EfficientNet là gì? Tổng quan nhanh.

Năm 2019, các nhà nghiên cứu tại Google AI đã giới thiệu EfficientNet, một mô hình thị giác máy tính tiên tiến được xây dựng để nhận dạng các đối tượng và mẫu hình trong hình ảnh. Mô hình này ban đầu được thiết kế để phân loại hình ảnh, bao gồm việc gán hình ảnh vào một trong nhiều danh mục được xác định trước. Tuy nhiên, ngày nay, EfficientNet còn đóng vai trò là nền tảng cho các tác vụ phức tạp hơn như phát hiện đối tượng, phân đoạn và học chuyển giao.

Trước EfficientNet, các mô hình học máy và Vision AI đã cố gắng cải thiện độ chính xác bằng cách thêm nhiều lớp hoặc tăng kích thước của các lớp đó. Các lớp là các bước trong mô hình mạng nơ-ron (một loại mô hình học sâu lấy cảm hứng từ não người) xử lý dữ liệu để học các mẫu và cải thiện độ chính xác. 

Những thay đổi này tạo ra sự đánh đổi, khiến các mô hình AI truyền thống trở nên lớn hơn và chậm hơn, trong khi độ chính xác bổ sung thường rất nhỏ so với mức tăng đáng kể về sức mạnh tính toán cần thiết.

EfficientNet đã áp dụng một cách tiếp cận khác. Phương pháp này tăng độ sâu (số lớp), chiều rộng (số đơn vị trong mỗi lớp) và độ phân giải hình ảnh (mức độ chi tiết của hình ảnh đầu vào) một cách cân bằng. Phương pháp này, được gọi là tỷ lệ ghép, sử dụng đáng tin cậy tất cả sức mạnh xử lý hiện có. Kết quả cuối cùng là một mô hình nhỏ hơn và nhanh hơn, có thể hoạt động tốt hơn các mô hình cũ như ResNet hoặc DenseNet.

Ngày nay, các mô hình thị giác máy tính mới hơn như Ultralytics YOLO11 mang lại độ chính xác, tốc độ và hiệu quả cao hơn. Tuy nhiên, EfficientNet vẫn là một cột mốc quan trọng, ảnh hưởng đến thiết kế của nhiều kiến trúc tiên tiến. 

Trong bài viết này, chúng tôi sẽ phân tích EfficientNet trong năm phút, bao gồm cách thức hoạt động, điểm độc đáo và lý do tại sao EfficientNet vẫn quan trọng trong thị giác máy tính. Hãy bắt đầu thôi!

EfficientNet là gì?

Trước khi EfficientNet được thiết kế, hầu hết các mô hình nhận dạng hình ảnh đều cải thiện độ chính xác bằng cách điều chỉnh các lớp hoặc tăng kích thước ảnh đầu vào để thu được nhiều chi tiết hơn. Mặc dù các chiến lược này cải thiện kết quả, nhưng chúng cũng khiến các mô hình nặng hơn và đòi hỏi nhiều yêu cầu hơn. Điều này có nghĩa là chúng cần nhiều bộ nhớ hơn và phần cứng tốt hơn. 

Thay vì thay đổi từng lớp riêng lẻ, EfficientNet sẽ chia tỷ lệ chiều sâu, chiều rộng và độ phân giải hình ảnh cùng lúc bằng phương pháp gọi là chia tỷ lệ hợp chất. Phương pháp này cho phép mô hình phát triển hiệu quả mà không làm quá tải bất kỳ khía cạnh nào.

Kiến trúc EfficientNet xử lý hình ảnh thông qua một loạt các khối, mỗi khối được xây dựng từ các mô-đun nhỏ hơn. Số lượng mô-đun trong mỗi khối phụ thuộc vào kích thước mô hình. 

‍

Các phiên bản nhỏ hơn sử dụng ít mô-đun hơn, trong khi các phiên bản lớn hơn lặp lại các mô-đun thường xuyên hơn. Thiết kế linh hoạt này cho phép EfficientNet mang lại độ chính xác và hiệu quả cao trên nhiều ứng dụng, từ thiết bị di động đến các hệ thống quy mô lớn.

Cách thức hoạt động của quy mô hợp chất

Phương pháp tỷ lệ hợp chất mở rộng chiều sâu, chiều rộng và độ phân giải hình ảnh của mô hình nhưng vẫn giữ chúng cân bằng. Điều này cho phép sử dụng hiệu quả sức mạnh tính toán. Chuỗi bài viết bắt đầu với một mô hình cơ sở nhỏ hơn gọi là EfficientNet-B0, đóng vai trò là nền tảng cho tất cả các phiên bản khác.

Từ B0, các mô hình được mở rộng thành các biến thể lớn hơn có tên EfficientNet-B1 đến EfficientNet-B7. Với mỗi bước, mạng lưới sẽ có thêm các lớp, tăng số lượng kênh (đơn vị được sử dụng để xử lý) và xử lý hình ảnh đầu vào có độ phân giải cao hơn. Mức độ tăng trưởng ở mỗi bước được xác định bởi một tham số gọi là hệ số ghép, đảm bảo rằng độ sâu, chiều rộng và độ phân giải tăng theo tỷ lệ cố định thay vì tăng độc lập.

‍

Kiến trúc EfficientNet

Tiếp theo, chúng ta hãy xem xét kiến trúc của EfficientNet. 

Nó được xây dựng trên MobileNetV2, một mô hình thị giác máy tính gọn nhẹ được tối ưu hóa cho thiết bị di động và nhúng. Cốt lõi của nó là khối Mobile Inverted Bottleneck Convolution (MBConv), một lớp đặc biệt xử lý dữ liệu hình ảnh giống như một phép tích chập tiêu chuẩn nhưng với ít phép tính hơn. Khối này giúp mô hình vừa nhanh vừa tiết kiệm bộ nhớ hơn.

Bên trong mỗi khối MBConv là một mô-đun ép và kích thích (SE). Mô-đun này điều chỉnh cường độ của các kênh khác nhau trong mạng. Nó tăng cường cường độ của các kênh thiết yếu và giảm cường độ của các kênh khác. Mô-đun này giúp mạng tập trung vào các đặc điểm quan trọng nhất trong ảnh, đồng thời bỏ qua các đặc điểm còn lại. Mô hình EfficientNet cũng sử dụng hàm kích hoạt Swish (một hàm toán học giúp mạng học các mẫu), giúp phát hiện các mẫu trong ảnh tốt hơn so với các phương pháp cũ. 

Ngoài ra, nó còn sử dụng DropConnect, trong đó một số kết nối bên trong mạng được tắt ngẫu nhiên trong quá trình huấn luyện. Phương pháp chính quy hóa ngẫu nhiên này (một kỹ thuật ngẫu nhiên hóa để ngăn mô hình ghi nhớ dữ liệu huấn luyện thay vì khái quát hóa) giúp giảm hiện tượng quá khớp bằng cách buộc mạng phải học các biểu diễn đặc trưng mạnh mẽ hơn (các mẫu mạnh hơn, tổng quát hơn trong dữ liệu) giúp truyền tải tốt hơn sang dữ liệu chưa biết.

‍

Tổng quan ngắn gọn về các biến thể mô hình của EfficientNet

Bây giờ chúng ta đã hiểu rõ hơn về cách thức hoạt động của các mô hình EfficientNet, hãy cùng thảo luận về các biến thể mô hình khác nhau. 

Các mô hình EfficientNet có thang đo từ B0 đến B7, bắt đầu với B0 làm đường cơ sở cân bằng giữa tốc độ và độ chính xác. Mỗi phiên bản đều tăng độ sâu, chiều rộng và độ phân giải hình ảnh, cải thiện độ chính xác. Tuy nhiên, chúng cũng đòi hỏi nhiều sức mạnh tính toán hơn, từ B1 và B2 đến B6 và B7 hiệu suất cao. 

Trong khi các mô hình EfficientNet-B3 và EfficientNet-B4 cân bằng cho các hình ảnh lớn hơn, B5 thường được lựa chọn cho các tập dữ liệu phức tạp đòi hỏi độ chính xác cao. Ngoài các mô hình này, mô hình mới nhất, EfficientNet V2, có thể cải thiện tốc độ đào tạo, xử lý các tập dữ liệu nhỏ tốt hơn và được tối ưu hóa cho phần cứng hiện đại.

Ứng dụng của EfficientNet

EfficientNet có thể tạo ra kết quả chính xác trong khi sử dụng ít bộ nhớ và sức mạnh xử lý hơn nhiều mô hình khác. Điều này giúp EfficientNet hữu ích trong nhiều lĩnh vực, từ nghiên cứu khoa học đến các sản phẩm mà con người sử dụng hàng ngày.

Phân tích hình ảnh y tế

Hình ảnh y tế, chẳng hạn như chụp CT phổi, thường chứa đựng những chi tiết tinh tế rất quan trọng cho việc chẩn đoán chính xác. Các mô hình AI có thể hỗ trợ phân tích những hình ảnh này để khám phá các mẫu hình mà con người khó có thể phát hiện. Một phiên bản của EfficientNet cho mục đích này là EfficientNet (MONAI - Mạng lưới Mở Y tế cho AI), được thiết kế chuyên biệt cho việc phân tích hình ảnh y tế .

Dựa trên kiến trúc của EfficientNet, các nhà nghiên cứu cũng đã phát triển Lung-EffNet , một mô hình phân loại hình ảnh chụp CT phổi để phát hiện khối u. Mô hình này có thể phân loại khối u thành lành tính, ác tính hoặc bình thường, đạt độ chính xác được báo cáo là hơn 99% trong các điều kiện thử nghiệm.

‍

Phát hiện đối tượng theo thời gian thực

Phát hiện đối tượng là quá trình tìm kiếm các đối tượng trong hình ảnh và xác định vị trí của chúng. Đây là một phần quan trọng của các ứng dụng như hệ thống an ninh, xe tự lái và máy bay không người lái.

EfficientNet trở nên quan trọng trong lĩnh vực này vì nó cung cấp một phương pháp rất hiệu quả để trích xuất các đặc điểm từ hình ảnh. Phương pháp điều chỉnh độ sâu, chiều rộng và độ phân giải của nó cho thấy các mô hình có thể chính xác mà không quá nặng hoặc chậm. Đây là lý do tại sao nhiều hệ thống phát hiện, như EfficientDet , sử dụng EfficientNet làm xương sống.

Các mô hình mới hơn, chẳng hạn như Ultralytics YOLO11, có cùng mục tiêu là kết hợp tốc độ với độ chính xác. Xu hướng hướng tới các mô hình hiệu quả này chịu ảnh hưởng mạnh mẽ từ các ý tưởng từ các kiến trúc như EfficientNet.

Ưu và nhược điểm của EfficientNet

Sau đây là một số lợi ích khi sử dụng EfficientNet trong các dự án thị giác máy tính:

• Độ chính xác cao với ít tham số hơn: EfficientNet có thể mang lại độ chính xác tương đương hoặc tốt hơn so với các mô hình cũ như ResNet hoặc DenseNet. Tuy nhiên, nó sử dụng ít tham số hơn, giúp đào tạo nhanh hơn và triển khai dễ dàng hơn.
  ‍
• Họ mô hình có khả năng mở rộng: Từ B0 đến B7, bạn có thể chọn phiên bản phù hợp với yêu cầu về phần cứng và độ chính xác của mình mà không cần thay đổi mạng cơ sở.
  ‍
• Tốt cho việc học chuyển giao: EfficientNet có thể mang lại hiệu suất mô hình đáng tin cậy cho việc học chuyển giao, một quá trình đào tạo lại một mô hình đã được đào tạo trước cho một tác vụ tùy chỉnh. Nó có thể hoạt động như một nền tảng cho nhiều tác vụ thị giác máy tính. Nó cũng cho thấy kết quả mạnh mẽ khi được tinh chỉnh. Ví dụ, EfficientNet đạt được độ chính xác tiên tiến trên CIFAR-100, một tập dữ liệu phân loại hình ảnh được sử dụng rộng rãi, với số lượng tham số ít hơn đáng kể so với các mô hình trước đây.

Mặc dù có nhiều lợi ích liên quan đến việc sử dụng EfficientNet, nhưng sau đây là một số hạn chế của EfficientNet cần lưu ý:

• Yêu cầu nhiều bộ nhớ hơn: Các phiên bản như EfficientNet-B6 và EfficientNet-B7 yêu cầu nhiều bộ nhớ GPU.
  ‍
• Điều chỉnh tỷ lệ cho ImageNet: Các thiết lập tỷ lệ được thiết kế cho tập dữ liệu ImageNet , do đó hiệu suất có thể giảm trên các tập dữ liệu rất khác nhau nếu không được tinh chỉnh. Điều này đặc biệt đúng với các tập dữ liệu nhỏ, vì kiến trúc và khả năng điều chỉnh tỷ lệ của EfficientNet được thiết kế cho một tập dữ liệu lớn và đa dạng như ImageNet, vốn cung cấp đủ dữ liệu để cân bằng giữa chiều sâu và chiều rộng.
  ‍
• Chậm hơn trên một số phần cứng: EfficientNet sử dụng các lớp gọi là MBConv được thiết kế để đạt hiệu suất cao trên phần cứng hiện đại. Trên các GPU hoặc CPU cũ hơn, các lớp này có thể chạy chậm hơn.

Những điểm chính

EfficientNet đã thay đổi cách các mô hình thị giác máy tính phát triển bằng cách duy trì sự cân bằng giữa chiều sâu, chiều rộng và độ phân giải hình ảnh. Nó vẫn là một mô hình quan trọng và đã ảnh hưởng đến các kiến trúc mới hơn. Đặc biệt, nó giữ một vị trí quan trọng trong lịch sử thị giác máy tính.

Tham gia cộng đồng và kho lưu trữ GitHub của chúng tôi để khám phá thêm về AI. Xem các trang giải pháp của chúng tôi để tìm hiểu về AI trong chăm sóc sức khỏe và thị giác máy tính trong ô tô. Khám phá các tùy chọn cấp phép của chúng tôi và bắt đầu xây dựng với thị giác máy tính ngay hôm nay!