YOLOv8 và EfficientDet
Trong lĩnh vực phát hiện vật thể đang phát triển nhanh chóng, việc chọn đúng kiến trúc mạng nơ-ron là yếu tố then chốt để cân bằng độ chính xác, tốc độ suy luận và tính khả thi khi triển khai. Bài so sánh kỹ thuật này đề cập đến hai kiến trúc có ảnh hưởng lớn: Ultralytics YOLOv8, một tiêu chuẩn linh hoạt trong hệ sinh thái thị giác máy tính hiện đại, và EfficientDet, model nền tảng của Google nổi tiếng với chiến lược co giãn hợp thành.
Dù mục tiêu triển khai của bạn là server cloud hiệu năng cao hay thiết bị biên hạn chế tài nguyên, hiểu rõ khác biệt về kiến trúc giữa các model này sẽ giúp bạn chọn được model phù hợp.
Tổng quan kiến trúc#
Cả hai model đều giải quyết bài toán xác định và định vị đối tượng trong ảnh bằng mạng neural tích chập, nhưng sử dụng các phương pháp khác nhau để trích xuất đặc trưng và hồi quy bounding box.
Ultralytics YOLOv8#
Được Ultralytics phát hành vào tháng 1 năm 2023, YOLOv8 là bước tiến lớn của dòng YOLO. Do Glenn Jocher, Ayush Chaurasia và Jing Qiu xây dựng, model được thiết kế từ đầu để hỗ trợ nhiều tác vụ thị giác, bao gồm phát hiện vật thể, phân đoạn instance, phân loại hình ảnh và ước tính tư thế.
Kiến trúc này giới thiệu head phát hiện không cần anchor, giúp giảm số lượng dự đoán bounding box và tăng tốc Non-Maximum Suppression (NMS). Backbone sử dụng module C2f (nút thắt cổ chai Cross-Stage Partial với hai phép tích chập) để cải thiện luồng gradient trong quá trình huấn luyện mà vẫn giữ cấu trúc gọn nhẹ. Nhờ đó, YOLOv8 hoạt động hiệu quả khi biên dịch sang các định dạng như NVIDIA TensorRT hoặc ONNX.
EfficientDet#
Do Mingxing Tan, Ruoming Pang và Quoc V. Le tại Google xây dựng và phát hành vào cuối năm 2019, EfficientDet tập trung vào hiệu quả có khả năng mở rộng. Được mô tả trong bài báo arXiv chính thức, model này phát triển dựa trên nghiên cứu AutoML của Google.
Đặc điểm nổi bật của EfficientDet là Mạng kim tự tháp đặc trưng hai chiều (BiFPN), cho phép hợp nhất đặc trưng đa tỷ lệ nhanh chóng và dễ dàng. Kết hợp với backbone EfficientNet, kiến trúc này sử dụng phương pháp co giãn hợp thành để đồng thời điều chỉnh đồng đều độ phân giải, độ sâu và chiều rộng của backbone, mạng đặc trưng cũng như các mạng dự đoán box/lớp. Dù mang lại hiệu quả tham số xuất sắc, cấu trúc mạng phức tạp thường khiến model chạy trên GPU chậm hơn mức FLOP thấp của nó gợi ý.
So sánh hiệu năng và chỉ số#
Khi so sánh các model phát hiện vật thể, Độ chính xác trung bình trung bình (mAP) và độ trễ suy luận là những chuẩn đánh giá chính. Bảng dưới đây minh họa cách các biến thể YOLOv8 và dòng EfficientDet (d0-d7) so sánh theo các chỉ số tiêu chuẩn trên dataset COCO.
| Model | kích thước (pixel) | mAPval50-95 | Tốc độ CPU ONNX (ms) | Tốc độ T4 TensorRT10 (ms) | params (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv8n | 640 | 37.3 | 80.4 | 1.47 | 3.2 | 8.7 |
| YOLOv8s | 640 | 44.9 | 128.4 | 2.66 | 11.2 | 28.6 |
| YOLOv8m | 640 | 50.2 | 234.7 | 5.86 | 25.9 | 78.9 |
| YOLOv8l | 640 | 52.9 | 375.2 | 9.06 | 43.7 | 165.1 |
| YOLOv8x | 640 | 53.9 | 479.1 | 14.37 | 68.2 | 257.8 |
| EfficientDet-d0 | 512 | 34.6 | - | 3.92 | 3.9 | 2.54 |
| EfficientDet-d1 | 640 | 40.5 | - | 7.31 | 6.6 | 6.1 |
| EfficientDet-d2 | 768 | 43.0 | - | 10.92 | 8.1 | 11.0 |
| EfficientDet-d3 | 896 | 47.5 | - | 19.59 | 12.0 | 24.9 |
| EfficientDet-d4 | 1024 | 49.7 | - | 33.55 | 20.7 | 55.2 |
| EfficientDet-d5 | 1280 | 51.5 | - | 67.86 | 33.7 | 130.0 |
| EfficientDet-d6 | 1280 | 52.6 | - | 89.29 | 51.9 | 226.0 |
| EfficientDet-d7 | 1536 | 53.7 | - | 128.07 | 51.9 | 325.0 |
Mặc dù EfficientDet đạt độ chính xác cạnh tranh với ít FLOPs hơn, Ultralytics YOLOv8 nhanh hơn nhiều trên GPU. Ví dụ, YOLOv8x đạt mAP cao hơn một chút (53.9) so với EfficientDet-d7 (53.7), nhưng chạy nhanh hơn khoảng 9 lần trên GPU T4 (14.37 ms so với 128.07 ms), khiến YOLOv8 trở thành lựa chọn phù hợp cho phân tích video thời gian thực.
Phương pháp huấn luyện và hệ sinh thái#
Trải nghiệm developer là yếu tố quan trọng khi chọn kiến trúc machine learning; mức độ hỗ trợ của cộng đồng và các công cụ trong hệ sinh thái cũng khác biệt đáng kể giữa những model này.
EfficientDet phụ thuộc nhiều vào TensorFlow và các pipeline AutoML chuyên biệt. Dù hiệu quả cho huấn luyện cloud phân tán quy mô lớn, việc thiết lập môi trường, điều chỉnh anchor và phân tích các file cấu hình dày đặc trong repository EfficientDet trên GitHub có thể tốn nhiều công sức.
Ngược lại, Ultralytics YOLOv8 được xây dựng nguyên bản trên PyTorch và hướng đến tính dễ sử dụng. Developer có thể bắt đầu huấn luyện chỉ bằng một dòng code Python hoặc một lệnh CLI. Mức sử dụng bộ nhớ khi huấn luyện cũng được tối ưu, nhờ đó developer có GPU phổ thông cấu hình vừa phải vẫn có thể huấn luyện các model hiệu quả với ít lỗi hết bộ nhớ (OOM) hơn so với những kiến trúc dùng nhiều Transformer.
Ultralytics Platform bổ sung giao diện không cần code để gán nhãn dataset, huấn luyện model và triển khai lên cloud, còn tính năng tinh chỉnh siêu tham số tích hợp sẵn giúp tối ưu độ chính xác trên dataset tùy chỉnh.
Ví dụ code Python: suy luận YOLOv8#
Chỉ cần vài dòng code để huấn luyện và chạy YOLOv8 bằng repository Ultralytics trên GitHub:
from ultralytics import YOLO
# Khởi tạo model YOLOv8 nguyên bản trong PyTorch
model = YOLO("yolov8n.pt")
# Huấn luyện model trên dataset ví dụ COCO8
train_results = model.train(data="coco8.yaml", epochs=50, imgsz=640)
# Chạy suy luận nhanh trên URL ảnh
inference_results = model("https://ultralytics.com/images/bus.jpg")
# Hiển thị các bounding box
inference_results[0].show()Thế hệ tiếp theo: Nâng cấp lên Ultralytics YOLO26#
Dù YOLOv8 vẫn là model sản xuất có năng lực, developer bắt đầu dự án mới nên đánh giá Ultralytics YOLO26, ra mắt vào tháng 1 năm 2026 và hiện là model Ultralytics được khuyến nghị.
YOLO26 giới thiệu Thiết kế end-to-end không cần NMS nguyên bản. Head một-một tùy chọn (nms=False) loại bỏ bước hậu xử lý NMS, vốn đã được sử dụng từ những phiên bản YOLO đầu tiên, giúp giảm biến thiên độ trễ và đơn giản hóa việc triển khai trên thiết bị công suất thấp.
YOLO26 cũng bao gồm một số cải tiến về huấn luyện và kiến trúc:
- Bộ tối ưu MuSGD: Lấy cảm hứng từ các kỹ thuật huấn luyện LLM, sự kết hợp giữa SGD và Muon này giúp huấn luyện ổn định và hội tụ nhanh hơn.
- Suy luận CPU nhanh hơn tới 43%: Với NMS và DFL được loại bỏ, YOLO26n chạy nhanh hơn YOLO11n tới 43% khi suy luận ONNX trên CPU, phù hợp với thiết bị biên chỉ dùng CPU, không có NPU chuyên dụng.
- ProgLoss + STAL: Hàm mất mát tiến triển và Gán nhãn có nhận biết đối tượng nhỏ (STAL) cải thiện khả năng phát hiện vật thể nhỏ, hữu ích cho ảnh chụp từ trên không và ứng dụng camera IoT.
- Loại bỏ DFL: Loại bỏ Distribution Focal Loss giúp đơn giản hóa quá trình export sang các định dạng như OpenVINO và CoreML.
Trường hợp sử dụng và khuyến nghị#
Việc lựa chọn giữa các kiến trúc này cuối cùng phụ thuộc vào giới hạn triển khai và yêu cầu tương thích với hệ thống cũ của bạn.
- Chọn Ultralytics YOLOv8 nếu: Bạn đang xây dựng các ứng dụng thị giác máy tính linh hoạt, đòi hỏi độ chính xác cao, suy luận GPU thời gian thực và trải nghiệm developer đơn giản. Hiệu năng mạnh trên các tác vụ phát hiện, phân đoạn và phân loại khiến model này trở thành lựa chọn linh hoạt cho phân tích bán lẻ, robot và hệ thống an ninh.
- Chọn EfficientDet nếu: Bạn bị ràng buộc với các quy trình TensorFlow cũ và ưu tiên hàng đầu là giảm số lượng tham số cùng FLOPs lý thuyết, có thể để phục vụ nghiên cứu thay vì triển khai công nghiệp thời gian thực nghiêm ngặt.
- Chọn Ultralytics YOLO26 nếu: Bạn đang bắt đầu một dự án mới. YOLO26 là model Ultralytics hiện được khuyến nghị, với kiến trúc end-to-end không cần NMS nguyên bản phù hợp cho cả triển khai biên tốc độ cao lẫn xử lý cloud quy mô lớn.
Nếu đang tìm hiểu các model khác trong hệ sinh thái Ultralytics, bạn cũng có thể cân nhắc Ultralytics YOLO11 để có sự cân bằng tốc độ và độ chính xác đã được kiểm chứng, hoặc RT-DETR để áp dụng hướng tiếp cận dựa trên Transformer cho phát hiện thời gian thực.
Bình luận1
Đặt câu hỏi, chia sẻ kết quả hoặc giúp đỡ người khác.
extremezero9023(đã chỉnh sửa)
Great technical breakdown! EfficientDet is known for its excellent accuracy-to-efficiency ratio, especially in resource-constrained environments. However, this YOLOv8 comparison highlights how v8 brings better versatility, faster inference times, and an easier training pipeline. While EfficientDet excels in structured setups, YOLOv8 feels more production-ready for dynamic and real-time use cases.