So sánh YOLOv8 và DAMO-YOLO#

Bối cảnh thị giác máy tính đang không ngừng phát triển, với các kiến trúc mới liên tục mở rộng giới hạn khả thi trên các thiết bị biên và các cụm đám mây khổng lồ. Trong bài phân tích chuyên sâu này, chúng tôi so sánh hai mô hình phát hiện đối tượng thời gian thực nổi bật: YOLOv8 và DAMO-YOLO. Bằng cách kiểm tra kiến trúc, các chỉ số hiệu suất và phương pháp đào tạo của chúng, các kỹ sư ML có thể đưa ra quyết định sáng suốt cho các pipeline triển khai của mình.

Nguồn gốc và bối cảnh mô hình#

Cả hai mô hình đều được giới thiệu vào khoảng cùng một thời điểm nhưng xuất phát từ các triết lý thiết kế và mục tiêu nghiên cứu khác nhau.

Chi tiết về 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: YOLOv8 Official Documentation

Tìm hiểu thêm về 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: DAMO-YOLO Research Paper
• GitHub: DAMO-YOLO GitHub Repository

Tìm hiểu thêm về DAMO-YOLO

Cải tiến kiến trúc#

YOLOv8: Thiết kế không dùng anchor linh hoạt#

Ultralytics YOLOv8 mang đến những cải tiến đáng kể so với các thế hệ tiền nhiệm, củng cố vị thế là một model state-of-the-art có độ tin cậy cao. Nó có tính năng detection head không mỏ neo (anchor-free), giúp giảm số lượng hộp dự đoán và tăng tốc độ inference. Kiến trúc này sử dụng decoupled head, tách biệt các tác vụ objectness, classification và regression, dẫn đến các dự đoán bounding box chính xác hơn.

Hơn nữa, YOLOv8 tích hợp Distribution Focal Loss (DFL) cùng với CIoU loss, nâng cao khả năng định vị chính xác ranh giới đối tượng của model, đặc biệt đối với các mục tiêu nhỏ hơn hoặc bị che khuất. Backbone được tối ưu hóa gọn gàng của nó có hiệu suất cao cho cả việc thực thi trên GPU và CPU.

DAMO-YOLO: Được thúc đẩy bởi Tìm kiếm Kiến trúc#

DAMO-YOLO áp dụng một cách tiếp cận khác, phụ thuộc nhiều vào Neural Architecture Search (NAS) để tự động thiết kế backbone của mình. Nhóm Alibaba đã giới thiệu "MAE-NAS" để tìm ra các cấu trúc mang lại sự đánh đổi độ trễ - độ chính xác tối ưu đặc biệt dưới sự tăng tốc của TensorRT.

Mô hình kết hợp RepGFPN (Mạng Kim tự tháp Đặc trưng Tổng quát được tái tham số hóa) để hợp nhất đặc trưng hiệu quả và thiết kế "ZeroHead" để giảm thiểu gánh nặng tính toán của đầu phát hiện. Trong quá trình đào tạo, nó tận dụng AlignedOTA để gán nhãn và dựa nhiều vào quá trình chưng cất tri thức phức tạp, đòi hỏi một mô hình giáo viên lớn hơn để giám sát mô hình sinh viên mục tiêu.

Hiệu suất và chỉ số#

Khi triển khai các mô hình thị giác máy tính vào thực tế sản xuất, việc cân bằng giữa độ chính xác (mAP) và tốc độ suy luận là rất quan trọng. Bảng dưới đây minh họa hiệu suất của cả hai mô hình qua nhiều kích thước khác nhau.

YOLOv8 thể hiện sự cân bằng hiệu suất đặc biệt. Model YOLOv8n (nano) chỉ yêu cầu 3,2 triệu tham số so với 8,5 triệu của DAMO-YOLOt, khiến nó vượt trội hơn hẳn cho các thiết bị di động hoặc môi trường có yêu cầu bộ nhớ khắt khe. Hơn nữa, YOLOv8 cung cấp nhiều kích thước hơn, mở rộng quy mô lên model YOLOv8x có độ chính xác cao cho các workload dựa trên cloud.

Trải nghiệm nhà phát triển và Hệ sinh thái#

Dễ sử dụng và hiệu quả huấn luyện#

Một trong những yếu tố khác biệt lớn nhất là trải nghiệm người dùng. Hệ sinh thái Ultralytics được thiết kế cho tốc độ phát triển. Việc đào tạo một mô hình YOLOv8 tùy chỉnh yêu cầu mức sử dụng bộ nhớ rất thấp và có thể được thực hiện thông qua API Python hợp nhất hoặc giao diện dòng lệnh.

Ngược lại, việc tái tạo quá trình training tăng cường chưng cất (distillation-enhanced training) của DAMO-YOLO thường đòi hỏi phải xử lý các file cấu hình phức tạp và quản lý experiment tracking giữa teacher và student nhiều giai đoạn.

Dưới đây là một ví dụ về việc đào tạo, xác thực và xuất 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 linh hoạt giữa các tác vụ thị giác#

DAMO-YOLO được xây dựng hoàn toàn cho bài toán object detection bằng bounding-box. Ngược lại, kiến trúc YOLOv8 hỗ trợ nguyên bản nhiều tác vụ. Chỉ bằng cách thay đổi trọng số model (model weights), lập trình viên có thể thực hiện Instance Segmentation, Image Classification và Pose Estimation mà không cần thay đổi codebase deployment bên dưới. Tính linh hoạt này làm cho các model Ultralytics thực tế hơn rất nhiều đối với các ứng dụng phức tạp.

Các trường hợp sử dụng thực tế#

Khi nào nên sử dụng YOLOv8#

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

• Smart Retail Analytics: Thực hiện object tracking để theo dõi hành vi của khách hàng hoặc tự động hóa việc kiểm tra kho hàng.
• Robot nông nghiệp: Tận dụng hiệu suất mạnh mẽ của nó trên phần cứng đa dạng để xác định cây trồng hoặc sâu bệnh theo thời gian thực.
• Chẩn đoán y tế: Sử dụng phân đoạn đối tượng để lập bản đồ các điểm bất thường trong hình ảnh y tế một cách nhanh chóng và chính xác.
• Edge Deployments: Sự tích hợp liền mạch với các export format như OpenVINO và CoreML giúp YOLOv8 tỏa sáng trên các thiết bị bị giới hạn tài nguyên.

Khi nào nên dùng DAMO-YOLO#

DAMO-YOLO có thể có lợi trong các tình huống ngách, đặc biệt là:

• Nghiên cứu NAS học thuật: Dành cho các nhóm nghiên cứu về tái tham số hóa hoặc các phương pháp thiết kế kiến trúc tự động.
• Các pipeline bị giới hạn hoàn toàn bởi GPU: Các ứng dụng chạy độc quyền trên phần cứng NVIDIA cụ thể nơi các cấu trúc NAS được tối ưu hóa mạnh mẽ 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 dự án cụ thể, các ràng buộc triển khai và sở thích về hệ sinh thái của bạn.

Khi nào nên chọn YOLOv8#

YOLOv8 là lựa chọn mạnh mẽ cho:

• Triển khai đa tác vụ linh hoạt: Các dự án yêu cầu một model đã được chứng minh cho detection, segmentation, classification và pose estimation trong hệ sinh thái Ultralytics.
• Hệ thống sản xuất đã thiết lập: Các môi trường sản xuất hiện có đã được xây dựng trên kiến trúc YOLOv8 với các pipeline triển khai ổn định, đã được kiểm thử tốt.
• Hỗ trợ cộng đồng và hệ sinh thái rộng lớn: Các ứng dụng được hưởng lợi từ các hướng dẫn mở rộng, tích hợp bên thứ ba và 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 luồng video FPS cao trên cơ sở hạ tầng GPU NVIDIA cố định, nơi thông lượng batch-1 là chỉ số chính.
• Dây chuyền sản xuất công nghiệp: Các kịch bản với hạn chế độ trễ GPU nghiêm ngặt trên phần cứng chuyên dụng, chẳng hạn như kiểm tra chất lượng 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 tái tham số hóa hiệu quả đối với hiệu năng phát hiện.

Khi nào nên chọn Ultralytics (YOLO26)#

Đối với hầu hết các dự án mới, Ultralytics YOLO26 mang lại sự kết hợp tốt nhất giữa hiệu suất và trải nghiệm của nhà phát triển:

• 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 hậu xử lý Non-Maximum Suppression.
• Môi trường chỉ dùng CPU: Các thiết bị không có tăng tốc GPU chuyên dụng, nơi suy luận CPU nhanh hơn tới 43% của YOLO26 mang lại lợi thế quyết định.
• Phát hiện Vật thể Nhỏ: Các kịch bản thử thách như aerial drone imagery hoặc phân tích cảm biến IoT nơi ProgLoss và STAL cải thiện đáng kể độ chính xác trên các vật thể nhỏ xíu.

Hướng tới tương lai: Các mô hình Ultralytics mới hơn#

Mặc dù YOLOv8 vẫn là một công cụ đáng tin cậy, lĩnh vực thị giác máy tính thay đổi rất nhanh chóng. Người dùng cũng nên cân nhắc khám phá các thế hệ mới hơn:

YOLO26: Thế hệ mới nhất, Ultralytics YOLO26, đại diện cho một bước ngoặt về mô hình. Nó giới thiệu thiết kế nguyên bản End-to-End NMS-Free Design, loại bỏ hoàn toàn các điểm nghẽn độ trễ liên quan đến hậu xử lý Non-Maximum Suppression. Được cung cấp sức mạnh bởi MuSGD Optimizer mới (sự kết hợp giữa SGD và Muon) cùng các hàm loss chuyên biệt ProgLoss + STAL, YOLO26 đạt được quá trình training cực kỳ ổn định và cải thiện đáng kể khả năng nhận diện đối tượng nhỏ. Với DFL Removal (đã loại bỏ Distribution Focal Loss để đơn giản hóa quá trình export và tương thích tốt hơn với các thiết bị edge/tiêu thụ điện năng thấp), các tinh chỉnh về kiến trúc mang lại hiệu suất 43% Faster CPU Inference so với các thế hệ trước, biến nó thành lựa chọn dứt khoát cho điện toán biên hiện đại.

YOLO11: Một giải pháp thay thế tuyệt vời khác, Ultralytics YOLO11 mang lại các cải tiến kiến trúc gia tăng so với YOLOv8 và vẫn là một model mạnh mẽ, được cộng đồng áp dụng rộng rãi.

Tóm lại, trong khi DAMO-YOLO cung cấp những hiểu biết học thuật thú vị về tìm kiếm kiến trúc, các mô hình Ultralytics cung cấp một hệ sinh thái trưởng thành, linh hoạt và thân thiện với nhà phát triển hơn đáng kể. Cho dù bạn gắn bó với sự ổn định đã được kiểm chứng của YOLOv8 hay nâng cấp lên kiến trúc siêu nhanh, không dùng NMS của YOLO26, bộ phần mềm Ultralytics vẫn là lựa chọn hàng đầu cho AI thị giác thời gian thực.