YOLOv9 và DAMO-YOLO
Thị giác máy tính phát triển nhanh chóng, tạo ra nhiều kiến trúc phù hợp với các giới hạn triển khai và yêu cầu độ chính xác khác nhau. Hai model đáng chú ý là YOLOv9, nổi tiếng với khả năng giải quyết nút thắt thông tin trong mạng sâu, và DAMO-YOLO, sử dụng Tìm kiếm kiến trúc mạng (NAS) cùng các kim tự tháp đặc trưng hiệu quả.
Hướng dẫn này so sánh kỹ thuật YOLOv9 và DAMO-YOLO, nêu bật khác biệt kiến trúc, phương pháp huấn luyện và các tình huống triển khai phù hợp. Hướng dẫn cũng trình bày cách hệ sinh thái Ultralytics đơn giản hóa lộ trình từ phát triển đến production, đồng thời giải thích vì sao các model mới hơn như YOLO26 hiện được khuyến nghị cho dự án mới.
Phân tích chuyên sâu về kiến trúc#
Tìm hiểu các cơ chế cốt lõi của từng model giúp lý giải sự khác biệt về hiệu năng trên nhiều chỉ số.
YOLOv9: Thông tin gradient có thể lập trình#
YOLOv9 được thiết kế để trực tiếp giải quyết tình trạng mất thông tin xảy ra khi dữ liệu truyền qua các mạng neural sâu.
- Tác giả: Chien-Yao Wang, Hong-Yuan Mark Liao
- Tổ chức: Viện Khoa học Thông tin, Academia Sinica, Đài Loan
- Ngày: 21 tháng 2, 2024
- Liên kết: arXiv, GitHub, Tài liệu
YOLOv9 giới thiệu Thông tin Gradient có thể lập trình (PGI) và Mạng tổng hợp lớp hiệu quả tổng quát (GELAN). PGI đảm bảo thông tin không gian và ngữ nghĩa quan trọng được giữ lại trong quá trình truyền xuôi, ngăn suy giảm gradient dùng để cập nhật trọng số. GELAN bổ trợ bằng cách tối đa hóa hiệu quả tham số, cho phép model đạt độ chính xác trung bình (mAP) tiên tiến nhất với ít FLOPs hơn nhiều CNN thông thường.
DAMO-YOLO: Hiệu quả dựa trên NAS#
Được Alibaba Group phát triển, DAMO-YOLO đi theo hướng tiếp cận khác, sử dụng tìm kiếm kiến trúc tự động để tìm điểm cân bằng hiệu quả giữa tốc độ và độ chính xác.
- Tác giả: Xianzhe Xu, Yiqi Jiang, Weihua Chen, Yilun Huang, Yuan Zhang và Xiuyu Sun
- Tổ chức: Alibaba Group
- Ngày: 23 tháng 11 năm 2022
- Liên kết: arXiv, GitHub
DAMO-YOLO sử dụng backbone MAE-NAS (Tìm kiếm kiến trúc neural entropy cực đại) để tự động tạo ra các cấu trúc mạng hiệu quả. Model sử dụng RepGFPN (Mạng kim tự tháp đặc trưng tổng quát được tái tham số hóa) để hợp nhất đặc trưng ổn định và thiết kế "ZeroHead" nhằm giảm thiểu gánh nặng tính toán cho head phát hiện. Ngoài ra, model tích hợp AlignedOTA để gán nhãn và chưng cất tri thức nhằm cải thiện hiệu năng các biến thể nhỏ hơn.
Tìm kiếm kiến trúc mạng (NAS) tự động hóa việc thiết kế mạng neural nhân tạo. Phương pháp này có thể tạo ra các model hiệu quả cao như DAMO-YOLO, nhưng bổ sung một giai đoạn tìm kiếm vào quy trình thiết kế model (DAMO-YOLO sử dụng tìm kiếm MAE-NAS không cần huấn luyện), khác với kiến trúc được thiết kế thủ công của YOLOv9.
So sánh hiệu năng và chỉ số#
Khi lựa chọn model phát hiện đối tượng, cần cân bằng giữa độ chính xác, tốc độ và mức tiêu thụ tài nguyên tính toán.
| Model | kích thước (pixel) | mAPval50-95 | Tốc độ CPU ONNX (ms) | Tốc độ T4 TensorRT10 (ms) | params (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv9t | 640 | 38.3 | - | 2.3 | 2.0 | 7.7 |
| YOLOv9s | 640 | 46.8 | - | 3.54 | 7.2 | 26.7 |
| YOLOv9m | 640 | 51.4 | - | 6.43 | 20.1 | 76.8 |
| YOLOv9c | 640 | 53.0 | - | 7.16 | 25.5 | 102.8 |
| YOLOv9e | 640 | 55.6 | - | 16.77 | 58.1 | 192.5 |
| DAMO-YOLOt | 640 | 42.0 | - | 2.32 | 8.5 | 18.1 |
| DAMO-YOLOs | 640 | 46.0 | - | 3.45 | 16.3 | 37.8 |
| DAMO-YOLOm | 640 | 49.2 | - | 5.09 | 28.2 | 61.8 |
| DAMO-YOLOl | 640 | 50.8 | - | 7.18 | 42.1 | 97.3 |
Phân tích#
- Độ chính xác so với số tham số: YOLOv9 thường có tỷ lệ tham số/độ chính xác tốt hơn. Ví dụ, YOLOv9c đạt mAP 53.0% với 25.5M tham số, trong khi DAMO-YOLOl đạt mAP 50.8% nhưng cần nhiều tham số hơn đáng kể (42.1M).
- Tốc độ suy luận: Kiến trúc DAMO-YOLO mang lại tốc độ suy luận TensorRT cạnh tranh trên GPU T4, nhỉnh hơn YOLOv9 một chút ở các cấu hình trung bình. Tuy nhiên, số tham số thấp hơn của YOLOv9 ở hầu hết kích thước giúp giảm mức sử dụng bộ nhớ GPU.
- Yêu cầu bộ nhớ: Các model Ultralytics YOLO, bao gồm YOLOv9, thường sử dụng ít bộ nhớ hơn trong quá trình huấn luyện và suy luận so với model phức tạp được tạo bằng NAS hoặc kiến trúc Transformer nặng, khiến chúng phù hợp để triển khai trên phần cứng biên hạn chế.
Lợi thế của hệ sinh thái Ultralytics#
Mặc dù các chỉ số lý thuyết rất quan trọng, việc triển khai thực tế thường quyết định thành công của dự án. Trong trường hợp này, Ultralytics Platform và hệ sinh thái phần mềm Ultralytics rộng hơn mang lại những lợi thế rõ rệt so với các repository độc lập như DAMO-YOLO.
Tính dễ sử dụng và hiệu quả huấn luyện#
Huấn luyện model YOLOv9 tùy chỉnh chỉ cần rất ít mã boilerplate. Ultralytics Python API xử lý các quy trình phức tạp như tăng cường dữ liệu, huấn luyện phân tán và tối ưu phần cứng.
from ultralytics import YOLO
# Tải model YOLOv9 đã được huấn luyện trước
model = YOLO("yolov9c.pt")
# Huấn luyện model trên dataset tùy chỉnh của bạn
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Đánh giá hiệu năng model
metrics = model.val()
# Xuất model để triển khai trong môi trường production
model.export(format="onnx")Ngược lại, sử dụng DAMO-YOLO thường đòi hỏi phải xử lý các tệp cấu hình cứng nhắc và chuỗi phụ thuộc phức tạp dành riêng cho pipeline huấn luyện đặc thù, khiến quá trình làm quen khó khăn hơn.
Tính linh hoạt trên nhiều tác vụ#
Tính linh hoạt là đặc điểm nổi bật của các model Ultralytics. Ngoài phát hiện bounding box tiêu chuẩn, framework Ultralytics còn hỗ trợ các tác vụ như phân đoạn đối tượng, phân loại ảnh, ước tính tư thế và phát hiện hộp giới hạn định hướng (OBB). DAMO-YOLO được tối ưu riêng cho phát hiện vật thể 2D, nên cần tái thiết kế đáng kể để thích ứng với các dạng bài toán thị giác khác.
Ultralytics đơn giản hóa pipeline triển khai bằng cách cung cấp lệnh đơn để export model sang các định dạng như TensorRT, OpenVINO và CoreML, giúp bạn tối ưu hiệu năng trên phần cứng mục tiêu.
Trường hợp sử dụng và khuyến nghị#
Việc lựa chọn giữa YOLOv9 và DAMO-YOLO phụ thuộc vào yêu cầu cụ thể của dự án, các giới hạn triển khai và lựa chọn hệ sinh thái của bạn.
Khi nào nên chọn YOLOv9#
YOLOv9 là lựa chọn phù hợp cho:
- Nghiên cứu về nút thắt thông tin: Các dự án học thuật nghiên cứu kiến trúc Programmable Gradient Information (PGI) và Generalized Efficient Layer Aggregation Network (GELAN).
- Nghiên cứu tối ưu hóa luồng gradient: Các nghiên cứu tập trung vào việc tìm hiểu và giảm thiểu mất mát thông tin trong các lớp mạng sâu khi huấn luyện.
- Đánh giá hiệu năng phát hiện độ chính xác cao: Các tình huống cần hiệu năng mạnh của YOLOv9 trên benchmark COCO làm mốc tham chiếu để so sánh kiến trúc.
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 hạ tầng GPU NVIDIA cố định, trong đó thông lượng batch-1 là chỉ số chính.
- Dây chuyền sản xuất công nghiệp: Các kịch bản có yêu cầu nghiêm ngặt về độ trễ GPU 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 ảnh hưởng của tìm kiếm kiến trúc tự động (MAE-NAS) và các backbone tái tham số hóa hiệu quả đến hiệu năng phát hiện.
Khi nào nên chọn Ultralytics (YOLO26)#
Với hầu hết dự án mới, Ultralytics YOLO26 mang lại sự kết hợp tốt nhất giữa hiệu năng và trải nghiệm developer:
- Triển khai edge không cần NMS: Các ứng dụng cần suy luận ổn định, độ trễ thấp mà không phải xử lý sự phức tạp của bước hậu xử lý Non-Maximum Suppression (NMS).
- Môi trường chỉ có CPU: Các thiết bị không có tăng tốc GPU chuyên dụng, nơi tốc độ inference CPU nhanh hơn tới 43% của YOLO26 (YOLO26n so với YOLO11n) mang lại lợi thế đáng kể.
- Phát hiện vật thể nhỏ: Các tình huống khó như ảnh chụp từ drone trên không hoặc phân tích cảm biến IoT, nơi ProgLoss và STAL cải thiện độ chính xác đối với vật thể rất nhỏ.
Tương lai: Chuyển sang YOLO26#
YOLOv9 và DAMO-YOLO là những cột mốc quan trọng, nhưng thị giác máy tính hiện đại đang chuyển sang kiến trúc end-to-end nguyên bản. Với các dự án phát triển mới, YOLO26 là model được khuyến nghị.
Ra mắt vào tháng 1 năm 2026, YOLO26 kế thừa các phiên bản trước, cải thiện cả độ chính xác lẫn tính đơn giản khi triển khai.
Những cải tiến chính của YOLO26#
- Thiết kế end-to-end không cần NMS: Head one-to-one tùy chọn (
nms=False) của YOLO26 loại bỏ hoàn toàn bước hậu xử lý Non-Maximum Suppression (NMS). Nhờ đó, pipeline triển khai gốc end-to-end được tinh gọn hơn—một phương pháp mà YOLOv10 đã giới thiệu cho các model YOLO. - Loại bỏ DFL: Distribution Focal Loss được loại bỏ để đơn giản hóa quá trình export và tăng khả năng tương thích với thiết bị biên, công suất thấp.
- Suy luận CPU nhanh hơn tới 43%: Sau khi loại bỏ DFL và NMS, YOLO26n chạy nhanh hơn tới 43% so với YOLO11n trên CPU, phù hợp với các kịch bản điện toán biên không có GPU chuyên dụng.
- Bộ tối ưu MuSGD: Lấy cảm hứng từ các đổi mới trong huấn luyện LLM, YOLO26 sử dụng phương pháp kết hợp SGD và Muon (MuSGD) để huấn luyện ổn định hơn và hội tụ nhanh hơn.
- ProgLoss + STAL: Hàm mất mát lũy tiến và Gán nhãn nhận biết mục tiêu nhỏ (STAL) cải thiện khả năng phát hiện vật thể nhỏ, khiến YOLO26 phù hợp với ảnh chụp từ trên cao và thiết bị IoT.
Nếu hiện bạn đang nghiên cứu YOLO11 hoặc YOLOv8 cho dự án tiếp theo, hãy cân nhắc dùng YOLO26, model Ultralytics hiện được khuyến nghị.
Tóm tắt#
Việc chọn model phù hợp phụ thuộc vào các giới hạn vận hành cụ thể của bạn:
- DAMO-YOLO cung cấp những thông tin hữu ích về tối ưu hóa dựa trên NAS, với tốc độ cạnh tranh trên các cấu hình phần cứng rất cụ thể, nơi kiến trúc RepGFPN phát huy thế mạnh.
- YOLOv9 là lựa chọn xuất sắc cho các nhà nghiên cứu tập trung bảo toàn chi tiết thị giác ở mức tinh vi, tận dụng kiến trúc PGI để ngăn mất thông tin trong các mạng sâu.
- Ultralytics YOLO26 là lựa chọn được khuyến nghị cho các ứng dụng doanh nghiệp và nghiên cứu mới. Tính dễ sử dụng, kiến trúc không cần NMS và các tối ưu hóa huấn luyện MuSGD giúp model đáng tin cậy, chính xác và dễ triển khai.
Bình luận
Đặt câu hỏi, chia sẻ kết quả hoặc giúp đỡ người khác.