YOLOv8 so với DAMO-YOLO#

Lĩnh vực thị giác máy tính không ngừng phát triển, với các kiến trúc mới liên tục mở rộng giới hạn của những gì có thể thực hiện trên các thiết bị edge và các cụm cloud quy mô lớn. Trong bài phân tích chuyên sâu về kỹ thuật này, chúng ta sẽ so sánh hai model phát hiện đối tượng theo thời gian thực nổi bật: YOLOv8 và DAMO-YOLO. Bằng cách xem xét kiến trúc, các metric hiệu năng và phương pháp training, các kỹ sư ML có thể đưa ra quyết định sáng suốt cho các pipeline triển khai của mình.

Bối cảnh và nguồn gốc của các model#

Cả hai model được giới thiệu gần như cùng thời điểm nhưng bắt nguồn từ những triết lý thiết kế và mục tiêu nghiên cứu khác nhau.

Chi tiết YOLOv8#

• Tác giả: Glenn Jocher, Ayush Chaurasia và Jing Qiu
• Tổ chức: Ultralytics
• Ngày: 2023-01-10
• GitHub: Kho lưu trữ GitHub của Ultralytics
• Tài liệu: Tài liệu chính thức của YOLOv8

Chi tiết về DAMO-YOLO#

• Tác giả: Xianzhe Xu, Yiqi Jiang, Weihua Chen, Yilun Huang, Yuan Zhang và Xiuyu Sun
• Tổ chức: Alibaba Group
• Ngày: 2022-11-23
• Arxiv: Bài báo nghiên cứu DAMO-YOLO
• GitHub: Kho lưu trữ GitHub DAMO-YOLO

Tìm hiểu thêm về DAMO-YOLO

Các cải tiến về kiến trúc#

YOLOv8: Thiết kế linh hoạt không dùng anchor#

Ultralytics YOLOv8 mang đến những cải tiến đáng kể so với các phiên bản tiền nhiệm, củng cố vị thế của model state-of-the-art có độ tin cậy cao. Model này sử dụng detection head không dùng anchor, giúp giảm số lượng dự đoán box và tăng tốc inference. Kiến trúc sử dụng một decoupled head, tách biệt các tác vụ objectness, classification và regression, từ đó tạo ra các dự đoán bounding box chính xác hơn.

Ngoài ra, YOLOv8 triển khai Distribution Focal Loss (DFL) cùng với CIoU loss, cải thiện khả năng xác định chính xác ranh giới đối tượng của model, đặc biệt với các target nhỏ hoặc bị che khuất. Backbone tinh gọn được tối ưu cao cho cả việc thực thi trên GPU và CPU.

DAMO-YOLO: Phát triển dựa trên tìm kiếm kiến trúc#

DAMO-YOLO áp dụng một hướng tiếp cận khác, phụ thuộc nhiều vào Neural Architecture Search (NAS) để tự động thiết kế backbone. Nhóm Alibaba đã giới thiệu "MAE-NAS" nhằm tìm ra các cấu trúc mang lại sự cân bằng tối ưu giữa latency và độ chính xác, cụ thể trong điều kiện tăng tốc bằng TensorRT.

Model này tích hợp RepGFPN (Mạng Kim tự tháp Đặc trưng Tổng quát hóa được tái tham số hóa) để fusion feature hiệu quả và thiết kế "ZeroHead" nhằm giảm thiểu tải tính toán của detection head. Trong quá trình training, model tận dụng AlignedOTA để gán nhãn và phụ thuộc nhiều vào một quy trình knowledge distillation phức tạp, đòi hỏi một model teacher lớn hơn để giám sát model student mục tiêu.

Hiệu năng và các chỉ số#

Khi triển khai các model thị giác máy tính vào production, việc cân bằng độ chính xác (mAP) với tốc độ inference là yếu tố then chốt. Bảng dưới đây minh họa hiệu năng của cả hai model trên nhiều kích thước khác nhau.

YOLOv8 thể hiện sự cân bằng hiệu năng vượt trội. Model YOLOv8n (nano) chỉ yêu cầu 3,2 triệu parameters so với 8,5 triệu của DAMO-YOLOt, khiến model này vượt trội hơn đáng kể trên các thiết bị mobile hoặc môi trường có yêu cầu nghiêm ngặt về memory. Ngoài ra, YOLOv8 cung cấp dải kích thước đa dạng hơn, mở rộng đến YOLOv8x có độ chính xác cao cho các workload trên cloud.

Trải nghiệm developer và hệ sinh thái#

Tính dễ sử dụng và hiệu quả huấn luyện#

Một trong những yếu tố tạo khác biệt lớn nhất là trải nghiệm người dùng. Hệ sinh thái Ultralytics được thiết kế để tăng tốc độ phát triển của developer. Việc training một model YOLOv8 tùy chỉnh yêu cầu rất ít memory và có thể được thực hiện thông qua Python API thống nhất hoặc command-line interface.

Ngược lại, việc tái tạo quy trình training DAMO-YOLO được tăng cường bằng distillation thường đòi hỏi phải xử lý các file cấu hình phức tạp và quản lý experiment tracking teacher-student nhiều giai đoạn.

Dưới đây là ví dụ cho thấy việc training, validation và export YOLOv8 bằng Python đơn giản như thế nào:

from ultralytics import YOLO

# Load a pre-trained YOLOv8 nano model
model = YOLO("yolov8n.pt")

# Train the model on the COCO8 dataset
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device="cpu")

# Export the trained model to ONNX format
path = model.export(format="onnx")

Tính đa dụng trên các tác vụ thị giác#

DAMO-YOLO được xây dựng chuyên biệt cho việc phát hiện đối tượng bằng bounding box. Ngược lại, kiến trúc YOLOv8 hỗ trợ nhiều task ngay từ đầu. Chỉ cần thay đổi model weights, developer có thể thực hiện Instance Segmentation, Image Classification và Pose Estimation mà không cần thay đổi codebase triển khai nền tảng. Tính linh hoạt này khiến các model Ultralytics trở nên thiết thực hơn nhiều cho các ứng dụng phức tạp.

Các trường hợp sử dụng trong thực tế#

Khi nào nên sử dụng YOLOv8#

Sự kết hợp giữa tốc độ, độ chính xác và khả năng triển khai dễ dàng khiến YOLOv8 trở nên lý tưởng cho:

• Phân tích bán lẻ thông minh: Thực hiện object tracking để theo dõi hành vi khách hàng hoặc tự động hóa việc kiểm kê.
• Robot nông nghiệp: Tận dụng hiệu năng mạnh mẽ trên nhiều loại hardware để nhận diện cây trồng hoặc sâu bệnh theo thời gian thực.
• Chẩn đoán y tế: Sử dụng instance segmentation để lập bản đồ các điểm bất thường trong hình ảnh y tế một cách nhanh chóng và chính xác.
• Triển khai trên edge: Khả năng tích hợp liền mạch với các format export như OpenVINO và CoreML giúp YOLOv8 phát huy hiệu quả trên các thiết bị có tài nguyên hạn chế.

Khi nào nên sử dụng DAMO-YOLO#

DAMO-YOLO có thể hữu ích trong các trường hợp chuyên biệt, đặc biệt là:

• Nghiên cứu NAS học thuật: Dành cho các nhóm nghiên cứu phương pháp tái tham số hóa hoặc thiết kế kiến trúc tự động.
• Pipeline hoàn toàn phụ thuộc vào GPU: Các ứng dụng chỉ chạy trên hardware NVIDIA cụ thể, nơi các cấu trúc NAS được tối ưu mạnh cho các giới hạn thực thi của TensorRT.

Các trường hợp sử dụng và khuyến nghị#

Việc lựa chọn giữa YOLOv8 và DAMO-YOLO 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 YOLOv8#

YOLOv8 là lựa chọn phù hợp cho:

• Triển khai đa tác vụ linh hoạt: Các dự án yêu cầu một model đã được kiểm chứng cho detection, segmentation, classification và pose estimation trong hệ sinh thái Ultralytics.
• Hệ thống production đã ổn định: Các môi trường production hiện có đã được xây dựng trên kiến trúc YOLOv8 với pipeline triển khai ổn định và được kiểm thử kỹ lưỡng.
• Hỗ trợ cộng đồng và hệ sinh thái rộng: Các ứng dụng hưởng lợi từ hệ thống tutorial phong phú, tích hợp bên thứ ba và nguồn tài nguyên cộng đồng tích cực của YOLOv8.

Khi nào nên chọn DAMO-YOLO#

DAMO-YOLO được khuyến nghị cho:

• Phân tích video thông lượng cao: Xử lý các luồng video FPS cao trên hạ tầng GPU NVIDIA cố định, trong đó thông lượng batch-1 là chỉ số chính.
• Dây chuyền sản xuất công nghiệp: Các tình huống có yêu cầu nghiêm ngặt về độ trễ GPU trên phần cứng chuyên dụng, chẳng hạn như kiểm tra chất lượng theo thời gian thực trên dây chuyền lắp ráp.
• Nghiên cứu Neural Architecture Search: Nghiên cứu tác động của tìm kiếm kiến trúc tự động (MAE-NAS) và các backbone được reparameterize hiệu quả đối với hiệu năng phát hiện.

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.

Định hướng tương lai: Các model Ultralytics mới hơn#

Mặc dù YOLOv8 vẫn là một model workhorse có độ tin cậy cao, lĩnh vực thị giác máy tính phát triển rất nhanh. Người dùng cũng nên cân nhắc khám phá các thế hệ mới hơn:

YOLO26: Là thế hệ mới nhất, Ultralytics YOLO26 đại diện cho một bước chuyển đổi mô hình. Model này giới thiệu Thiết kế End-to-End không dùng NMS ngay từ đầu, loại bỏ hoàn toàn các bottleneck latency liên quan đến bước hậu xử lý Non-Maximum Suppression. Được hỗ trợ bởi MuSGD Optimizer mới (kết hợp giữa SGD và Muon) cùng các hàm loss ProgLoss + STAL chuyên biệt, YOLO26 đạt được quá trình training ổn định đáng kể và khả năng nhận diện object nhỏ được cải thiện vượt trội. Với DFL Removal (loại bỏ Distribution Focal Loss để đơn giản hóa việc export và tăng khả năng tương thích với các thiết bị edge/low-power), những điều chỉnh về kiến trúc mang lại khả năng Inference trên CPU nhanh hơn 43% so với các thế hệ trước, khiến đây trở thành lựa chọn hàng đầu cho điện toán edge hiện đại.

YOLO11: Là một lựa chọn xuất sắc khác, Ultralytics YOLO11 cung cấp các tinh chỉnh kiến trúc từng bước so với YOLOv8 và vẫn là một model mạnh mẽ, được cộng đồng sử dụng rộng rãi.

Tóm lại, mặc dù DAMO-YOLO cung cấp những hiểu biết học thuật thú vị về tìm kiếm kiến trúc, các model Ultralytics mang đến một hệ sinh thái trưởng thành hơn đáng kể, linh hoạt hơn và thân thiện hơn với developer. Dù bạn tiếp tục sử dụng sự ổn định đã được chứng minh của YOLOv8 hay nâng cấp lên kiến trúc nhanh vượt trội, không dùng NMS của YOLO26, bộ công cụ Ultralytics vẫn là lựa chọn hàng đầu cho AI thị giác theo thời gian thực.