So sánh YOLOv10 với EfficientDet#

Việc lựa chọn mạng neural tối ưu cho phát hiện đối tượng là một quyết định quan trọng, ảnh hưởng trực tiếp đến thành công của các hệ thống thị giác máy tính hiện đại. Hai kiến trúc nổi bật đã có ảnh hưởng đáng kể đến lĩnh vực này là YOLOv10 và EfficientDet. Mặc dù cả hai đều hướng đến việc tối đa hóa độ chính xác đồng thời giảm thiểu chi phí tính toán, chúng áp dụng những hướng tiếp cận kiến trúc rất khác nhau để đạt được các mục tiêu này.

Hướng dẫn toàn diện này đi sâu vào các thiết kế riêng biệt, phương pháp training và đặc điểm triển khai của chúng, giúp các developer và kỹ sư ML đưa ra quyết định dựa trên dữ liệu cho ứng dụng AI thị giác. Chúng ta sẽ xem xét hiệu năng của chúng trên phần cứng từ thiết bị edge AI nhúng đến GPU cloud mạnh mẽ.

YOLOv10: Tiên phong phát hiện không cần NMS#

Được phát triển nhằm đẩy giới hạn về độ trễ theo thời gian thực, YOLOv10 giải quyết một trong những nút thắt dai dẳng nhất của họ YOLO: Non-Maximum Suppression (NMS). Bằng cách loại bỏ bước hậu xử lý này, model đạt được độ trễ có tính dự đoán cao, yếu tố quan trọng đối với xe tự hành và robot tốc độ cao.

Các cải tiến về kiến trúc#

YOLOv10 giới thiệu cơ chế gán kép nhất quán cho quá trình training không cần NMS. Trong quá trình training, model tận dụng cả việc gán nhãn một-nhiều và một-một, cho phép network học các biểu diễn phong phú đồng thời xuất trực tiếp một bounding box tốt nhất cho mỗi đối tượng trong quá trình inference. Kiến trúc này cũng tích hợp thiết kế toàn diện dựa trên hiệu quả-độ chính xác, tinh gọn classification head và giảm phần dư thừa tính toán có trong các phiên bản trước.

Thông tin model#

• Tác giả: Ao Wang, Hui Chen, Lihao Liu và cộng sự.
• Tổ chức: Đại học Thanh Hoa
• Ngày: 2024-05-23
• Bài báo: YOLOv10: Phát hiện đối tượng end-to-end theo thời gian thực
• GitHub: THU-MIG/yolov10
• Tài liệu: Tài liệu YOLOv10

Ưu điểm:

• Inference có thể dự đoán: Việc loại bỏ NMS đảm bảo thời gian inference nhất quán bất kể số lượng đối tượng trong cảnh.
• Sử dụng bộ nhớ thấp hơn: So với các model dựa trên Transformer như RT-DETR, YOLOv10 yêu cầu bộ nhớ thấp hơn đáng kể trong cả quá trình training và inference.
• Đánh đổi tốc độ/độ chính xác xuất sắc: Được tối ưu cụ thể cho các kịch bản có độ trễ thấp mà không ảnh hưởng đến các chỉ số hiệu năng.

Nhược điểm:

• Tập trung vào một tác vụ: Không giống hệ sinh thái Ultralytics rộng hơn, repository YOLOv10 gốc tập trung mạnh vào detection và thiếu hỗ trợ native cho instance segmentation hoặc ước lượng tư thế.

Tìm hiểu thêm về YOLOv10

EfficientDet: Có khả năng mở rộng và cân bằng#

Được Google Brain giới thiệu, EfficientDet tiếp cận bài toán phát hiện đối tượng thông qua phương pháp scale network có hệ thống. Model này xây dựng trên backbone phân loại ảnh EfficientNet và giới thiệu một cơ chế fusion feature mới.

Các cải tiến về kiến trúc#

Cốt lõi của EfficientDet là Bi-directional Feature Pyramid Network (BiFPN), cho phép fusion feature đa scale dễ dàng và nhanh chóng. Không giống các FPN truyền thống chỉ cộng các feature theo hướng từ trên xuống, BiFPN giới thiệu các kết nối hai chiều xuyên scale và các trọng số có thể training để học tầm quan trọng của những feature đầu vào khác nhau. Ngoài ra, EfficientDet sử dụng phương pháp compound scaling, scale đồng nhất độ phân giải, độ sâu và chiều rộng cho tất cả backbone, feature network và các network dự đoán box/class.

Thông tin model#

• Tác giả: Mingxing Tan, Ruoming Pang và Quoc V. Le
• Tổ chức: Google Brain
• Ngày: 2019-11-20
• Bài báo: EfficientDet: Phát hiện đối tượng có khả năng mở rộng và hiệu quả
• GitHub: Google AutoML EfficientDet

Ưu điểm:

• Hiệu quả cao: Tỷ lệ tham số trên độ chính xác xuất sắc, khiến các variant nhỏ hơn từ -d0 đến -d2 rất nhẹ.
• Scale có cơ sở: Compound scaling cho phép người dùng dễ dàng chọn kích thước model phù hợp chính xác với ngân sách tính toán của mình.

Nhược điểm:

• Tích hợp framework cũ: Implementation gốc phụ thuộc nhiều vào các phiên bản TensorFlow cũ, điều này có thể làm phức tạp các pipeline triển khai hiện đại.
• Training chậm hơn: Training EfficientDet từ đầu nổi tiếng là chậm và đòi hỏi tinh chỉnh hyperparameter cẩn thận so với khả năng hội tụ nhanh của các kiến trúc YOLO.
• Tốc độ inference: Mặc dù hiệu quả về số lượng tham số, các phép toán BiFPN phức tạp thường dẫn đến tốc độ inference thực tế chậm hơn trên phần cứng tiêu chuẩn so với các model YOLO được tối ưu cao.

Tìm hiểu thêm về EfficientDet

Hiệu năng và benchmark#

Bài kiểm tra thực sự đối với các model này nằm ở hiệu năng thực nghiệm trên các benchmark tiêu chuẩn như dataset COCO. Bảng dưới đây minh họa những khác biệt quan trọng về số lượng tham số, các phép toán dấu phẩy động (FLOPs) và độ trễ inference trên GPU NVIDIA T4.

Như minh họa ở trên, YOLOv10 duy trì lợi thế đáng kể về tốc độ inference thuần. Ví dụ, YOLOv10-S đạt 46.7 mAP với độ trễ TensorRT chỉ 2.66ms, trong khi EfficientDet-d3 đạt 47.5 mAP tương đương nhưng mất gần 20ms—khiến YOLOv10 vượt trội rõ rệt cho streaming video theo thời gian thực hoặc các pipeline sản xuất tốc độ cao.

Các trường hợp sử dụng và khuyến nghị#

Việc lựa chọn giữa YOLOv10 và EfficientDet 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 YOLOv10#

YOLOv10 là lựa chọn phù hợp cho:

• Phát hiện thời gian thực không cần NMS: Các ứng dụng hưởng lợi từ khả năng phát hiện đầu cuối mà không cần triệt tiêu cực đại, giúp giảm độ phức tạp khi triển khai.
• Cân bằng giữa tốc độ và độ chính xác: Các project yêu cầu sự cân bằng tốt giữa tốc độ suy luận và độ chính xác phát hiện trên nhiều quy mô model khác nhau.
• Ứng dụng có độ trễ nhất quán: Các kịch bản triển khai mà thời gian suy luận có thể dự đoán là yếu tố quan trọng, chẳng hạn như robotics hoặc các hệ thống tự hành.

Khi nào nên chọn EfficientDet#

EfficientDet được khuyến nghị cho:

• Pipeline Google Cloud và TPU: Các hệ thống được tích hợp sâu với Google Cloud Vision APIs hoặc hạ tầng TPU, nơi EfficientDet có khả năng tối ưu native.
• Nghiên cứu Compound Scaling: Benchmarking học thuật tập trung vào việc nghiên cứu tác động của quá trình scale depth, width và resolution cân bằng trong network.
• Triển khai trên mobile qua TFLite: Các dự án yêu cầu cụ thể việc export TensorFlow Lite cho Android hoặc các thiết bị Linux nhúng.

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.

Tiêu chuẩn hiện đại: Giới thiệu Ultralytics YOLO26#

Trong khi YOLOv10 giới thiệu paradigm đột phá không cần NMS và EfficientDet thể hiện phương pháp scale có cơ sở, lĩnh vực thị giác máy tính vẫn tiếp tục phát triển. Đối với các developer bắt đầu dự án mới hiện nay, Ultralytics YOLO26 đại diện cho state of the art không thể tranh cãi. Được phát hành vào tháng 1 năm 2026, model này kết hợp những ưu điểm tốt nhất của mọi phương pháp trong một package hoàn thiện cao, sẵn sàng cho production thuộc Ultralytics Platform.

Tại sao YOLO26 vượt trội đối thủ#

1. Thiết kế end-to-end không cần NMS: YOLO26 native áp dụng kiến trúc end-to-end không cần NMS tiên phong trong YOLOv10, giúp tinh gọn triển khai và tăng tốc inference.
2. Inference trên CPU nhanh hơn tới 43%: Đối với các edge device không có accelerator chuyên dụng, YOLO26 được tối ưu cụ thể để chạy hiệu quả trên CPU tiêu chuẩn.
3. Optimizer MuSGD nâng cao: Lấy cảm hứng từ các cải tiến trong training LLM, YOLO26 sử dụng kết hợp SGD và Muon để training ổn định đáng kể và hội tụ nhanh, cải thiện mạnh hiệu quả training so với EfficientDet.
4. ProgLoss + STAL: Các hàm loss được cải tiến này mang lại mức tăng đáng kể trong khả năng nhận diện đối tượng nhỏ, vốn là điểm yếu truyền thống của cả YOLOv10 và EfficientDet.
5. Loại bỏ DFL: Bằng cách loại bỏ Distribution Focal Loss, YOLO26 export liền mạch sang gần như mọi format phần cứng, bao gồm OpenVINO và CoreML.

Ngoài ra, YOLO26 còn cung cấp tính linh hoạt vượt trội. Trong khi EfficientDet và YOLOv10 chỉ là các model detection, YOLO26 xử lý liền mạch bounding box định hướng, phân loại ảnh và instance segmentation bằng cùng package Ultralytics Python trực quan.

Dễ sử dụng với Ultralytics#

Hệ sinh thái được Ultralytics duy trì tốt đảm bảo trải nghiệm developer mượt mà. Việc training một model, validation model đó và export sang tích hợp TensorRT chỉ cần vài dòng code.

from ultralytics import YOLO

# Load a pre-trained YOLOv10 model (or upgrade to YOLO26 natively)
model = YOLO("yolov10n.pt")

# Train the model efficiently on a custom dataset
model.train(data="coco8.yaml", epochs=50, imgsz=640)

# Run inference and immediately visualize results
results = model("https://ultralytics.com/images/bus.jpg")
results[0].show()

# Export for rapid deployment
model.export(format="engine", quantize=16)

Kết luận#

Khi so sánh YOLOv10 và EfficientDet, lựa chọn phụ thuộc nhiều vào ưu tiên framework và yêu cầu về tốc độ của bạn. EfficientDet cung cấp phương pháp có cấu trúc để scale model trong hệ sinh thái TensorFlow. Tuy nhiên, YOLOv10 mang lại hiệu năng thời gian thực vượt trội, mức sử dụng bộ nhớ thấp hơn và lộ trình triển khai đơn giản hơn nhờ kiến trúc không cần NMS.

Để đạt được sự cân bằng tối ưu về hiệu năng, tính dễ sử dụng và khả năng xử lý đa tác vụ, chúng tôi đặc biệt khuyến nghị nâng cấp lên Ultralytics Platform và sử dụng YOLO26. Model này tiếp nhận các cải tiến không cần NMS của YOLOv10, áp dụng các kỹ thuật training tiên tiến như optimizer MuSGD và đóng gói chúng trong một framework open-source mạnh mẽ được cộng đồng toàn cầu rộng lớn hỗ trợ.