YOLOv7 so với PP-YOLOE+#

Khi đánh giá các model thị giác máy tính tiên tiến nhất cho pipeline production, developer thường cân nhắc lợi thế của các kiến trúc khác nhau. Hai model đáng chú ý trong lĩnh vực phát hiện đối tượng là YOLOv7 và PP-YOLOE+. Hướng dẫn này so sánh chi tiết kiến trúc, các chỉ số hiệu năng và kịch bản triển khai lý tưởng của hai model để giúp bạn đưa ra quyết định sáng suốt cho dự án thị giác máy tính tiếp theo.

Các cải tiến kiến trúc#

Hiểu rõ khác biệt cấu trúc cốt lõi giữa các model này là yếu tố then chốt để dự đoán cách chúng hoạt động trong quá trình huấn luyện và inference.

Điểm nổi bật về kiến trúc YOLOv7#

YOLOv7 giới thiệu một số cải tiến quan trọng nhằm nâng cao độ chính xác mà không làm tăng đáng kể chi phí inference.

Mạng tổng hợp lớp hiệu quả mở rộng (E-ELAN): Kiến trúc này kiểm soát đường gradient ngắn nhất và dài nhất. Nhờ đó, mạng có thể học các đặc trưng đa dạng hơn, đồng thời cải thiện năng lực học tổng thể mà không phá vỡ đường gradient ban đầu.
Chiến lược mở rộng model: YOLOv7 sử dụng phương pháp mở rộng model tổng hợp, điều chỉnh đồng thời độ sâu và độ rộng, đồng thời nối các lớp để duy trì cấu trúc kiến trúc tối ưu ở nhiều kích thước khác nhau.
Bag-of-Freebies có thể huấn luyện: Các tác giả tích hợp phương pháp tích chập tái tham số hóa (RepConv) không có kết nối đồng nhất, giúp tăng đáng kể tốc độ inference mà không ảnh hưởng đến khả năng dự đoán của model.

Chi tiết YOLOv7:

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

Tìm hiểu thêm về YOLOv7

Điểm nổi bật về kiến trúc PP-YOLOE+#

Được Baidu phát triển trong hệ sinh thái PaddlePaddle, PP-YOLOE+ kế thừa PP-YOLOv2, tập trung mạnh vào phương pháp không anchor và cải thiện biểu diễn đặc trưng.

Thiết kế không anchor: Không giống các phương pháp dựa trên anchor, thiết kế này đơn giản hóa head dự đoán và giảm số lượng siêu tham số, giúp việc tinh chỉnh model cho dataset tùy chỉnh dễ dàng hơn.
Backbone CSPRepResNet: Backbone này tích hợp các kết nối residual và mạng Cross Stage Partial để cải thiện khả năng trích xuất đặc trưng mà vẫn duy trì hiệu quả tính toán.
Học căn chỉnh tác vụ (TAL): PP-YOLOE+ sử dụng ET-head (đầu căn chỉnh tác vụ hiệu quả) để căn chỉnh tốt hơn các tác vụ phân loại và định vị, giải quyết một nút thắt phổ biến trong các detector một giai đoạn.

Thông tin chi tiết về PP-YOLOE+:

Tác giả: Nhóm tác giả PaddlePaddle
Tổ chức: Baidu
Ngày: 2022-04-02
Arxiv: https://arxiv.org/abs/2203.16250

Tìm hiểu thêm về PP-YOLOE+

Chỉ số hiệu năng và benchmark#

Việc chọn model phù hợp thường phụ thuộc vào các giới hạn cụ thể của phần cứng và yêu cầu về độ trễ. Bảng dưới đây minh họa sự đánh đổi giữa độ chính xác (mAP), tốc độ và độ phức tạp của model.

Model	kích thước ^(pixel)	mAP^val 50-95	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

PP-YOLOE+t	640	39.9	-	2.84	4.85	19.15
PP-YOLOE+s	640	43.7	-	2.62	7.93	17.36
PP-YOLOE+m	640	49.8	-	5.56	23.43	49.91
PP-YOLOE+l	640	52.9	-	8.36	52.2	110.07
PP-YOLOE+x	640	54.7	-	14.3	98.42	206.59

Phân tích kết quả#

Các trường hợp cần độ chính xác cao: YOLOv7x cho thấy hiệu năng mạnh mẽ, đạt mAP cao và có khả năng cạnh tranh trong các tác vụ phát hiện phức tạp. PP-YOLOE+x đạt mAP nhỉnh hơn một chút, nhưng phải đánh đổi bằng mức tăng đáng kể về số lượng tham số và FLOPs.
Hiệu quả và tốc độ: Các biến thể nhỏ hơn của PP-YOLOE+ (t và s) có độ trễ TensorRT cực thấp, rất phù hợp để triển khai ở edge khi phần cứng bị giới hạn nghiêm ngặt.
Điểm cân bằng lý tưởng: YOLOv7l mang đến sự cân bằng thuyết phục, đạt hơn 51% mAP trong khi duy trì thời gian suy luận dưới 7 ms trên GPU T4, là lựa chọn đáng tin cậy cho các ứng dụng máy chủ thời gian thực thông thường.

Tối ưu hóa cho môi trường production

Khi triển khai các model này, việc tận dụng các định dạng export như TensorRT hoặc ONNX có thể giảm đáng kể độ trễ so với suy luận PyTorch gốc.

Lợi thế của Ultralytics#

YOLOv7 và PP-YOLOE+ đều có hiệu năng benchmark mạnh mẽ, nhưng trải nghiệm phát triển và mức độ hỗ trợ của hệ sinh thái cũng quan trọng không kém đối với thành công của dự án.

Trải nghiệm người dùng tinh gọn#

Các model Ultralytics ưu tiên tính dễ sử dụng thông qua một Python API thống nhất. Không giống PP-YOLOE+, vốn yêu cầu làm việc trong hệ sinh thái PaddlePaddle và sử dụng các file cấu hình riêng, Ultralytics cho phép bạn chuyển đổi liền mạch từ huấn luyện sang triển khai.

from ultralytics import YOLO

# Tải model YOLO26 đã huấn luyện trước (gói Ultralytics không hỗ trợ huấn luyện YOLOv7)
model = YOLO("yolo26n.pt")

# Huấn luyện model dễ dàng
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Export để triển khai tối ưu
model.export(format="engine")  # Xuất sang TensorRT

Hiệu quả sử dụng tài nguyên#

Một thế mạnh lớn của các model Ultralytics YOLO là yêu cầu bộ nhớ thấp hơn trong cả quá trình huấn luyện lẫn suy luận. Hiệu quả này cho phép nhà nghiên cứu và nhà phát triển sử dụng batch size lớn hơn trên phần cứng phổ thông, qua đó rút ngắn thời gian huấn luyện so với các model nặng hơn hoặc kiến trúc Transformer phức tạp như RT-DETR.

Hệ sinh thái và tính linh hoạt#

Hệ sinh thái Ultralytics được bảo trì rất tốt, với các bản cập nhật thường xuyên, tài liệu phong phú và hỗ trợ tích hợp cho nhiều tác vụ ngoài phát hiện thông thường. Với Ultralytics, một framework duy nhất hỗ trợ phân đoạn đối tượng, ước tính tư thế, phân loại và hộp giới hạn định hướng (OBB), mang lại tính linh hoạt vượt trội mà các model cạnh tranh thường không có.

Tương lai của AI thị giác: YOLO26#

Khi thị giác máy tính phát triển nhanh chóng, các kiến trúc mới đã xuất hiện và định hình lại tiêu chuẩn về tốc độ lẫn hiệu quả. Ra mắt vào tháng 1 năm 2026, Ultralytics YOLO26 là đỉnh cao của quá trình phát triển này và là lựa chọn được khuyến nghị hàng đầu cho mọi dự án mới.

Các cải tiến chính của YOLO26:

Thiết kế end-to-end không cần NMS: Head one-to-one tùy chọn của YOLO26 (nms=False) bỏ qua bước hậu xử lý Non-Maximum Suppression (NMS). Cách tiếp cận end-to-end gốc này giúp đơn giản hóa đáng kể logic triển khai và giảm độ trễ biến thiên; đột phá này lần đầu được giới thiệu trong YOLOv10.
Hiệu năng edge vượt trội: Bằng cách loại bỏ Distribution Focal Loss (DFL), YOLO26 đạt tốc độ suy luận trên CPU nhanh hơn tới 43%, vượt trội hơn các thế hệ trước trên thiết bị IoT và edge.
Động lực huấn luyện tiên tiến: Việc tích hợp bộ tối ưu MuSGD—lấy cảm hứng từ các đổi mới trong LLM như Kimi K2 của Moonshot AI—đảm bảo quá trình huấn luyện ổn định hơn và hội tụ nhanh hơn.
Phát hiện vật thể nhỏ vượt trội: Các hàm loss cải tiến, cụ thể là ProgLoss + STAL, giải quyết những hạn chế lâu nay trong việc nhận diện vật thể nhỏ, yếu tố then chốt trong các ứng dụng như ảnh chụp từ trên không.

Ứng dụng thực tế#

Việc lựa chọn giữa các kiến trúc này thường phụ thuộc vào môi trường triển khai cụ thể.

Khi nào nên chọn PP-YOLOE+#

Tích hợp PaddlePaddle: Nếu hạ tầng của bạn đã tích hợp sâu với hệ sinh thái PaddlePaddle của Baidu, PP-YOLOE+ là lựa chọn phù hợp tự nhiên.
Kiểm tra công nghiệp tại châu Á: Thường được sử dụng tại các trung tâm sản xuất ở châu Á, nơi stack phần cứng và phần mềm được cấu hình sẵn cho các công cụ của Baidu.

Khi nào nên chọn YOLOv7#

Hệ thống tăng tốc bằng GPU: Hoạt động đặc biệt hiệu quả trên GPU cấp máy chủ cho các tác vụ đòi hỏi thông lượng cao, chẳng hạn như phân tích video.
Tích hợp robot: Lý tưởng để tích hợp thị giác máy tính vào robot, cho phép đưa ra quyết định nhanh trong môi trường năng động.
Nghiên cứu học thuật: Được hỗ trợ rộng rãi và thường xuyên dùng làm baseline đáng tin cậy trong nghiên cứu dựa trên PyTorch.

Mặc dù các model cũ có ý nghĩa lịch sử, việc chuyển sang kiến trúc hiện đại như YOLO26 hoặc YOLO11 thông qua Ultralytics Platform giúp bạn tiếp cận các tối ưu hóa mới nhất, quy trình huấn luyện đơn giản nhất và khả năng hỗ trợ đa tác vụ rộng nhất hiện nay.

Người đóng góp

GLglenn-jocher¹⁶

Đã tạo 27 thg 1, 2025Đã cập nhật tuần trước

Get Started