So sánh YOLOv9 và EfficientDet#

Lĩnh vực thị giác máy tính đã chứng kiến sự phát triển nhanh chóng trong phát hiện đối tượng theo thời gian thực, khi các nhà nghiên cứu không ngừng mở rộng giới hạn về độ chính xác và hiệu suất. Khi xây dựng các hệ thống thị giác mạnh mẽ, việc lựa chọn kiến trúc tối ưu là một quyết định quan trọng. Hai model được thảo luận nhiều trong lĩnh vực này là YOLOv9, một phiên bản cải tiến của dòng YOLO tập trung vào thông tin gradient, và EfficientDet, một framework có khả năng mở rộng do Google phát triển.

Hướng dẫn này cung cấp phân tích kỹ thuật chuyên sâu để so sánh hai kiến trúc, xem xét cơ chế nền tảng, các chỉ số hiệu suất và kịch bản 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 cho các quyết định về cấu trúc và ứng dụng thực tế của model đó.

YOLOv9: Tối đa hóa luồng thông tin#

Được phát triển để giải quyết "nút thắt cổ chai thông tin" trong deep learning, YOLOv9 giới thiệu các phương pháp mới nhằm đảm bảo dữ liệu không bị mất khi 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 đảm bảo thông tin gradient được bảo toàn đáng tin cậy qua các layer sâu. Cơ chế này kết hợp với Mạng Tổng hợp Layer Hiệu quả Tổng quát (GELAN), tối ưu hóa hiệu quả tham số bằng cách kết hợp các ưu điểm của CSPNet và ELAN. Nhờ đó, YOLOv9 đạt độ chính xác cao trong khi vẫn duy trì footprint gọn nhẹ, phù hợp cho xử lý biên theo thời gian thực.

Tìm hiểu thêm về YOLOv9

EfficientDet: Scaling hợp nhất và BiFPN#

Được Google Brain giới thiệu, EfficientDet tiếp cận bài toán phát hiện đối tượng 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, 2019
• Liên kết: Ấn phẩm ArXiv, GitHub chính thức

EfficientDet dựa trên 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 scaling hợp nhất, đồng thời mở rộng độ phân giải, độ sâu và độ rộng cho tất cả backbone, mạng đặc trưng và các mạng dự đoán box/class.

Tìm hiểu thêm về EfficientDet

So sánh hiệu năng và các chỉ số#

Khi phân tích hiệu suất model, việc cân bằng độ chính xác với độ trễ suy luận và chi phí tính toán là yếu tố thiết yếu. Bảng dưới đây minh họa các đánh đổi giữa những kích thước khác nhau của YOLOv9 và EfficientDet.

Phân tích chuyên sâu các chỉ số#

1. Ngưỡng độ chính xác: YOLOv9e đạt độ chính xác tổng thể cao nhất ở mức 55,6% mAP (độ chính xác trung bình), vượt qua model EfficientDet-d7 lớn nhất (53,7%) đồng thời duy trì tốc độ TensorRT nhanh hơn.
2. Tốc độ thời gian thực: YOLOv9t chỉ cần 2,3 ms trên GPU T4 khi sử dụng TensorRT, nhấn mạnh hiệu quả của kiến trúc GELAN đối với các luồng video tốc độ cao. EfficientDet-d0 hoạt động nhanh, nhưng phải hy sinh đáng kể mAP để đạt được tốc độ đó.
3. Độ phức tạp tính toán: EfficientDet tăng mạnh số lượng tham số và FLOPs khi hệ số scaling hợp nhất tăng. Biến thể d7 đạt độ trễ 128 ms, khiến nó chậm hơn 10 lần so với các model YOLO hiện đại tương đương, hạn chế đáng kể việc sử dụng trong các môi trường suy luận thời gian thực.

Hiệu quả huấn luyện và hệ sinh thái#

Việc lựa chọn model đòi hỏi đánh giá hệ sinh thái dành cho developer. Hệ sinh thái Ultralytics mang lại lợi thế vượt trội về hiệu quả huấn luyện, tính linh hoạt khi triển khai và khả năng ứng dụng tổng quát.

Lợi thế của Ultralytics#

Các model được hỗ trợ trong framework Ultralytics, bao gồm YOLOv9, YOLOv8 và YOLO11, mang lại lợi ích về yêu cầu bộ nhớ thấp hơn đáng kể trong quá trình training so với các kiến trúc dựa trên transformer hoặc TensorFlow cũ hơn như EfficientDet. Backend PyTorch mạnh mẽ đảm bảo quá trình hội tụ nhanh chóng và ổn định.

• Tính linh hoạt: Không giống EfficientDet, vốn chỉ tập trung vào phát hiện bounding box, API Ultralytics hỗ trợ nguyên bản Phân đoạn Instance, Ước lượng Pose, Phân loại Hình ảnh và Bounding Box Định hướng (OBB).
• Dễ sử dụng: EfficientDet dựa vào các thư viện TensorFlow cũ hơn và những cấu hình AutoML phức tạp, có thể khó thiết lập ổn định. Ngược lại, Ultralytics cung cấp API được tinh chỉnh kỹ lưỡng để tuning hyperparameter và quản lý dataset liền mạch.

Ví dụ Triển khai#

Việc huấn luyện một model thị giác máy tính nâng cao không nên đòi hỏi hàng trăm dòng boilerplate code. Dưới đây là cách bạn có thể dễ dàng bắt đầu huấn luyện bằng package Python của Ultralytics:

from ultralytics import YOLO

# Load an official Ultralytics model (e.g., YOLO11 or YOLO26)
model = YOLO("yolo11n.pt")

# Train the model natively on a custom dataset
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

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

Các 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 kịch bản riêng biệt.

Khi nào nên sử dụng EfficientDet: EfficientDet vẫn là một lựa chọn khả thi trong các hệ thống legacy phụ thuộc sâu vào hệ sinh thái TensorFlow, nơi việc chuyển sang PyTorch không khả thi. Model này cũng có ý nghĩa lịch sử trong nghiên cứu phân tích ảnh y tế, nơi việc xử lý offline các ảnh quét độ phân giải cao chậm hơn vẫn có thể chấp nhận được.

Khi nào nên sử dụng YOLOv9: YOLOv9 nổi bật trong các môi trường yêu cầu khai thác độ chính xác tối đa từ các layer sâu mà không làm số lượng tham số tăng vọt. Các ứng dụng như quản lý giao thông đô thị thông minh phức tạp và giám sát đám đông mật độ cao được hưởng lợi lớn từ khả năng duy trì tính toàn vẹn của đặc trưng do PGI cung cấp.

Đảm bảo khả năng thích ứng trong tương lai: Thế hệ tiếp theo của AI thị giác#

Mặc dù YOLOv9 và EfficientDet rất mạnh mẽ, các developer đang tìm kiếm sự cân bằng tối ưu giữa tốc độ điện toán biên, độ ổn định khi huấn luyện và tính đơn giản trong triển khai nên hướng tới những cải tiến mới nhất.

Được phát hành vào tháng 1 năm 2026, Ultralytics YOLO26 đại diện cho công nghệ tiên tiến nhất hiện nay. Model này cải tiến dựa trên các thế hệ trước (bao gồm YOLO11 và YOLOv8) với một số đột phá quan trọng:

• Thiết kế End-to-End không cần NMS: YOLO26 loại bỏ hoàn toàn Non-Maximum Suppression, một ý tưởng được tiên phong trong YOLOv10, mang lại triển khai model đơn giản hơn và nhanh hơn đáng kể.
• Loại bỏ DFL: Loại bỏ Distribution Focal Loss để đơn giản hóa quá trình export và cải thiện khả năng tương thích với các thiết bị edge/công suất thấp.
• Suy luận CPU nhanh hơn tới 43%: Được tối ưu hoàn hảo cho thiết bị IoT và các môi trường không có GPU chuyên dụng.
• Optimizer MuSGD: Một phương pháp kết hợp đột phá giữa SGD và Muon (lấy cảm hứng từ những cải tiến trong huấn luyện LLM), đảm bảo hội tụ nhanh hơn và các phiên chạy huấn luyện cực kỳ ổn định.
• ProgLoss + STAL: Các hàm loss nâng cao giúp cải thiện đáng kể khả năng phát hiện đối tượng nhỏ, một yếu tố quan trọng đối với hình ảnh từ drone trên không và robot mạnh mẽ.

Bằng cách tận dụng Ultralytics Platform toàn diện, các team có thể dễ dàng quản lý dataset, theo dõi experiment và triển khai các model như YOLO26 trên nhiều hệ sinh thái phần cứng khác nhau, đảm bảo pipeline thị giác máy tính luôn tiên tiến và sẵn sàng cho production.