คำสำคัญ: YOLO-Master, Mixture-of-Experts (MoE), การตรวจจับวัตถุแบบเรียลไทม์, การกำหนดเส้นทางแบบไดนามิก, ES-MoE

การคำนวณแบบไดนามิก จัดสรรตามความต้องการ: YOLO-Master ใช้ MoE กำหนดนิยามใหม่ของการตรวจจับวัตถุแบบเรียลไทม์อย่างไร

การตรวจจับวัตถุแบบเรียลไทม์ (Real-Time Object Detection, RTOD) เป็นหนึ่งในงานหลักของสาขาวิสัยทัศน์คอมพิวเตอร์ ตั้งแต่รถยนต์ขับเคลื่อนอัตโนมัติ การตรวจสอบคุณภาพในอุตสาหกรรม การเฝ้าระวังความปลอดภัย ไปจนถึงแอปพลิเคชันบนอุปกรณ์เคลื่อนที่ ล้วนต้องพึ่งพามันทั้งสิ้น ซีรีส์ YOLO ในฐานะผู้นำด้าน RTOD ด้วยความเร็วสูงสุดและความแม่นยำที่ยอมรับได้ ได้กลายเป็นมาตรฐานโดยพฤตินัยในอุตสาหกรรม

อย่างไรก็ตาม โมเดล YOLO แบบดั้งเดิมมีข้อบกพร่องโดยธรรมชาติ: การคำนวณแบบหนาแน่นแบบคงที่ ไม่ว่าภาพอินพุตจะเป็นท้องฟ้าที่โล่งกว้าง หรือสี่แยกที่พลุกพล่าน โมเดลจะจัดสรรทรัพยากรการคำนวณในปริมาณเท่ากัน นี่เป็นการสิ้นเปลืองอย่างเห็นได้ชัด — ฉากที่ง่ายไม่จำเป็นต้องใช้การสกัดคุณลักษณะที่ซับซ้อน ในขณะที่ฉากที่ซับซ้อนอาจเกิดการตรวจจับตกหล่นเนื่องจากกำลังการคำนวณไม่เพียงพอ

• YOLO-Master: MOE-Accelerated with Specialized Transformers for Enhanced Real-time Detection.
• โค้ด: https://github.com/Tencent/YOLO-Master
• เอกสารวิจัย: https://arxiv.org/pdf/2512.23273

ระบบการมองเห็นของมนุษย์มีความสามารถ “ปรับตัวได้” โดยธรรมชาติ: เมื่อกวาดสายตาผ่านพื้นที่โล่ง เราจะมองผ่านอย่างรวดเร็ว; เมื่อจดจ่อกับพื้นที่ซับซ้อน เราจะวิเคราะห์อย่างละเอียด แล้วเราจะทำให้โมเดลตรวจจับเรียนรู้การ “คำนวณตามความต้องการ” นี้ได้หรือไม่?

ปลายปี 2025 นักวิจัยจาก Tencent YouTu Lab และสถาบันอื่นๆ ได้ให้คำตอบของพวกเขา — YOLO-Master งานวิจัยนี้เป็นครั้งแรกที่ผสาน Mixture-of-Experts (MoE) เข้ากับโครงสร้าง YOLO อย่างลึกซึ้ง ทำให้เกิด การคำนวณแบบปรับตัวตามเงื่อนไขของอินสแตนซ์ พูดง่ายๆ คือ โมเดลจะเปิดใช้งานซับเน็ตเวิร์ก “ผู้เชี่ยวชาญ” ที่แตกต่างกันแบบไดนามิกตามความซับซ้อนของแต่ละตัวอย่าง ส่งผลให้ได้สมดุลระหว่างความแม่นยำและความล่าช้าที่ดีขึ้น

แผนภาพเรดาร์เปรียบเทียบประสิทธิภาพ mAP ของ YOLOv10-N, YOLOv11-N, YOLOv12-N, YOLOv13-N และ YOLO-Master-N บนชุดข้อมูลต่างๆ เช่น VOC, MS COCO, VisDrone, SKU-100K และ KITTI อย่างชัดเจน จากประสิทธิภาพในแต่ละมิติ YOLOv13-N มีการปรับปรุงอย่างมีนัยสำคัญในตัวชี้วัดส่วนใหญ่ โดยเฉพาะอย่างยิ่งใน SKU-100K mAP50 (90.3) และ KITTI mAP50-95 (90.7) ในขณะที่ YOLO-Master-N แสดงให้เห็นถึงความสามารถในการแข่งขันที่แข็งแกร่งในตัวชี้วัดเช่น VOC mAP50-95 (62.1) ซึ่งสะท้อนให้เห็นถึงข้อได้เปรียบในการวนซ้ำประสิทธิภาพของโมเดล YOLO รุ่นใหม่ในงานตรวจจับวัตถุหลายสถานการณ์โดยรวม

ศูนย์. เริ่มต้นใช้งานอย่างรวดเร็ว: การติดตั้ง, การฝึก, การอนุมาน

การติดตั้ง (ขั้นตอนง่ายสุด)

# 1. สร้างและเปิดใช้งานสภาพแวดล้อม conda
conda create -n yolo_master python=3.11 -y
conda activate yolo_master

# 2. โคลน repository และเข้าไปในไดเรกทอรี
git clone https://github.com/isLinXu/YOLO-Master
cd YOLO-Master

# 3. ติดตั้ง dependencies และแพ็คเกจโปรเจกต์
pip install -r requirements.txt
pip install -e

# 4. การฝึก (ตัวเลือก) หลังจากติดตั้ง FlashAttention จะได้ความเร็วในการฝึกที่เร็วขึ้น (ต้องใช้ CUDA)
pip install flash_attn

การอนุมาน (command line)

# อนุมานภาพเดี่ยวและแสดงผลลัพธ์
yolo predict model=yolo_master_n.pt source='path/to/image.jpg' show=True

การฝึก (ตัวอย่าง Python)

from ultralytics import YOLO

สร้างโมเดลใหม่จากไฟล์คอนฟิก

model = YOLO(‘cfg/models/master/v0/det/yolo-master-n.yaml’)

ฝึกโมเดล

results = model.train(
data=’coco.yaml’,
epochs=600,
batch=256,
imgsz=640,
device=’0,1,2,3′, # การฝึกแบบหลายการ์ด
scale=0.5,
mosaic=1.0,
mixup=0.0,
copy_paste=0.1
)

หนึ่ง. งานที่เกี่ยวข้อง: การวิวัฒนาการของ YOLO และการแทรกซึมของ MoE

1.1 ตระกูล YOLO: การเดินทางจาก v1 ถึง v13

YOLO (You Only Look Once) ตั้งแต่กำเนิดในปี 2016 ได้ผ่านการวนซ้ำหลายครั้ง ตั้งแต่การตรวจจับแบบ end-to-end ของ YOLOv1, การทำนายหลายสเกลของ v3, การปรับปรุงทางวิศวกรรมของ v5, การออกแบบแบบโมดูลาร์ของ v8, ไปจนถึงการฝึกแบบไม่มี NMS ของ v10, v11, การเพิ่มประสิทธิภาพความสนใจของ v12, การปรับแต่งเพิ่มเติมของ v13 YOLO มุ่งมั่นเสมอที่จะหาความสมดุลระหว่าง ความแม่นยำที่สูงขึ้นและความล่าช้าที่ต่ำลง

อย่างไรก็ตาม โมเดลเหล่านี้ล้วนเป็นแบบ “คงที่”: ไม่ว่าอินพุตจะเป็นอะไร พวกมันจะดำเนินการกราฟการคำนวณเดียวกัน

1.2 Mixture-of-Experts (MoE): “อาวุธลับ” ของโมเดลภาษาขนาดใหญ่

MoE สามารถย้อนกลับไปได้ถึงปี 1991 กับ Adaptive Mixture of Experts แต่สิ่งที่ทำให้มันโดดเด่นอย่างแท้จริงคือในสาขาการประมวลผลภาษาธรรมชาติ โมเดลเช่น Switch Transformer, GLaM ของ Google ผ่านเครือข่ายผู้เชี่ยวชาญที่เปิดใช้งานแบบเบาบาง ขยายจำนวนพารามิเตอร์โมเดลไปถึงระดับล้านล้าน ในขณะที่ยังคงประสิทธิภาพการอนุมาน แนวคิดหลักของ MoE คือ: มีซับเน็ตเวิร์ก “ผู้เชี่ยวชาญ” ขนานกันหลายตัว สำหรับแต่ละอินพุตจะเปิดใช้งานผู้เชี่ยวชาญเพียงไม่กี่ตัวเท่านั้น จึงทำให้เกิดการคำนวณแบบมีเงื่อนไข

ในปีที่ผ่านมา MoE เริ่มแทรกซึมเข้าสู่งานด้านวิสัยทัศน์ด้วย เช่น VMOE, EfficientMOE เป็นต้น แต่ตามที่ผู้เขียน YOLO-Master ระบุ นี่คือ งานแรกที่ผสาน MoE กับ YOLO อย่างลึกซึ้งบนชุดข้อมูลทั่วไป ไม่เพียงแต่สืบทอดโครงสร้างหลักที่มีประสิทธิภาพของ YOLO เท่านั้น แต่ยังแนะนำโมดูล MoE ที่ออกแบบมาโดยเฉพาะ ทำให้โมเดลสามารถจัดสรรทรัพยากรการคำนวณแบบไดนามิกตามความซับซ้อนของฉากอินพุต

สอง. นวัตกรรมหลัก: ES-MoE + การกำหนดเส้นทางแบบไดนามิก

โครงสร้างโดยรวมของ YOLO-Master แสดงในรูปที่ 1

รูปที่ 1 | โครงสร้างโดยรวมของ YOLO-Master แสดงให้เห็นว่าบล็อก ES-MoE บรรลุ “การคำนวณตามความต้องการ” ผ่านการกำหนดเส้นทางแบบไดนามิกได้อย่างไร แสดงกรอบของ YOLO-Master ซึ่งประกอบด้วย Backbone, Neck และ Detection Head โมดูล ES-MoE ถูกแทรกใน Backbone และ Neck ผ่าน Dynamic Routing Network และกลไก Softmax Gating เพื่อเลือก Top-K ผู้เชี่ยวชาญ ทำให้เกิดการรวมแบบถ่วงน้ำหนัก ด้านขวาแสดงการสลับระหว่างกลยุทธ์การกำหนดเส้นทางสองแบบ: การฝึก (Soft Top-K) และการอนุมาน (Hard Top-K)

มันฝัง บล็อก ES-MoE (Efficient Sparse Mixture-of-Experts) ลงในโครงสร้างหลักของ YOLO และตัดสินใจผ่าน Dynamic Routing Network ว่าผู้เชี่ยวชาญคนใดควรถูกเปิดใช้งานสำหรับแต่ละตัวอย่าง

2.1 ES-MoE: Efficient Sparse Mixture-of-Experts

ES-MoE เป็นส่วนประกอบหลักของ YOLO-Master ประกอบด้วยการออกแบบที่สำคัญดังต่อไปนี้:

• ผู้เชี่ยวชาญแบบเฮเทอโรจีนีส (รุ่นแรกเริ่ม): ในช่วงเริ่มต้นของการสำรวจ โมดูล ES-MoE ใช้ผู้เชี่ยวชาญที่มีขนาดเคอร์เนลคอนโวลูชันต่างกัน (เช่น 3×3, 5×5, 7×7) มีจุดประสงค์เพื่อจับคุณลักษณะหลายสเกล แต่การออกแบบนี้ไม่ดีในด้านความขนานของฮาร์ดแวร์ รุ่นต่อมาจึงเปลี่ยนเป็นผู้เชี่ยวชาญแบบโฮโมจีนีส
• Dynamic Routing Layer: สร้างน้ำหนักการกำหนดเส้นทางโดยอิงจาก Global Average Pooling หรือ Spatial Pooling เพื่อตัดสินใจว่าผู้เชี่ยวชาญคนใดจะถูกจัดสรรให้กับแต่ละตัวอย่าง
• Sparse Activation: ในระหว่างการฝึก มักจะใช้การคำนวณผู้เชี่ยวชาญทั้งหมดและถ่วงน้ำหนัก (การส่งต่อแบบหนาแน่น) เพื่อรับประกันการส่งกลับเกรเดียนต์; ในระหว่างการอนุมาน จะเปิดใช้งานเฉพาะผู้เชี่ยวชาญ Top-K ที่มีน้ำหนักสูงสุดเท่านั้น ทำให้เกิดการคำนวณแบบเบาบางที่แท้จริง ลด FLOPs
• Shared Expert (รุ่นต่อมา): แนะนำผู้เชี่ยวชาญที่แชร์กันซึ่งเปิดใช้งานเสมอ เพื่อรับประกันประสิทธิภาพพื้นฐานและความเสถียรในการฝึก

2.2 การกำหนดเส้นทางแบบไดนามิก: ทำให้โมเดลเรียนรู้ที่จะ “ปรับเปลี่ยนตามสถานการณ์”

งานของการกำหนดเส้นทางแบบไดนามิกคือการสร้างการกระจายความน่าจะเป็นของการเลือกผู้เชี่ยวชาญสำหรับแต่ละตัวอย่างตามคุณลักษณะอินพุต ทีม YOLO-Master ออกแบบเราเตอร์หลายประเภทเพื่อให้เหมาะกับสถานการณ์ต่างๆ:

• EfficientSpatialRouter: ทำ Downsample ก่อนแล้วค่อยกำหนดเส้นทาง ลดปริมาณการคำนวณอย่างมาก เหมาะสำหรับสถานการณ์ทั่วไป
• LocalRoutingLayer: รักษาข้อมูลเฉพาะที่มากขึ้น เหมาะสำหรับการตรวจจับวัตถุขนาดเล็ก
• AdaptiveRoutingLayer: Adaptive Pooling ไปที่ 1×1 ไม่สนใจข้อมูลเชิงพื้นที่ ใช้เฉพาะข้อมูลช่องสัญญาณ เหมาะสำหรับสถานการณ์ที่มีทรัพยากรต่ำมาก
• UltraEfficientRouter: ใช้ Depthwise Separable Convolution + การ Downsample แบบรุนแรง ลด FLOPs ของการกำหนดเส้นทางลงมากกว่า 95% เหมาะสำหรับอุปกรณ์ Edge

ผ่านการกำหนดเส้นทางแบบไดนามิกนี้ YOLO-Master บรรลุ “การจัดสรรการคำนวณตามความต้องการ”: ภาพที่ง่ายต้องการผู้เชี่ยวชาญเพียงไม่กี่คน ภาพที่ซับซ้อนจะเปิดใช้งานผู้เชี่ยวชาญมากขึ้น กลไกนี้ให้ผลประโยชน์อย่างเห็นได้ชัดในฉากที่หนาแน่นและตัวอย่างที่ยาก

สาม. ขุดลึกรายละเอียดทางเทคนิค: วิวัฒนาการของโมดูล MoE และสูตรทางคณิตศาสตร์

3.1 รูปแบบทางคณิตศาสตร์ของโมดูล ES-MoE

กำหนดแผนที่คุณลักษณะอินพุต $X$ โมดูล ES-MoE จะคำนวณน้ำหนักเกตผ่าน Dynamic Routing Network ก่อน

ให้จำนวนผู้เชี่ยวชาญทั้งหมดเป็น $N$ น้ำหนักเกต $G$ คำนวณผ่านฟังก์ชัน Softmax:

$$G_i = frac{exp(g_i(X))}{sum_{j=1}^{N} exp(g_j(X))}$$

โดยที่ $g_i$ คือฟังก์ชันเกตของผู้เชี่ยวชาญคนที่ $i$ จากนั้นเลือกผู้เชี่ยวชาญ Top-K ที่มีน้ำหนักสูงสุด โดยที่ $K ll N$ และได้แผนที่คุณลักษณะเอาต์พุต $Y$ ผ่านการรวมแบบถ่วงน้ำหนัก:

$$Y = sum_{i in text{TopK}(G)} tilde{G}_i cdot E_i(X)$$

ที่นี่ $tilde{G}_i$ คือน้ำหนักหลังจากดำเนินการ normalization

3.2 การออกแบบเครือข่ายผู้เชี่ยวชาญ

ผู้เชี่ยวชาญแต่ละคน $E_i$ ใช้ Depthwise Separable Convolution เพื่อลดปริมาณการคำนวณ:

$$E_i(X) = text{DWConv}_{k times k}(X)$$

โดยที่ $k$ คือขนาดเคอร์เนลคอนโวลูชัน (เช่น 3, 5, 7) จับคุณลักษณะหลายสเกลผ่าน receptive fields ที่แตกต่างกัน

3.3 เกตเน็ตเวิร์ก

เกตเน็ตเวิร์ก $g$ ก่อนอื่นทำ Global Average Pooling บนอินพุต $X$ เพื่อให้ได้ global descriptor $z$ จากนั้นสร้าง raw logits $l$ ผ่าน convolutional layer ขนาด 1×1 สองชั้น:

$$l = W_2 cdot text{ReLU}(W_1 cdot z)$$

โดยที่อัตราการลดช่องสัญญาณ $r = 4$, $W_1 in mathbb{R}^{C/r times C}$, $W_2 in mathbb{R}^{N times C/r}$

3.4 กลยุทธ์การกำหนดเส้นทางแบบแบ่งระยะ

ระยะการฝึก (Soft Top-K): รักษาการไหลของเกรเดียนต์ ก่อนอื่นคำนวณน้ำหนัก Softmax $G$ จากนั้นสร้าง binary mask $M$ ตามดัชนี Top-K แล้วทำ normalization ใหม่:

$$tilde{G} = text{Normalize}(G odot M)$$

ระยะอนุมาน (Hard Top-K): คำนวณผลลัพธ์ของผู้เชี่ยวชาญ Top-K เท่านั้น น้ำหนักของผู้เชี่ยวชาญที่เหลือตั้งเป็นศูนย์ ทำให้เกิดความเร่งแบบเบาบางที่แท้จริง:

$$Y = sum_{

⚠️ หมายเหตุ: เนื้อหาได้รับการแปลโดย AI และตรวจสอบโดยมนุษย์ หากมีข้อผิดพลาดโปรดแจ้ง