Bắt đầu

YOLOv7 và EfficientDet

Lựa chọn kiến trúc mạng nơ-ron phù hợp là nền tảng cho mọi dự án thị giác máy tính thành công. Hướng dẫn này cung cấp so sánh kỹ thuật chi tiết giữa hai model mang tính bước ngoặt trong lịch sử kiến trúc phát hiện đối tượng: YOLOv7 và EfficientDet. Bằng cách xem xét các cải tiến kiến trúc, phương pháp huấn luyện và kịch bản triển khai phù hợp, developer có thể đưa ra quyết định sáng suốt. Hướng dẫn cũng trình bày cách Ultralytics YOLO26 cải thiện cả hai model.

Nguồn gốc model và chi tiết kỹ thuật#

Cả hai model đều được phát triển bởi các nhóm nghiên cứu nổi tiếng và mang đến những tiến bộ đáng kể cho lĩnh vực machine learning.

YOLOv7

Tìm hiểu thêm về YOLOv7

EfficientDet

Tìm hiểu thêm về EfficientDet

Khác biệt kiến trúc và phân tích cân bằng#

Hiểu rõ những khác biệt cấu trúc cơ bản giữa các mạng này là yếu tố then chốt để triển khai model hiệu quả.

EfficientDet: Mở rộng hợp thành và BiFPN#

Được phát triển trong hệ sinh thái TensorFlow, EfficientDet giới thiệu phương pháp mở rộng quy mô model có cơ sở bài bản. Thay vì tùy tiện mở rộng chiều rộng hoặc chiều sâu của mạng, các nhà nghiên cứu Google sử dụng phương pháp mở rộng đồng bộ, điều chỉnh đồng đều độ phân giải, độ sâu và chiều rộng.

Ngoài ra, EfficientDet giới thiệu Mạng kim tự tháp đặc trưng hai chiều (BiFPN). Biến thể mạng kim tự tháp đặc trưng này cho phép hợp nhất đặc trưng đa tỷ lệ nhanh chóng.

Ưu điểm: Hiệu quả cao về số lượng tham số, đạt độ chính xác trung bình (mAP) cao với FLOPs thấp hơn nhiều model cùng thời. Nhược điểm: Phụ thuộc nhiều vào các chiến lược tìm kiếm AutoML cũ. Việc tích hợp vào quy trình làm việc PyTorch hiện đại, linh hoạt có thể phức tạp, và độ trễ trên thiết bị biên thường cao hơn dự kiến dù số FLOPs thấp.

YOLOv7: Tập hợp các thủ thuật miễn phí có thể huấn luyện#

YOLOv7 ưu tiên suy luận thời gian thực và tối ưu hóa huấn luyện. Model giới thiệu khái niệm mạng tổng hợp lớp hiệu quả mở rộng (E-ELAN), cho phép model liên tục học các đặc trưng đa dạng hơn mà không phá vỡ đường truyền gradient ban đầu. YOLOv7 cũng sử dụng kỹ thuật “trainable bag-of-freebies”, giúp cải thiện độ chính xác phát hiện mà không làm tăng chi phí suy luận.

Ưu điểm: Tốc độ xử lý nhanh và độ trễ suy luận thuận lợi, phù hợp cho luồng video FPS cao. Nhược điểm: Dù có năng lực cao, model vẫn dựa vào anchor box và cần Ức chế phi cực đại (NMS) trong bước hậu xử lý, có thể tạo nút thắt độ trễ trong các cảnh rất đông đúc.

Lợi thế hệ sinh thái Ultralytics

Khi đánh giá model, hệ sinh thái xung quanh cũng quan trọng không kém kiến trúc. Ultralytics Platform tích hợp cung cấp API thống nhất, tài liệu phong phú và sự hỗ trợ tích cực từ cộng đồng. Môi trường thống nhất này thường dùng ít bộ nhớ huấn luyện hơn các model Transformer nặng, giúp tăng tốc quá trình tạo nguyên mẫu và theo dõi thử nghiệm.

Chỉ số hiệu năng và benchmark#

Bảng dưới đây đối chiếu các chỉ số hiệu năng chính, giúp nhà phát triển đánh giá sự đánh đổi giữa tốc độ, số lượng tham số và độ chính xác.

Modelkích thước
(pixel)
mAPval50-95Tốc độ
CPU ONNX
(ms)
Tốc độ
T4 TensorRT10
(ms)
params
(M)
FLOPs
(B)
YOLOv7l64051.4-6.8436.9104.7
YOLOv7x64053.1-11.5771.3189.9
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

Như minh họa, dù EfficientDet-d7 đạt mAP cao, tốc độ TensorRT của model thấp hơn đáng kể so với các biến thể YOLOv7, cho thấy lợi thế của YOLOv7 trong phát hiện đối tượng thời gian thực tăng tốc bằng GPU.

Quá trình phát triển của phát hiện vật thể: YOLO26#

Dù YOLOv7 và EfficientDet đặt nền móng quan trọng, lĩnh vực AI thị giác phát triển nhanh chóng. Với các ứng dụng hiện đại cần hiệu quả và độ chính xác tối ưu, lựa chọn nâng cấp được đề xuất là YOLO26, ra mắt vào tháng 1 năm 2026.

YOLO26 khắc phục các hạn chế của những thế hệ trước và mang lại tính linh hoạt rộng rãi trong phát hiện đối tượng, phân đoạn đối tượng, phân đoạn ngữ nghĩa, ước lượng độ sâu, phân loại ảnh, ước lượng tư thế và phát hiện hộp giới hạn định hướng (OBB).

Những cải tiến chính của YOLO26#

  • Thiết kế đầu-cuối không cần NMS: YOLO26 cung cấp head một-một tùy chọn (nms=False), bỏ qua bước hậu xử lý Loại bỏ hộp giới hạn không cực đại (NMS). YOLOv10 đã giới thiệu thiết kế này cho các model YOLO; thiết kế giúp đơn giản hóa logic triển khai và duy trì độ trễ ổn định bất kể mật độ đối tượng.
  • Loại bỏ DFL: Việc loại bỏ Distribution Focal Loss (DFL) giúp đơn giản hóa kiến trúc model, cải thiện khả năng tương thích với các môi trường điện toán biên có tài nguyên hạn chế nghiêm ngặt.
  • Suy luận trên CPU nhanh hơn đến 43%: YOLO26n chạy nhanh hơn YOLO11n đến 43% trên CPU, phù hợp với phần cứng không có GPU chuyên dụng.
  • Optimizer MuSGD: Lấy cảm hứng từ các kỹ thuật của mô hình ngôn ngữ lớn (chẳng hạn Kimi K2 của Moonshot AI), phương pháp kết hợp SGD và Muon này giúp quá trình huấn luyện thị giác máy tính ổn định hơn và hội tụ nhanh hơn.
  • ProgLoss + STAL: Hàm loss tiến triển và chiến lược gán nhãn nhận biết mục tiêu nhỏ cải thiện khả năng nhận diện vật thể nhỏ, đặc biệt hữu ích cho ảnh chụp từ trên không và ứng dụng drone.
  • Cải tiến theo tác vụ: Bao gồm loss phân đoạn ngữ nghĩa và proto đa tỷ lệ cho tác vụ phân đoạn, Residual Log-Likelihood Estimation (RLE) cho ước lượng tư thế, cùng loss góc chuyên biệt để khắc phục các vấn đề biên của Oriented Bounding Box (OBB).

Đối với các nhóm hiện đang sử dụng hệ thống cũ, chuyển sang Ultralytics Platform mang đến quy trình làm việc tinh gọn, giúp huấn luyện và triển khai các model này dễ dàng. Tùy theo yêu cầu tương thích ngược cụ thể, nhà phát triển cũng có thể tìm hiểu các thế hệ trước như YOLO11 và YOLOv8.

Huấn luyện tinh gọn và dễ sử dụng#

Một trong những đặc điểm nổi bật của các model Ultralytics là Dễ sử dụng. Không giống môi trường TensorFlow AutoML của EfficientDet đòi hỏi cấu hình phức tạp với nhiều dependency, Ultralytics cung cấp API Python đơn giản, theo phong cách Python.

Môi trường này giữ mức sử dụng bộ nhớ CUDA thấp trong quá trình huấn luyện, giúp huấn luyện các dataset lớn mà không gặp lỗi Out-Of-Memory (OOM) thường thấy trong các kiến trúc dựa trên transformer.

Ví dụ mã: Bắt đầu với Ultralytics#

Đoạn mã sau minh họa cách nhà phát triển có thể tận dụng package Ultralytics để huấn luyện model YOLO26 ngay khi cài đặt.

from ultralytics import YOLO

# Initialize a YOLO26 nano model for object detection
model = YOLO("yolo26n.pt")

# Train the model on the COCO8 example dataset
results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    device=0,  # GPU index; use device='cpu' to train on CPU
    batch=16,
)

# Validate the model's performance
metrics = model.val()
print(f"Validation mAP50-95: {metrics.box.map}")

# Export the model for edge deployment (e.g., OpenVINO for CPU optimization)
model.export(format="openvino")
Xuất model để triển khai thực tế

Các model được huấn luyện qua API Ultralytics có thể xuất trực tiếp sang các định dạng production như OpenVINO hoặc ONNX để suy luận hiệu quả trên phần cứng mục tiêu.

Trường hợp sử dụng lý tưởng và ứng dụng thực tế#

Khi thiết kế giải pháp, điều quan trọng là lựa chọn model phù hợp với thế mạnh của model và trường hợp sử dụng cụ thể.

Khi nào nên sử dụng EfficientDet#

EfficientDet vẫn là lựa chọn phù hợp cho nghiên cứu học thuật cũ hoặc các môi trường bị ràng buộc chặt chẽ với hệ sinh thái Google Cloud, nơi các thử nghiệm mở rộng quy mô đồng bộ là trọng tâm chính. Các biến thể nhỏ hơn (d0-d2) hữu ích khi dung lượng ổ đĩa bị giới hạn nghiêm ngặt.

Khi nào nên sử dụng YOLOv7#

YOLOv7 hoạt động xuất sắc trong các thiết lập cũ đòi hỏi hiệu năng cao, đặc biệt khi ưu tiên tích hợp PyTorch thay vì TensorFlow. Model này vẫn được triển khai rộng rãi trong:

  • Phân tích video: Xử lý luồng camera an ninh tốc độ khung hình cao trong môi trường có nhiều GPU tăng tốc.
  • Kiểm tra công nghiệp: Phát hiện lỗi trên dây chuyền lắp ráp sản xuất tốc độ cao.

Khi nào nên chọn YOLO26#

Với các triển khai mới, YOLO26 là lựa chọn được khuyến nghị. Sự cân bằng về hiệu năng và hệ sinh thái được duy trì tốt khiến YOLO26 phù hợp với:

  • Thành phố thông minh và quản lý giao thông: Head không cần NMS tùy chọn giúp duy trì độ trễ suy luận ổn định cho điều phối giao thông theo thời gian thực.
  • Robot và hệ thống tự hành: Tốc độ suy luận trên CPU của YOLO26n nhanh hơn YOLO11n đến 43%, giúp điều hướng phản hồi nhanh trên các thiết bị nhúng.
  • Giám sát nông nghiệp và trên không: Sử dụng ProgLoss và STAL để nhận diện các vật thể nhỏ như một số loại cây trồng hoặc động vật hoang dã từ ảnh chụp ở độ cao lớn.

Tóm lại, dù EfficientDet và YOLOv7 có giá trị tham khảo lịch sử và hữu ích trong một số lĩnh vực chuyên biệt, kỹ sư thị giác máy tính hiện đại sẽ phù hợp nhất khi sử dụng kiến trúc Ultralytics YOLO26, vốn khắc phục các nút thắt trước đây về triển khai, tốc độ CPU và độ chính xác khi nhận diện vật thể nhỏ.

Người đóng góp

Bình luận

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