YOLOv7 và DAMO-YOLO
Phát hiện đối tượng thời gian thực tiếp tục phát triển khi nhà nghiên cứu và kỹ sư tìm kiếm sự cân bằng tối ưu giữa tốc độ và độ chính xác. Bài so sánh kỹ thuật này xem xét hai kiến trúc đáng chú ý ra mắt năm 2022: YOLOv7 và DAMO-YOLO. Cả hai model đều giới thiệu các ý tưởng mới cho cộng đồng thị giác máy tính, giải quyết những thách thức khác nhau về huấn luyện model, thiết kế kiến trúc và triển khai.
Bối cảnh và thông tin kỹ thuật về các model#
Cả hai model đều được phát triển bởi các nhóm nghiên cứu hàng đầu và giới thiệu các phương pháp mới nhằm cải thiện phát hiện đối tượng thời gian thực.
Thông tin YOLOv7#
Được phát triển tiếp nối dòng YOLO, YOLOv7 giới thiệu khái niệm “bag-of-freebies” có thể huấn luyện để cải thiện đáng kể độ chính xác mà không làm tăng chi phí suy luận.
- Tác giả: Chien-Yao Wang, Alexey Bochkovskiy và Hong-Yuan Mark Liao
- Tổ chức: Viện Khoa học Thông tin, Academia Sinica, Đài Loan
- Ngày: 2022-07-06
- arXiv: https://arxiv.org/abs/2207.02696
- GitHub: https://github.com/WongKinYiu/yolov7
- Tài liệu: https://docs.ultralytics.com/models/yolov7
Thông tin về DAMO-YOLO#
Được các nhà nghiên cứu tại Alibaba Group tạo ra, DAMO-YOLO tập trung mạnh vào Tìm kiếm kiến trúc mạng (NAS) và chưng cất tri thức để xây dựng các model hiệu quả cho nhiều loại phần cứng.
- 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
Các cải tiến kiến trúc#
YOLOv7: Phân tích đường truyền gradient và tái tham số hóa#
YOLOv7 tập trung mạnh vào Mạng tổng hợp lớp hiệu quả mở rộng (E-ELAN). Các tác giả thiết kế E-ELAN bằng cách phân tích đường truyền gradient của mạng, đảm bảo mạng có thể liên tục học mà không làm suy giảm đường truyền gradient ban đầu. Ngoài ra, YOLOv7 sử dụng tái tham số hóa model khi suy luận, hợp nhất các layer để giảm FLOPs và rút ngắn thời gian thực thi. Nhờ đó, model có khả năng cao trong suy luận thời gian thực trên GPU hiện đại.
DAMO-YOLO: Tìm kiếm kiến trúc mạng và RepGFPN#
DAMO-YOLO đi theo hướng khác khi tận dụng mạnh Tìm kiếm kiến trúc mạng (NAS) với các ràng buộc về độ trễ. Model sử dụng framework có tên MAE-NAS để tìm ra backbone tối ưu phù hợp với phần cứng cụ thể, chẳng hạn như thiết bị di động hoặc bộ tăng tốc edge chuyên dụng. Ở phần neck, model giới thiệu RepGFPN hiệu quả (Mạng kim tự tháp đặc trưng tổng quát hóa tái tham số hóa) và sử dụng thiết kế ZeroHead để giảm thiểu gánh nặng tính toán ở các head dự đoán.
Trong khi YOLOv7 dựa vào các tối ưu hóa kiến trúc sẵn có mạnh mẽ, DAMO-YOLO phụ thuộc nhiều vào quy trình chưng cất tri thức đa giai đoạn phức tạp. Quy trình này đòi hỏi huấn luyện một model teacher lớn để chưng cất tri thức sang model student nhỏ hơn, có thể tiêu tốn nhiều tài nguyên tính toán trong giai đoạn huấn luyện.
So sánh hiệu năng và chỉ số#
Khi so sánh các model này, cần xem xét mAP (độ chính xác trung bình), tốc độ suy luận và độ phức tạp của model.
| Model | kích thước (pixel) | mAPval50-95 | Tốc độ CPU ONNX (ms) | Tốc độ T4 TensorRT10 (ms) | params (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv7l | 640 | 51.4 | - | 6.84 | 36.9 | 104.7 |
| YOLOv7x | 640 | 53.1 | - | 11.57 | 71.3 | 189.9 |
| 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 |
Bảng trên cho thấy YOLOv7 mở rộng tốt ở các bài toán cần độ chính xác cao (YOLOv7x), trong khi DAMO-YOLO cung cấp các model tiny được tối ưu cao cho môi trường hạn chế tài nguyên.
Hiệu quả huấn luyện và yêu cầu bộ nhớ#
Một khác biệt lớn giữa hai kiến trúc nằm ở phương pháp huấn luyện. Việc DAMO-YOLO phụ thuộc vào chưng cất đồng nghĩa với việc huấn luyện model mới từ đầu hoặc fine-tune trên dataset thị giác máy tính tùy chỉnh thường đòi hỏi nhiều VRAM và thời gian tính toán GPU hơn đáng kể.
Ngược lại, các model được hệ sinh thái Ultralytics hỗ trợ gốc, chẳng hạn YOLOv8 và các phiên bản mới hơn, được tối ưu để giảm mức sử dụng bộ nhớ khi huấn luyện. Developer có thể dùng batch size lớn hơn trên phần cứng phổ thông mà không gặp lỗi hết bộ nhớ, đơn giản hóa quy trình theo dõi thử nghiệm và lặp lại thử nghiệm.
Lợi thế của Ultralytics#
Dù YOLOv7 và DAMO-YOLO đều có những tính năng hấp dẫn, triển khai model trong hệ sinh thái Ultralytics mang lại trải nghiệm developer đơn giản hơn.
- Dễ sử dụng: Gói Python của Ultralytics cung cấp API thống nhất, đơn giản. Bạn có thể nhanh chóng chuyển đổi giữa các kiến trúc model, bắt đầu vòng lặp huấn luyện hoặc chạy suy luận chỉ với vài dòng code.
- Hệ sinh thái được bảo trì tốt: Ultralytics cung cấp các bản cập nhật thường xuyên, đảm bảo tương thích gốc với các phiên bản PyTorch và driver CUDA mới nhất. Nền tảng cũng đơn giản hóa việc export model sang các định dạng như ONNX, TensorRT và OpenVINO.
- Tính linh hoạt: Khác với DAMO-YOLO, vốn chỉ là model phát hiện đối tượng, hệ sinh thái Ultralytics hỗ trợ gốc nhiều tác vụ đa dạng. Model thuộc dòng Ultralytics có thể thực hiện phát hiện hộp giới hạn tiêu chuẩn, phân đoạn đối tượng, phân loại ảnh, ước lượng tư thế và Hộp giới hạn định hướng (OBB); YOLO26 còn bổ sung phân đoạn ngữ nghĩa và ước lượng độ sâu.
Ví dụ code: Bắt đầu nhanh#
Sau đây là cách tải, huấn luyện và chạy suy luận bằng model Ultralytics:
from ultralytics import YOLO
# Tải model YOLO26 đã huấn luyện trước (Ultralytics không hỗ trợ trọng số YOLOv7 gốc)
model = YOLO("yolo26n.pt")
# Huấn luyện model trên dataset COCO8 với cơ chế xử lý siêu tham số tự động
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)
# Chạy suy luận trên một ảnh
predictions = model("https://ultralytics.com/images/bus.jpg")
# Xuất sang định dạng ONNX để triển khai
model.export(format="onnx")Với Ultralytics, việc export trọng số đã huấn luyện sang nhiều định dạng tăng tốc phần cứng (như TensorRT hoặc CoreML) được thực hiện thông qua một đối số duy nhất trong lệnh export, không cần script chuyển đổi riêng.
Thế hệ tiếp theo: YOLO26#
YOLOv7 vẫn là kiến trúc cũ mạnh mẽ, nhưng lĩnh vực này đã phát triển nhanh chóng. Với các triển khai mới, Ultralytics YOLO26 (ra mắt tháng 1 năm 2026) là lựa chọn được đề xuất, cải thiện độ chính xác và tốc độ CPU so với các thế hệ trước.
- 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) bỏ qua bước hậu xử lý Loại bỏ hộp giới hạn không cực đại (NMS). Điều này làm giảm biến thiên độ trễ và đơn giản hóa việc triển khai cho hệ thống robot và xe tự lái. - Optimizer MuSGD: Lấy cảm hứng từ các kỹ thuật huấn luyện LLM tiên tiến (như Kimi K2 của Moonshot AI), optimizer lai này kết hợp SGD và Muon để huấn luyện ổn định hơn và hội tụ nhanh hơn.
- Suy luận trên CPU nhanh hơn tới 43%: Bằng cách loại bỏ Distribution Focal Loss (DFL), YOLO26 đơn giản hóa quá trình export và tăng tốc suy luận trên thiết bị biên và CPU; YOLO26n chạy trên CPU nhanh hơn YOLO11n tới 43%.
- ProgLoss + STAL: Progressive Loss và chiến lược gán nhãn nhận biết đối tượng nhỏ cải thiện khả năng phát hiện vật thể nhỏ, khiến YOLO26 rất phù hợp cho ảnh hàng không và giám sát chi tiết.
Các trường hợp sử dụng phù hợp nhất#
Khi nào nên chọn DAMO-YOLO#
- Nghiên cứu học thuật về NAS: Nếu tổ chức của bạn tập trung mạnh vào nghiên cứu các phương pháp Tìm kiếm kiến trúc mạng.
- Độ trễ cực thấp trên phần cứng chuyên dụng: Nếu bạn có đủ nguồn lực để chạy các lượt tìm kiếm NAS toàn diện nhằm tìm backbone phù hợp cho chip tăng tốc AI tùy chỉnh.
Khi nào nên chọn YOLOv7#
- Pipeline GPU hiện có: Dành cho các nhóm duy trì pipeline production cũ được tối ưu sâu cho kiến trúc E-ELAN riêng của YOLOv7 trên phần cứng NVIDIA cao cấp.
Vì sao nên chuyển sang các model Ultralytics hiện đại (YOLO11 / YOLO26)#
Với phần lớn ứng dụng doanh nghiệp—từ phân tích bán lẻ và sản xuất thông minh đến chăm sóc sức khỏe—model Ultralytics hiện đại là lựa chọn mặc định thiết thực. Tích hợp với Ultralytics Platform cung cấp pipeline ML hoàn chỉnh, với API đơn giản, tài liệu đầy đủ, cộng đồng năng động và hỗ trợ đa tác vụ. Dù theo dõi hàng tồn kho trên Raspberry Pi hay chạy phân tích chuyên sâu trên cloud, các model như YOLO26 đều cân bằng tốt giữa tốc độ và độ chính xác.
Bình luận
Đặt câu hỏi, chia sẻ kết quả hoặc giúp đỡ người khác.