YOLOv9 và EfficientDet
Lĩnh vực thị giác máy tính đã chứng kiến sự phát triển nhanh chóng của phát hiện vật thể theo thời gian thực, khi các nhà nghiên cứu liên tục cải thiện độ chính xác và hiệu quả. Khi xây dựng hệ thống thị giác mạnh mẽ, lựa chọn kiến trúc phù hợp là quyết định then chốt. Hai model được thảo luận rộng rãi trong lĩnh vực này là YOLOv9, phiên bản tiên tiến trong dòng YOLO tập trung vào thông tin gradient, và EfficientDet, framework có khả năng mở rộng do Google phát triển.
Hướng dẫn này phân tích kỹ thuật và so sánh hai kiến trúc, xem xét cơ chế nền tảng, chỉ số hiệu năng và tình huống triển khai phù hợp, giúp bạn đưa ra quyết định sáng suốt cho dự án AI tiếp theo.
Nguồn gốc và thông số kỹ thuật của model#
Hiểu rõ dòng phát triển và triết lý thiết kế của một model sẽ cung cấp bối cảnh hữu ích về các quyết định cấu trúc và ứng dụng thực tiễn của model đó.
YOLOv9: Tối đa hóa luồng thông tin#
Được phát triển để giải quyết "nút thắt thông tin" trong deep learning, YOLOv9 giới thiệu các phương pháp ngăn thất thoát thông tin khi dữ liệu đi qua các mạng neural sâu.
- Tác giả: Chien-Yao Wang và Hong-Yuan Mark Liao
- Tổ chức: Viện Khoa học Thông tin, Academia Sinica, Đài Loan
- Ngày: 21 tháng 2, 2024
- Liên kết: Ấn phẩm arXiv, GitHub chính thức
YOLOv9 giới thiệu Thông tin Gradient có thể lập trình (PGI), một framework giám sát phụ trợ giúp bảo toàn thông tin gradient đáng tin cậy xuyên suốt các lớp sâu. Kết hợp với Mạng tổng hợp lớp hiệu quả tổng quát (GELAN), kiến trúc này tối ưu hiệu quả tham số bằng cách kết hợp các ưu điểm của CSPNet và ELAN. Nhờ đó, YOLOv9 đạt độ chính xác cao mà vẫn giữ kích thước gọn nhẹ, phù hợp cho xử lý biên theo thời gian thực.
EfficientDet: Mở rộng hợp thành và BiFPN#
Do Google Brain giới thiệu, EfficientDet tiếp cận bài toán phát hiện vật thể bằng cách mở rộng có hệ thống các chiều của mạng để cân bằng tốc độ và độ chính xác.
- Tác giả: Mingxing Tan, Ruoming Pang và Quoc V. Le
- Tổ chức: Google
- Ngày: 20 tháng 11 năm 2019
- Liên kết: Ấn phẩm arXiv, GitHub chính thức
EfficientDet sử dụng backbone EfficientNet kết hợp với Mạng kim tự tháp đặc trưng hai chiều (BiFPN). BiFPN cho phép hợp nhất đặc trưng đa tỷ lệ nhanh chóng và dễ dàng. Kiến trúc này sử dụng phương pháp mở rộng hợp thành, đồng thời mở rộng đồng đều độ phân giải, độ sâu và chiều rộng của backbone, mạng đặc trưng cũng như các mạng dự đoán box/class.
Mặc dù kiến trúc lý thuyết rất quan trọng, hệ sinh thái phần mềm thường quyết định thành công của dự án. Ultralytics cung cấp Python API tinh gọn cùng các công cụ triển khai mạnh mẽ, giúp rút ngắn thời gian đưa sản phẩm ra thị trường so với các codebase phức tạp, thiên về nghiên cứu.
So sánh hiệu năng và chỉ số#
Khi phân tích hiệu năng model, việc cân bằng độ chính xác với độ trễ suy luận và chi phí tính toán là thiết yếu. Bảng dưới đây minh họa sự đánh đổi giữa các kích thước khác nhau của YOLOv9 và EfficientDet.
| 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 |
| 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 |
Phân tích chuyên sâu các chỉ số#
- Ngưỡng độ chính xác: YOLOv9e đạt độ chính xác tổng thể cao nhất với mAP (độ chính xác trung bình) 55.6%, vượt qua model EfficientDet-d7 lớn nhất (53.7%) đồng thời duy trì tốc độ TensorRT cao hơn.
- Tốc độ thời gian thực: YOLOv9t chỉ cần 2.3ms trên GPU T4 khi sử dụng TensorRT, cho thấy hiệu quả của kiến trúc GELAN đối với các luồng video tốc độ cao. EfficientDet-d0 chậm hơn, mất 3.92 ms và kém YOLOv9t 3.7 mAP.
- Độ phức tạp tính toán: EfficientDet tăng mạnh số lượng tham số và FLOPs khi hệ số tổng hợp tăng. Biến thể d7 có độ trễ 128 ms, chậm hơn khoảng 7.6 lần so với YOLOv9e chính xác hơn (16.77 ms), hạn chế khả năng sử dụng model này trong môi trường suy luận thời gian thực.
Hiệu quả huấn luyện và hệ sinh thái#
Việc chọn model đòi hỏi đánh giá hệ sinh thái dành cho nhà phát triển. Hệ sinh thái Ultralytics mang lại những lợi thế rõ rệt về hiệu quả huấn luyện, tính linh hoạt khi triển khai và khả năng ứng dụng đa dạng.
Lợi thế của Ultralytics#
Các model được framework Ultralytics hỗ trợ, bao gồm YOLOv9, YOLOv8 và YOLO11, thường cần ít bộ nhớ huấn luyện hơn các model dựa trên Transformer hoặc kiến trúc TensorFlow cũ như EfficientDet. Backend PyTorch hỗ trợ hội tụ nhanh và huấn luyện ổn định.
- Tính linh hoạt: Khác với EfficientDet chỉ tập trung vào phát hiện bounding box, Ultralytics API hỗ trợ nguyên bản Phân đoạn đối tượng, Phân loại ảnh, Ước tính tư thế và Hộp giới hạn định hướng (OBB).
- Tính dễ sử dụng: EfficientDet dựa vào các thư viện TensorFlow cũ và cấu hình AutoML phức tạp, vốn có thể khó thiết lập ổn định. Ngược lại, Ultralytics cung cấp API được hoàn thiện để tinh chỉnh siêu tham số và quản lý dataset.
Ví dụ triển khai#
Huấn luyện model thị giác máy tính không nên đòi hỏi hàng trăm dòng mã boilerplate. Ví dụ sau bắt đầu quá trình huấn luyện bằng package Ultralytics Python:
from ultralytics import YOLO
# Tải model Ultralytics chính thức (ví dụ: YOLO11 hoặc YOLO26)
model = YOLO("yolo11n.pt")
# Huấn luyện model trực tiếp trên bộ dữ liệu tùy chỉnh
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Export model đã huấn luyện sang định dạng ONNX để triển khai
model.export(format="onnx")Trường hợp sử dụng lý tưởng và ứng dụng thực tế#
Các mô hình cấu trúc khác nhau khiến những model này phù hợp với các tình huống riêng biệt.
Khi nào nên dùng EfficientDet: EfficientDet vẫn là lựa chọn khả thi trong các hệ thống cũ phụ thuộc sâu vào hệ sinh thái TensorFlow, nơi không thể chuyển sang PyTorch. Model này cũng có ý nghĩa lịch sử trong nghiên cứu phân tích ảnh y tế, khi có thể chấp nhận xử lý ngoại tuyến chậm hơn đối với ảnh quét độ phân giải cao.
Khi nào nên dùng YOLOv9: YOLOv9 phù hợp với các ứng dụng cần độ chính xác cao mà không có số lượng tham số lớn. Các ứng dụng như quản lý giao thông đô thị thông minh và giám sát đám đông với mật độ cao được hưởng lợi từ khả năng bảo toàn chi tiết đặc trưng của PGI.
Đón đầu tương lai: Thế hệ AI thị giác tiếp theo#
YOLOv9 và EfficientDet đều là các model có năng lực, nhưng nhà phát triển muốn đạt sự cân bằng tốt nhất giữa tốc độ điện toán biên, độ ổn định huấn luyện và tính đơn giản khi triển khai nên tìm hiểu các đổi mới mới nhất.
Ra mắt vào tháng 1 năm 2026, Ultralytics YOLO26 hiện là model Ultralytics được khuyến nghị. Model cải tiến so với các thế hệ trước (bao gồm YOLO11 và YOLOv8) với một số thay đổi quan trọng:
- Thiết kế end-to-end không cần NMS: YOLO26 cung cấp head one-to-one tùy chọn (
nms=False), bỏ qua hoàn toàn Non-Maximum Suppression (NMS)—một phương pháp được YOLOv10 giới thiệu cho các model YOLO—giúp triển khai model nhanh và đơn giản hơn. - 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%: YOLO26n chạy nhanh hơn tới 43% so với YOLO11n trên CPU, phù hợp với thiết bị IoT và môi trường không có GPU chuyên dụng.
- Bộ tối ưu MuSGD: Phương pháp kết hợp SGD và Muon (lấy cảm hứng từ các đổi mới trong huấn luyện LLM) giúp hội tụ nhanh hơn và huấn luyện ổn định 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, một yếu tố then chốt đối với ảnh drone chụp từ trên không và robot.
Với Ultralytics Platform, các nhóm có thể quản lý dataset, theo dõi thí nghiệm và triển khai model như YOLO26 trên nhiều loại phần cứng, giữ cho pipeline thị giác máy tính luôn sẵn sàng cho production.
Bình luận
Đặt câu hỏi, chia sẻ kết quả hoặc giúp đỡ người khác.