Bắt đầu

YOLO26 so với EfficientDet

Việc lựa chọn kiến trúc mạng nơ-ron phù hợp là yếu tố then chốt quyết định thành công của mọi ứng dụng thị giác máy tính. Hướng dẫn kỹ thuật này phân tích những đánh đổi, chỉ số hiệu năng và đổi mới kiến trúc của hai model nổi bật: Ultralytics YOLO26 và EfficientDet đã được Google khẳng định qua thời gian.

Dù triển khai trên máy chủ đám mây có thông lượng cao hay thiết bị AI biên chịu giới hạn về độ trễ, việc hiểu rõ khác biệt giữa các kiến trúc này sẽ giúp bạn cân bằng tốc độ, độ chính xác và hiệu quả.

Tổng quan kiến trúc: YOLO26#

Ra mắt vào đầu năm 2026, YOLO26 là model mới nhất trong dòng YOLO, được thiết kế để dễ sử dụng và đạt độ chính xác trung bình (mAP) cao trên phần cứng hiện đại. Model hỗ trợ phát hiện đối tượng, phân đoạn instance, phân đoạn ngữ nghĩa, ước tính độ sâu, phân loại ảnh, ước tính tư thế và phát hiện hộp giới hạn định hướng (OBB).

YOLO26 giới thiệu một số tính năng giúp cải thiện cả độ ổn định khi huấn luyện lẫn tốc độ suy luận:

  • Thiết kế end-to-end không cần NMS: Dựa trên phương pháp huấn luyện không cần NMS mà YOLOv10 đã giới thiệu cho các model YOLO, YOLO26 cung cấp head one-to-one end-to-end tùy chọn (nms=False), loại bỏ nhu cầu hậu xử lý Non-Maximum Suppression (NMS). Nhờ đó, logic triển khai đơn giản hơn và biến thiên độ trễ thấp hơn.
  • Suy luận CPU nhanh hơn tới 43%: Các tối ưu hóa kiến trúc giúp YOLO26n nhanh hơn YOLO11n tới 43% trên CPU tiêu chuẩn, phù hợp với môi trường IoT và hệ thống nhúng.
  • Loại bỏ DFL: Distribution Focal Loss đã được loại bỏ, giúp quy trình export gọn gàng hơn và tăng khả năng tương thích với thiết bị biên công suất thấp sử dụng các công cụ như ONNX.
  • Bộ tối ưu MuSGD: Lấy cảm hứng từ quy trình huấn luyện LLM của Kimi K2 thuộc Moonshot AI, phương pháp lai giữa SGD và Muon này đưa trực tiếp các đổi mới trong huấn luyện mô hình ngôn ngữ lớn vào thị giác máy tính, giúp hội tụ nhanh hơn và huấn luyện ổn định hơn.
  • ProgLoss + STAL: Progressive Loss và Gán nhãn nhận biết đối tượng nhỏ (STAL) cải thiện khả năng nhận diện đối tượng nhỏ, một yếu tố quan trọng trong các ứng dụng sử dụng ảnh drone trên không và robot.
Đơn giản hóa quy trình xuất model

Nhờ loại bỏ DFL và sử dụng kiến trúc không cần NMS, việc export model YOLO26 sang các định dạng thân thiện với thiết bị biên như NVIDIA TensorRT hoặc Intel OpenVINO hầu như không cần phát triển plugin tùy chỉnh.

Tổng quan kiến trúc: EfficientDet#

Do Google giới thiệu, EfficientDet được xây dựng trên hệ sinh thái TensorFlow và thiết kế xoay quanh khái niệm mở rộng tỷ lệ hợp thành. Kiến trúc này đồng thời mở rộng mạng backbone, mạng đặc trưng và các mạng dự đoán hộp/lớp dựa trên giới hạn tài nguyên.

Các cải tiến chính của EfficientDet gồm:

  • BiFPN (Mạng kim tự tháp đặc trưng hai chiều): Cơ chế cho phép hợp nhất đặc trưng đa tỉ lệ nhanh chóng và dễ dàng, giúp mạng nhận biết tốt hơn các đối tượng có kích thước khác nhau.
  • Mở rộng theo tổ hợp: Phương pháp heuristic để mở rộng đồng đều độ phân giải, độ sâu và độ rộng, tạo ra một họ model từ d0 (nhỏ nhất) đến d7 (lớn nhất).

Dù EfficientDet vẫn là lựa chọn vững chắc cho tác vụ phát hiện hộp giới hạn, model này thiếu tính linh hoạt đa nhiệm hiện đại (chẳng hạn như các tác vụ OBB tích hợp sẵn) và hệ sinh thái Python thống nhất, tinh gọn mà các developer hiện đại mong đợi.

Tìm hiểu thêm về EfficientDet

So sánh hiệu năng và chỉ số#

Bảng sau so sánh hai kiến trúc trên bộ dữ liệu COCO, cho thấy khác biệt về kích thước model, độ chính xác và độ trễ; tốc độ CPU được đo bằng ONNX Runtime, còn tốc độ GPU được đo bằng TensorRT trên NVIDIA T4.

Modelkích thước
(pixel)
mAPval50-95Tốc độ
CPU ONNX
(ms)
Tốc độ
T4 TensorRT10
(ms)
params
(M)
FLOPs
(B)
YOLO26n64040.938.91.72.45.5
YOLO26s64048.687.22.59.520.9
YOLO26m64053.1220.04.720.468.4
YOLO26l64055.0286.26.224.886.8
YOLO26x64057.5525.811.855.7194.4
EfficientDet-d051234.6-3.923.92.54
EfficientDet-d164040.5-7.316.66.1
EfficientDet-d276843.0-10.928.111.0
EfficientDet-d389647.5-19.5912.024.9
EfficientDet-d4102449.7-33.5520.755.2
EfficientDet-d5128051.5-67.8633.7130.0
EfficientDet-d6128052.6-89.2951.9226.0
EfficientDet-d7153653.7-128.0751.9325.0

YOLO26x đạt độ chính xác cao nhất (57.5 mAP), cao hơn EfficientDet-d7 3.8 điểm, đồng thời chạy trong 11.8 ms thay vì 128.07 ms trên T4 với TensorRT. YOLO26 nhanh hơn đáng kể trên GPU ở mọi cấu hình (nhanh nhất là 1.7 ms).

Hiệu quả huấn luyện và lợi thế hệ sinh thái#

Một khác biệt lớn giữa hai kiến trúc nằm ở môi trường phát triển. EfficientDet gắn chặt với hệ sinh thái Google AutoML và TensorFlow, có thể dẫn đến quá trình làm quen khó khăn và cấu hình cứng nhắc cho tập dữ liệu tùy chỉnh cũng như các tác vụ mới hơn, chẳng hạn phát hiện đối tượng định hướng trên DOTAv1.

Ultralytics cung cấp một hệ sinh thái được duy trì tốt, xây dựng trên PyTorch, với khả năng huấn luyện tiết kiệm bộ nhớ trên GPU cấu hình vừa phải.

Tích hợp nền tảng thống nhất

Thông qua Ultralytics Platform, developer có quy trình MLOps đầu-cuối bao quát việc gán nhãn dữ liệu, huấn luyện trên đám mây và triển khai model, rút ngắn lộ trình từ nguyên mẫu đến môi trường production.

Ví dụ triển khai#

Ultralytics API cho phép bạn huấn luyện và export model YOLO26 chỉ với vài dòng code.

from ultralytics import YOLO

# Khởi tạo model YOLO26 đầu cuối, không cần NMS
model = YOLO("yolo26n.pt")

# Huấn luyện trên bộ dữ liệu tùy chỉnh (optimizer='auto' chọn MuSGD cho các lượt huấn luyện dài hơn)
train_results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    device="0",  # Huấn luyện trên GPU
)

# Xuất trực tiếp sang TensorRT để triển khai với độ trễ cực thấp
model.export(format="engine")

Các trường hợp sử dụng phù hợp nhất#

Khi nào nên dùng YOLO26:

  • Điện toán biên và di động: Với tốc độ CPU của YOLO26n nhanh hơn YOLO11n tới 43% và tùy chọn suy luận không cần NMS, YOLO26 hoạt động hiệu quả trên các thiết bị có ngân sách tính toán rất hạn chế, chẳng hạn Raspberry Pi hoặc điện thoại di động.
  • Đa nhiệm: Khi một pipeline duy nhất cần hộp giới hạn, mask phân đoạn và tracking, YOLO26 xử lý tất cả trong cùng một framework.
  • Ảnh drone và ảnh trên không: Sự kết hợp giữa ProgLoss và STAL cải thiện khả năng phát hiện đối tượng nhỏ từ độ cao lớn.

Khi nào nên dùng EfficientDet:

  • Pipeline TensorFlow cũ: Nếu hạ tầng của bạn chỉ hỗ trợ TensorFlow SavedModel hoặc yêu cầu pipeline TensorFlow Serving cụ thể, EfficientDet cung cấp khả năng tương thích gốc.
  • TPU bị giới hạn tài nguyên: EfficientDet được tối ưu hóa cho Bộ xử lý tensor (TPU) tùy chỉnh của Google.

Khám phá các lựa chọn thay thế khác#

Hướng dẫn này tập trung vào YOLO26 và EfficientDet, nhưng hệ sinh thái Ultralytics còn có các kiến trúc khác. Nếu ứng dụng của bạn dựa vào transformer, RT-DETR cung cấp khả năng phát hiện dựa trên transformer theo thời gian thực. Nếu cần hỗ trợ hệ thống cũ, YOLO11 vẫn được hỗ trợ đầy đủ. Để xem tổng quan rộng hơn, hãy truy cập Trung tâm so sánh model Ultralytics.

Đối với pipeline thị giác máy tính mới, tốc độ, tính dễ sử dụng và độ chính xác của YOLO26 khiến đây trở thành lựa chọn được khuyến nghị cho nhà nghiên cứu và developer.

Người đóng góp

Bình luận

Đặt câu hỏi, chia sẻ kết quả hoặc giúp đỡ người khác.