YOLOv6-3.0 và DAMO-YOLO
Lĩnh vực thị giác máy tính không ngừng phát triển, với các kiến trúc mới cải thiện tốc độ và độ chính xác của phát hiện đối tượng thời gian thực. Hai đối thủ đáng chú ý trong lĩnh vực này là YOLOv6-3.0 và DAMO-YOLO. Cả hai model đều giới thiệu các đổi mới kiến trúc độc đáo nhằm tối đa hóa hiệu năng trên phần cứng công nghiệp. Hướng dẫn này cung cấp phần so sánh kỹ thuật toàn diện giữa hai model, tìm hiểu kiến trúc, phương pháp huấn luyện và các trường hợp sử dụng phù hợp, đồng thời giới thiệu những lợi thế thế hệ mới của các model Ultralytics như YOLO26.
Tổng quan về model#
YOLOv6-3.0: Thông lượng cấp công nghiệp#
Được phát triển bởi Bộ phận Vision AI của Meituan, YOLOv6-3.0 được thiết kế chuyên biệt cho các ứng dụng công nghiệp thông lượng cao. Model tập trung tối đa hóa hiệu năng trên các bộ tăng tốc phần cứng như GPU NVIDIA.
- Tác giả: Chuyi Li, Lulu Li, Yifei Geng, và cộng sự.
- Tổ chức: Meituan
- Ngày: 2023-01-13
- arXiv: 2301.05586
- GitHub: meituan/YOLOv6
- Tài liệu: Tài liệu Ultralytics YOLOv6
YOLOv6-3.0 giới thiệu module Nối kết hai chiều (BiC) để cải thiện việc hợp nhất đặc trưng và sử dụng chiến lược Huấn luyện có hỗ trợ anchor (AAT). Chiến lược này kết hợp lợi ích của detector dùng anchor và detector không dùng anchor trong quá trình huấn luyện, đồng thời giữ cho suy luận hoàn toàn không dùng anchor. Backbone EfficientRep giúp model đặc biệt thân thiện với phần cứng khi xử lý batch trên GPU, phù hợp với các workload hiểu video quy mô lớn.
DAMO-YOLO: Nhanh và chính xác nhờ NAS#
Được tạo bởi Alibaba Group, DAMO-YOLO sử dụng Tìm kiếm kiến trúc mạng (NAS) để tự động khám phá các cấu trúc backbone hiệu quả nhất cho suy luận thời gian thực.
- Tác giả: Xianzhe Xu, Yiqi Jiang, Weihua Chen và cộng sự.
- Tổ chức: Alibaba Group
- Ngày: 2022-11-23
- arXiv: 2211.15444v2
- GitHub: tinyvision/DAMO-YOLO
DAMO-YOLO nổi bật với RepGFPN (Mạng kim tự tháp đặc trưng tổng quát được tái tham số hóa) để hợp nhất đặc trưng đa scale hiệu quả và thiết kế ZeroHead, giúp giảm đáng kể chi phí tính toán của head phát hiện. Model cũng tích hợp chiến lược gán nhãn AlignedOTA và các kỹ thuật knowledge distillation để tăng độ chính xác mà không làm phình số lượng tham số.
Mặc dù DAMO-YOLO đạt độ chính xác xuất sắc, việc phụ thuộc nhiều vào chưng cất tri thức trong quá trình huấn luyện đòi hỏi một model "teacher" lớn hơn nhiều. Điều này làm tăng đáng kể bộ nhớ CUDA cần thiết trong giai đoạn huấn luyện so với các kiến trúc đơn giản hơn.
So sánh hiệu năng#
Khi đánh giá các model phát hiện đối tượng, việc cân bằng giữa độ chính xác trung bình (mAP) và tốc độ inference là yếu tố then chốt. Dưới đây là so sánh chi tiết YOLOv6-3.0 và DAMO-YOLO ở các quy mô model khác nhau.
| Model | kích thước (pixel) | mAPval50-95 | Tốc độ CPU ONNX (ms) | Tốc độ T4 TensorRT10 (ms) | params (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv6-3.0n | 640 | 37.5 | - | 1.17 | 4.7 | 11.4 |
| YOLOv6-3.0s | 640 | 45.0 | - | 2.66 | 18.5 | 45.3 |
| YOLOv6-3.0m | 640 | 50.0 | - | 5.28 | 34.9 | 85.8 |
| YOLOv6-3.0l | 640 | 52.8 | - | 8.95 | 59.6 | 150.7 |
| DAMO-YOLOt | 640 | 42.0 | - | 2.32 | 8.5 | 18.1 |
| DAMO-YOLOs | 640 | 46.0 | - | 3.45 | 16.3 | 37.8 |
| DAMO-YOLOm | 640 | 49.2 | - | 5.09 | 28.2 | 61.8 |
| DAMO-YOLOl | 640 | 50.8 | - | 7.18 | 42.1 | 97.3 |
YOLOv6-3.0 cho thấy tốc độ cao trên GPU NVIDIA khi tận dụng các tối ưu hóa TensorRT, đặc biệt ở các biến thể nano và small. Tuy nhiên, backbone được tối ưu bằng NAS của DAMO-YOLO thường cần ít FLOPs hơn ở quy mô medium và large, nhờ đó có lợi thế độ trễ nhỏ trong các triển khai lớn hơn.
Lợi thế Ultralytics: Giới thiệu YOLO26#
Dù YOLOv6-3.0 và DAMO-YOLO là những công cụ mạnh mẽ, developer thường gặp khó khăn với pipeline triển khai phức tạp, yêu cầu bộ nhớ cao trong quá trình huấn luyện và kiến trúc cứng nhắc, chỉ hỗ trợ một tác vụ. Hệ sinh thái Ultralytics mang đến trải nghiệm developer tinh gọn hơn.
YOLO26 là model Ultralytics mới nhất. Được phát hành vào tháng 1 năm 2026, Ultralytics YOLO26 cải thiện cả hiệu quả lẫn tính linh hoạt.
Các cải tiến chính trong YOLO26#
- Thiết kế đầu-cuối không cần NMS: Dựa trên phương pháp huấn luyện không cần NMS mà YOLOv10 đã giới thiệu cho các model YOLO, head một-một tùy chọn của YOLO26 (
nms=False) loại bỏ bước hậu xử lý Loại bỏ hộp giới hạn không cực đại (NMS). Điều này giảm biến thiên độ trễ và đơn giản hóa việc triển khai trên thiết bị biên thông qua CoreML hoặc LiteRT. - Loại bỏ DFL: Bằng cách loại bỏ Distribution Focal Loss, YOLO26 đơn giản hóa quy trình export và cải thiện khả năng tương thích với phần cứng biên công suất thấp.
- Suy luận trên CPU nhanh hơn tới 43%: Đối với các ứng dụng không có phần cứng GPU chuyên dụng, YOLO26n chạy trên CPU nhanh hơn tới 43% so với YOLO11n.
- Bộ tối ưu MuSGD: Lấy cảm hứng từ các kỹ thuật huấn luyện LLM như Kimi K2 của Moonshot AI, YOLO26 sử dụng bộ tối ưu MuSGD (kết hợp SGD và Muon) để huấn luyện ổn định và hội tụ nhanh hơn.
- ProgLoss + STAL: Hàm loss tiến triển cùng chiến lược gán nhãn nhận biết mục tiêu nhỏ giúp cải thiện khả năng nhận diện vật thể nhỏ, có lợi cho hoạt động drone và theo dõi mục tiêu ở khoảng cách xa.
- Tính linh hoạt đa nhiệm: Không giống DAMO-YOLO chỉ chuyên phát hiện, YOLO26 hỗ trợ sẵn phân đoạn đối tượng, phân đoạn ngữ nghĩa, ước tính độ sâu, phân loại, ước tính tư thế (thông qua Ước tính hợp lý log dư) và hộp giới hạn có hướng (OBB) trong một API thống nhất.
Không giống các kiến trúc Transformer phức tạp như RT-DETR hay quy trình nặng về chưng cất của DAMO-YOLO, các model Ultralytics nổi tiếng vì tiêu thụ ít VRAM. Bạn có thể huấn luyện model YOLO26 trên phần cứng phổ thông.
Quy trình Python tinh gọn#
Việc huấn luyện và triển khai model tiên tiến nhất không nên đòi hỏi hàng trăm dòng code rườm rà. Gói Python của Ultralytics đơn giản hóa toàn bộ vòng đời machine learning.
from ultralytics import YOLO
# Tải model YOLO26 cỡ nhỏ
model = YOLO("yolo26s.pt")
# Huấn luyện model với khả năng xử lý dữ liệu tích hợp sẵn
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Chạy inference siêu nhanh và hiển thị kết quả
results = model("https://ultralytics.com/images/bus.jpg")
results[0].show()
# Xuất sang ONNX hoặc TensorRT
model.export(format="onnx")Các trường hợp sử dụng phù hợp nhất#
Việc chọn kiến trúc phù hợp phụ thuộc vào các giới hạn triển khai của bạn:
Khi nào nên sử dụng YOLOv6-3.0#
- Phân tích video với batch lớn: Phù hợp để xử lý luồng video dày đặc trên máy chủ GPU doanh nghiệp, nơi có thể tận dụng tối đa TensorRT.
- Tự động hóa công nghiệp: Phát hiện lỗi trên các dây chuyền sản xuất tốc độ cao để kiểm soát chất lượng.
Khi nào nên dùng DAMO-YOLO#
- Silicon tùy chỉnh: Nghiên cứu ánh xạ Tìm kiếm kiến trúc mạng nơ-ron cho phần cứng NPU độc quyền, chuyên biệt.
- Nghiên cứu học thuật: Đánh giá các kỹ thuật chưng cất tri thức mới cho mạng thời gian thực.
Khi nào nên dùng Ultralytics YOLO26#
- Triển khai trên thiết bị biên và di động: Head không NMS tùy chọn, loại bỏ DFL và tốc độ suy luận CPU nhanh hơn tới 43% (YOLO26n so với YOLO11n) khiến model phù hợp với triển khai trên iOS, Android và Raspberry Pi.
- Từ tạo mẫu nhanh đến sản xuất: Tích hợp với Ultralytics Platform giúp các nhóm chuyển từ gán nhãn dataset đến triển khai trên cloud toàn cầu trong vài ngày thay vì vài tháng.
- Quy trình thị giác máy tính phức tạp: Khi dự án kết hợp hộp giới hạn, keypoint tư thế người và mask phân đoạn chính xác.
Kết luận#
YOLOv6-3.0 và DAMO-YOLO đều đóng góp đáng kể cho lĩnh vực phát hiện đối tượng thời gian thực. YOLOv6 cải tiến việc tận dụng tối đa GPU, còn DAMO-YOLO cho thấy sức mạnh của tìm kiếm kiến trúc tự động.
Tuy nhiên, với các developer muốn có sự cân bằng tốt giữa độ chính xác, tốc độ suy luận và khả năng duy trì hệ sinh thái, dòng Ultralytics YOLO là lựa chọn đáng cân nhắc. Các tối ưu hóa được giới thiệu trong YOLO26 tiếp tục hạ thấp rào cản ứng dụng thị giác máy tính vào môi trường sản xuất.
Để tìm hiểu thêm, bạn cũng có thể so sánh các model này với những kiến trúc khác trong tài liệu, chẳng hạn như YOLO11 hoặc các phương pháp dựa trên Transformer như RT-DETR.
Bình luận
Đặt câu hỏi, chia sẻ kết quả hoặc giúp đỡ người khác.