective Evolutionary Neural Architecture Search), các tác giả đã kỹ thuật hóa một backbone tùy chỉnh giúp tăng tốc độ suy luận đáng kể trên phần cứng chuyên dụng. Nó cũng kết hợp một neck được tối ưu hóa cao gọi là Efficient RepGFPN và cấu trúc ZeroHead đơn giản hóa để giảm thiểu độ trễ.

So sánh Hiệu suất và Kiến trúc

Hiểu rõ các đánh đổi về hiệu suất là rất quan trọng khi triển khai các ứng dụng edge AI. Bảng dưới đây phác thảo các chỉ số chính như mean Average Precision (mAP), độ trễ và kích thước tính toán.

Đi sâu vào kiến trúc

YOLO11 dựa vào một backbone được thiết kế tùy chỉnh, hiệu quả cao, cân bằng hoàn hảo giữa số lượng tham số và khả năng biểu diễn. Nó được tối ưu hóa để hoạt động tuyệt vời trên nhiều loại phần cứng, đạt thành tích xuất sắc nguyên bản với mức sử dụng CUDA memory tối thiểu trong cả quá trình huấn luyện và suy luận. Điều này làm cho nó trở thành một lựa chọn tuyệt vời cho phần cứng tiêu dùng tiêu chuẩn hoặc các thiết bị IoT bị hạn chế tài nguyên.

Ngược lại, các backbone do MAE-NAS của DAMO-YOLO tạo ra được tinh chỉnh kỹ lưỡng cho môi trường GPU có lưu lượng xử lý cao. Efficient RepGFPN (Generalized Feature Pyramid Network) của nó tích hợp mạnh mẽ nhiều quy mô. Tuy nhiên, trong khi rep-parameterization tăng tốc suy luận, nó có thể làm phức tạp quy trình triển khai nếu stack phần cứng của bạn không hỗ trợ rõ ràng các hoạt động này.

Khả năng sử dụng và Hiệu suất Huấn luyện

Khi tính đến thời gian phát triển, Ease of Use (Sự dễ sử dụng) của một model cũng trở nên quan trọng không kém gì các điểm chuẩn thô của nó.

YOLO11 được xây dựng chủ yếu dựa trên nguyên tắc khả năng tiếp cận của nhà phát triển. Gói ultralytics toàn diện giúp trừu tượng hóa các công việc nặng nhọc như phân tích cú pháp tập dữ liệu, tăng cường dữ liệu và điều chỉnh siêu tham số. Việc xuất model sang các định dạng sản xuất như ONNX, TensorRT và OpenVINO chỉ yêu cầu một lệnh duy nhất.

from ultralytics import YOLO

# Initialize YOLO11 object detection model
model = YOLO("yolo11s.pt")

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

# Export the trained model to TensorRT for edge deployment
model.export(format="engine", device=0)

DAMO-YOLO, bắt nguồn từ nền tảng học thuật và nghiên cứu chuyên sâu, đưa ra lộ trình học tập khó khăn hơn. Để đạt được độ chính xác cao nhất thường liên quan đến các pipeline chưng cất kiến thức (knowledge distillation) phức tạp—nghĩa là trước tiên bạn phải huấn luyện một mạng "teacher" khổng lồ trước khi truyền kiến thức đó sang một mạng "student" nhỏ hơn. Điều này làm tăng vọt chi phí GPU compute cần thiết và thời gian huấn luyện tổng thể so với các vòng lặp huấn luyện tinh gọn của các model Ultralytics.

Các trường hợp sử dụng và khuyến nghị

Việc lựa chọn giữa YOLO11 và DAMO-YOLO phụ thuộc vào các yêu cầu dự án cụ thể, các hạn chế khi triển khai và sở thích về hệ sinh thái của bạn.

Khi nào nên chọn YOLO11

YOLO11 là lựa chọn mạnh mẽ cho:

• Triển khai sản xuất tại biên: Các ứng dụng thương mại trên các thiết bị như Raspberry Pi hoặc NVIDIA Jetson nơi mà độ tin cậy và sự bảo trì tích cực là tối quan trọng.
• Ứng dụng thị giác đa tác vụ: Các dự án yêu cầu phát hiện, phân đoạn, ước tính tư thế và OBB trong một framework thống nhất duy nhất.
• Tạo mẫu nhanh và Triển khai: Các đội ngũ cần di chuyển nhanh từ thu thập dữ liệu đến sản xuất bằng cách sử dụng Ultralytics Python API được sắp xếp hợp lý.

Khi nào nên chọn DAMO-YOLO

DAMO-YOLO được khuyến nghị cho:

• Phân tích video thông lượng cao: Xử lý các luồng video FPS cao trên cơ sở hạ tầng GPU NVIDIA cố định, nơi thông lượng batch-1 là số liệu chính.
• Dây chuyền sản xuất công nghiệp: Các kịch bản với các ràng buộc về độ trễ GPU nghiêm ngặt trên phần cứng chuyên dụng, chẳng hạn như kiểm tra chất lượng thời gian thực trên dây chuyền lắp ráp.
• Nghiên cứu Neural Architecture Search: Nghiên cứu tác động của việc tìm kiếm kiến trúc tự động (MAE-NAS) và các backbone được tham số hóa lại hiệu quả đối với hiệu suất phát hiện.

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.

Các Ứng dụng Thực tế và Trường hợp Sử dụng

Hệ thống Tự hành và Drone

Đối với hình ảnh trên không và triển khai UAV, YOLO11 cung cấp sự cân bằng hiệu suất cực kỳ thuận lợi. Phát hiện đối tượng nhỏ là một rào cản lớn trong phân tích drone, nhưng YOLO11 xử lý các quy mô khác nhau một cách nguyên bản ngay lập tức. Ngoài ra, các memory requirements thấp cho phép các biến thể YOLO11 Nano và Small chạy trực tiếp trên các CPU cạnh nhẹ hoặc NPU gắn trên drone.

Tự động hóa Công nghiệp và Kiểm soát Chất lượng

Trong các nhà máy thông minh, độ trễ là tối quan trọng. Trong khi DAMO-YOLO cung cấp tốc độ suy luận mạnh mẽ trên các GPU cấp máy chủ hạng nặng nhờ vào neck RepGFPN, sự tích hợp cứng nhắc có thể là quá mức cần thiết. YOLO11 thường đóng vai trò là một giải pháp thay thế ưu việt cho việc kiểm soát chất lượng tự động nhờ các tracking APIs đơn giản và khả năng chuyển đổi liền mạch từ phát hiện thuần túy sang các tác vụ oriented bounding box (OBB) nếu các khiếm khuyết yêu cầu nhận dạng biên dạng nghiêng.

Chăm sóc Sức khỏe Thông minh và Hình ảnh Y tế

Các tập dữ liệu hình ảnh y tế thường tương đối nhỏ và việc tránh overfitting là một thách thức. Các kỹ thuật tăng cường chủ động, kết hợp với các pipeline học chuyển đổi tiêu chuẩn được cung cấp bởi Well-Maintained Ecosystem của Ultralytics, giúp các bác sĩ lâm sàng và nhà phát triển triển khai các model tumor detection chính xác một cách đáng tin cậy. Sự hỗ trợ rộng rãi từ cộng đồng đảm bảo rằng các vấn đề trong các lĩnh vực phức tạp như chăm sóc sức khỏe được giải quyết nhanh chóng.

Cuối cùng, trong khi DAMO-YOLO vẫn là một minh chứng mạnh mẽ cho Neural Architecture Search, YOLO11 và gia đình Ultralytics mở rộng vẫn là khuyến nghị xác định cho các tác vụ computer vision thực tế, ưu tiên triển khai nhanh, sự dễ dàng cho nhà phát triển và hiệu suất đa phương thức hàng đầu.