YOLOv9 so với YOLOv6-3.0#

Sự tiến hóa của công nghệ phát hiện đối tượng thời gian thực được thúc đẩy bởi những đổi mới liên tục trong kiến trúc mạng thần kinh, giúp tối ưu hóa sự cân bằng tinh tế giữa tốc độ suy luận, độ chính xác và hiệu quả tính toán. Khi các lập trình viên và nhà nghiên cứu điều hướng trong bối cảnh các framework thị giác máy tính đầy cạnh tranh, việc so sánh các kiến trúc hàng đầu là yếu tố thiết yếu để chọn đúng công cụ cho công việc.

Hướng dẫn kỹ thuật này cung cấp một so sánh chuyên sâu giữa hai model có năng lực cao: YOLOv9, nổi tiếng với khả năng lưu giữ thông tin học sâu, và YOLOv6-3.0, một model được thiết kế đặc biệt cho các ứng dụng công nghiệp.

Tổng quan về YOLOv9: Tối đa hóa khả năng lưu giữ đặc trưng#

Được giới thiệu vào đầu năm 2024, YOLOv9 giải quyết một trong những thách thức dai dẳng nhất trong mạng thần kinh sâu: sự mất mát thông tin trong quá trình feed-forward. Bằng cách đảm bảo các gradient đáng tin cậy và các bản đồ đặc trưng lưu giữ dữ liệu quan trọng, model này đẩy xa giới hạn về độ chính xác lý thuyết.

• Tác giả: Chien-Yao Wang và Hong-Yuan Mark Liao
• Tổ chức: Viện Thông tin học, Academia Sinica, Đài Loan
• Ngày: 21 tháng 2 năm 2024
• Liên kết: Bài báo Arxiv, Kho lưu trữ GitHub

Kiến trúc và phương pháp luận#

YOLOv9 giới thiệu khái niệm Thông tin Gradient Lập trình (PGI) cùng với Mạng Tổng hợp Lớp Hiệu quả Tổng quát (GELAN). PGI giải quyết nút thắt cổ chai thông tin bằng cách cung cấp giám sát phụ trợ đảm bảo mạng chính học được các đặc trưng mạnh mẽ, đáng tin cậy mà không làm tăng thêm chi phí suy luận. Trong khi đó, GELAN tối ưu hóa việc sử dụng tham số, cho phép mô hình đạt được mean Average Precision (mAP) tiên tiến trong khi vẫn giữ chi phí tính toán ở mức hợp lý. Điều này biến nó thành một lựa chọn đặc biệt cho phân tích hình ảnh y tế hoặc phát hiện các đối tượng cực nhỏ, nơi độ trung thực của đặc trưng là tối quan trọng.

Tìm hiểu thêm về YOLOv9

Tổng quan về YOLOv6-3.0: Xây dựng cho quy mô công nghiệp#

Được phát triển bởi Meituan, YOLOv6-3.0 (hay còn gọi là v3.0) được thiết kế từ đầu để phục vụ các ứng dụng công nghiệp hạng nặng. Ra mắt vào đầu năm 2023, model tập trung mạnh mẽ vào hiệu quả triển khai, cung cấp một bộ các model thân thiện với lượng tử hóa, vượt trội trên phần cứng biên.

• Tác giả: Chuyi Li, Lulu Li, Yifei Geng, Hongliang Jiang, Meng Cheng, Bo Zhang, Zaidan Ke, Xiaoming Xu, và Xiangxiang Chu
• Tổ chức: Meituan
• Ngày: 13 tháng 1, 2023
• Liên kết: Bài báo Arxiv, Kho lưu trữ GitHub

Kiến trúc và phương pháp luận#

YOLOv6-3.0 tạo sự khác biệt thông qua các chiến lược RepOptimizer và Đào tạo Hỗ trợ Neo (AAT). Mô hình này sử dụng thiết kế mạng thần kinh nhận thức phần cứng lấy cảm hứng từ RepVGG, cho phép nó chạy cực nhanh trên GPU trong quá trình suy luận bằng cách hợp nhất các lớp. Bản cập nhật 3.0 tiếp tục tinh chỉnh kiến trúc bằng cách giới thiệu mô-đun Ghép nối Hai chiều (BiC) nhằm cải thiện độ chính xác của việc định vị. Do được tối ưu hóa cao cho các định dạng triển khai như TensorRT và OpenVINO, YOLOv6-3.0 thường được áp dụng trong lĩnh vực logistics, tự động hóa sản xuất và môi trường máy chủ thông lượng cao.

Tìm hiểu thêm về YOLOv6-3.0

So sánh hiệu năng#

Khi đánh giá các mô hình này trên tập dữ liệu COCO tiêu chuẩn, chúng ta có thể quan sát thấy sự đánh đổi rõ rệt giữa độ chính xác và tốc độ suy luận thô.

Phân tích kỹ thuật#

Trong khi YOLOv6-3.0n giành vị trí dẫn đầu về tốc độ thô trên phần cứng T4 (1.17ms), YOLOv9t đạt được mAP cao hơn một chút (38.3%) trong khi sử dụng chưa đến một nửa số tham số (2.0M so với 4.7M) và ít FLOP hơn đáng kể. Đối với các yêu cầu phức tạp, độ chính xác cao, YOLOv6e kích thước lớn đẩy độ chính xác lên tới 55.6% mAP, minh họa sức mạnh của kiến trúc PGI trong các mạng sâu.

Lợi thế từ hệ sinh thái Ultralytics#

Bất kể triết lý kiến trúc của mô hình nào thu hút bạn, việc triển khai chúng một cách nguyên bản thông qua Ultralytics Python API sẽ mang lại trải nghiệm nhà phát triển vượt trội.

Dễ sử dụng và hiệu quả huấn luyện#

Việc huấn luyện các mô hình học sâu phức tạp theo truyền thống đòi hỏi lượng mã boilerplate khổng lồ. Ultralytics Platform trừu tượng hóa các độ phức tạp này. Cho dù bạn đang tinh chỉnh YOLOv9 để phát hiện lỗi hay xuất YOLOv6 cho các ứng dụng di động, quy trình làm việc vẫn duy trì sự nhất quán đáng kinh ngạc.

Hơn nữa, các kiến trúc Ultralytics thường tự hào có yêu cầu bộ nhớ CUDA thấp hơn trong quá trình huấn luyện so với các mô hình cồng kềnh dựa trên transformer. Điều này cho phép các nhà phát triển sử dụng các kích thước batch lớn hơn trên GPU cấp độ người dùng, cải thiện đáng kể hiệu suất huấn luyện.

from ultralytics import YOLO

# Easily swap architectures by changing the weights file string
# model = YOLO("yolov6n.pt")
model = YOLO("yolov9c.pt")

# Train the model with built-in data augmentation and caching
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device="0")

# Export to ONNX or TensorRT seamlessly
model.export(format="engine", quantize=16)

Tính linh hoạt chưa từng có trong các tác vụ thị giác#

Mặc dù YOLOv6-3.0 được tối ưu hóa mạnh mẽ cho việc tạo hộp giới hạn nhanh chóng, các dự án thị giác máy tính hiện đại thường yêu cầu cách tiếp cận đa tác vụ. Các mô hình Ultralytics nổi tiếng với tính đa năng cực độ. Với các công cụ như Ultralytics YOLOv8 và YOLO26 mới hơn, một khung làm việc duy nhất xử lý mượt mà phát hiện đối tượng, phân đoạn cá thể, phân loại hình ảnh, ước tính tư thế và hộp giới hạn có hướng (OBB).

Giới thiệu YOLO26: Tiêu chuẩn mới#

Đối với các tổ chức muốn tối đa hóa cả hiệu suất lẫn sự dễ dàng triển khai, YOLO26 đại diện cho sự hội tụ đỉnh cao giữa tốc độ và độ chính xác.

Dựa trên những thành công của YOLO11, YOLO26 giới thiệu một số tính năng thay đổi mô hình:

• MuSGD Optimizer: Lấy cảm hứng từ các kỹ thuật huấn luyện mô hình ngôn ngữ lớn (LLM) như Kimi K2 của Moonshot AI, trình tối ưu hóa lai này đảm bảo quá trình huấn luyện cực kỳ ổn định và hội tụ nhanh.
• Loại bỏ DFL: Bằng cách lược bỏ Distribution Focal Loss, YOLO26 đơn giản hóa đồ thị xuất, giúp nó tương thích đáng kể hơn với các chip edge computing công suất thấp.
• ProgLoss + STAL: Các hàm mất mát tiên tiến này mang lại những cải thiện đáng kể trong việc nhận dạng đối tượng nhỏ, điều cốt yếu cho hoạt động drone và các ứng dụng IoT.
• Cải tiến theo tác vụ: YOLO26 bao gồm tạo mẫu đa quy mô nguyên bản cho phân đoạn, Residual Log-Likelihood Estimation (RLE) cho theo dõi khung xương và các thuật toán mất mát góc chuyên dụng để giải quyết các trường hợp biên trong phát hiện OBB.

Các kịch bản triển khai lý tưởng#

Việc lựa chọn kiến trúc phù hợp cuối cùng phụ thuộc vào các ràng buộc sản xuất của bạn.

Chọn YOLOv6-3.0 nếu bạn có một quy trình sẵn có trong sản xuất công nghiệp, phụ thuộc nhiều vào lượng tử hóa và sử dụng các bộ tăng tốc suy luận chuyên dụng nơi bạn cần độ trễ phần cứng thấp nhất dưới một mili giây.

Hãy chọn YOLOv9 nếu bạn đang giải quyết các bài toán chẩn đoán y tế phức tạp hoặc giám sát tầm xa nơi việc bỏ sót các đặc trưng tinh tế ở cấp độ pixel không phải là một lựa chọn.

Tuy nhiên, đối với một cách tiếp cận cân bằng hoàn hảo cung cấp độ chính xác tiên tiến cùng với triển khai đơn giản, không cần NMS, Ultralytics YOLO26 là đề xuất cuối cùng cho kỹ thuật thị giác máy tính hiện đại. Chu kỳ phát triển tích cực, tài liệu toàn diện và sự hỗ trợ cộng đồng sôi nổi khiến nó trở thành công cụ không thể thiếu cho cả nhà nghiên cứu và lập trình viên.