PP-YOLOE+ và YOLO26#
Lĩnh vực thị giác máy tính thời gian thực đã phát triển vượt bậc nhờ nhu cầu về các model phát hiện vật thể có khả năng mở rộng, hiệu quả và độ chính xác cao. Hai kiến trúc nổi bật trong lĩnh vực này là PP-YOLOE+, detector mạnh mẽ thuộc hệ sinh thái PaddlePaddle, và Ultralytics YOLO26, model tiên tiến nhất hiện nay, định hình lại việc triển khai trên thiết bị biên và hiệu quả huấn luyện.
Hướng dẫn toàn diện này so sánh hai model, nêu bật kiến trúc, các chỉ số hiệu năng, phương pháp huấn luyện và trường hợp sử dụng phù hợp, giúp bạn đưa ra quyết định sáng suốt cho dự án AI tiếp theo.
Thông số kỹ thuật và nhóm tác giả#
Hiểu rõ nguồn gốc và triết lý thiết kế của các model này sẽ cung cấp bối cảnh quan trọng cho việc ứng dụng chúng trong thực tế.
Thông tin chi tiết về PP-YOLOE+:
- Tác giả: Nhóm tác giả PaddlePaddle
- Tổ chức: Baidu
- Ngày: 2 tháng 4 năm 2022
- Arxiv: https://arxiv.org/abs/2203.16250
- GitHub: Kho lưu trữ PaddleDetection
- Tài liệu: Tài liệu PP-YOLOE+
Thông tin YOLO26:
- Tác giả: Glenn Jocher và Jing Qiu
- Tổ chức: Ultralytics
- Ngày: 14 tháng 1 năm 2026
- GitHub: Kho lưu trữ Ultralytics
- Tài liệu: Tài liệu YOLO26
Các cải tiến kiến trúc#
Kiến trúc PP-YOLOE+#
Được xây dựng dựa trên phiên bản tiền nhiệm PP-YOLOv2, PP-YOLOE+ có thiết kế mạnh mẽ, dành riêng cho các ứng dụng công nghiệp. Model sử dụng backbone CSPRepResNet và ET-head (đầu Efficient Task-aligned) để cân bằng tốc độ và độ chính xác. PP-YOLOE+ áp dụng gán nhãn động (TAL) và tích hợp liền mạch với framework PaddlePaddle của Baidu, nhờ đó được tối ưu cao cho GPU NVIDIA như T4 và V100. Tuy nhiên, việc phụ thuộc nhiều vào hệ sinh thái PaddlePaddle có thể gây trở ngại cho các nhà phát triển sử dụng quy trình làm việc với PyTorch.
Kiến trúc YOLO26: Cuộc cách mạng ưu tiên thiết bị biên#
Ra mắt vào đầu năm 2026, Ultralytics YOLO26 tái định hình hoàn toàn quy trình phát hiện thời gian thực, đặc biệt chú trọng đơn giản hóa triển khai và nâng cao hiệu quả trên thiết bị biên.
Các cải tiến chính của YOLO26 gồm:
- Thiết kế end-to-end không cần NMS: YOLO26 hỗ trợ suy luận end-to-end nguyên bản (
nms=False), loại bỏ bước hậu xử lý Non-Maximum Suppression (NMS). Đột phá này, lần đầu được tiên phong trong YOLOv10, đảm bảo độ trễ suy luận ổn định bất kể cảnh có đông vật thể hay không, giúp việc triển khai đơn giản hơn đáng kể. - Loại bỏ DFL: Bằng cách loại bỏ Distribution Focal Loss (DFL), YOLO26 đơn giản hóa đáng kể đầu ra của model. Nhờ đó, model tương thích tốt hơn nhiều với thiết bị biên và vi điều khiển.
- Suy luận CPU nhanh hơn tới 43%: Nhờ loại bỏ DFL và tối ưu cấu trúc, YOLO26 được tối ưu mạnh cho các môi trường không có GPU chuyên dụng, đạt tốc độ suy luận trên CPU nhanh hơn tới 43% so với YOLO11.
- Optimizer MuSGD: Lấy cảm hứng từ các kỹ thuật huấn luyện LLM tiên tiến như những kỹ thuật của Moonshot AI, YOLO26 giới thiệu phương pháp kết hợp SGD và Muon. Phương pháp này mang lại độ ổn định huấn luyện vượt trội và hội tụ nhanh hơn cho các tác vụ thị giác máy tính.
- ProgLoss + STAL: Các hàm loss tiên tiến nhắm đến và cải thiện riêng khả năng nhận diện vật thể nhỏ, yếu tố thiết yếu đối với hoạt động của drone và cảm biến biên IoT.
Ngoài các bounding box tiêu chuẩn, YOLO26 còn có những nâng cấp riêng cho mọi tác vụ thị giác. Model sử dụng loss phân đoạn ngữ nghĩa và tạo nguyên mẫu đa tỷ lệ cho phân đoạn, Residual Log-Likelihood Estimation (RLE) cho ước tính tư thế, và loss góc chuyên biệt để khắc phục vấn đề biên trong tác vụ phát hiện Oriented Bounding Box (OBB).
Hiệu năng và các chỉ số#
Bảng dưới đây so sánh toàn diện PP-YOLOE+ và YOLO26 ở nhiều kích thước model. Các model YOLO26 rõ ràng vượt trội về tốc độ thực tế, hiệu quả tham số và độ chính xác trung bình (mAP) tổng thể.
| Model | kích thước (pixel) | mAPval 50-95 | Tốc độ CPU ONNX (ms) | Tốc độ T4 TensorRT10 (ms) | params (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| PP-YOLOE+t | 640 | 39.9 | - | 2.84 | 4.85 | 19.15 |
| PP-YOLOE+s | 640 | 43.7 | - | 2.62 | 7.93 | 17.36 |
| PP-YOLOE+m | 640 | 49.8 | - | 5.56 | 23.43 | 49.91 |
| PP-YOLOE+l | 640 | 52.9 | - | 8.36 | 52.2 | 110.07 |
| PP-YOLOE+x | 640 | 54.7 | - | 14.3 | 98.42 | 206.59 |
| YOLO26n | 640 | 40.9 | 38.9 | 1.7 | 2.4 | 5.5 |
| YOLO26s | 640 | 48.6 | 87.2 | 2.5 | 9.5 | 20.9 |
| YOLO26m | 640 | 53.1 | 220.0 | 4.7 | 20.4 | 68.4 |
| YOLO26l | 640 | 55.0 | 286.2 | 6.2 | 24.8 | 86.8 |
| YOLO26x | 640 | 57.5 | 525.8 | 11.8 | 55.7 | 194.4 |
Lưu ý: Các giá trị in đậm cho biết chỉ số tốt hơn trong từng cặp model có cùng kích thước.
Phân tích#
- Yêu cầu bộ nhớ và hiệu quả: YOLO26 cần ít tham số và FLOPs hơn đáng kể để đạt điểm mAP cao hơn. Ví dụ, model YOLO26n (Nano) đạt mAP 40.9 chỉ với 2.4M tham số, vượt trội hơn model PP-YOLOE+t dù kích thước chỉ bằng khoảng một nửa. Điều này giúp giảm mức sử dụng bộ nhớ trong cả quá trình huấn luyện lẫn triển khai.
- Tốc độ suy luận: Khi được export bằng TensorRT, YOLO26 vượt trội về các chỉ số độ trễ. Đầu one-to-one không cần NMS (
nms=False, được dùng cho các benchmark này) đảm bảo thời gian suy luận 1.7ms trên GPU T4 ổn định tuyệt đối, trong khi PP-YOLOE+ phụ thuộc vào thời gian hậu xử lý có thể thay đổi.
Lợi thế Ultralytics: Hệ sinh thái và tính dễ sử dụng#
Dù các chỉ số thực tế rất quan trọng, trải nghiệm dành cho nhà phát triển thường quyết định thành công của dự án. Ultralytics Platform cung cấp một hệ sinh thái được duy trì tốt, vượt xa hoàn toàn các framework cũ.
- Dễ sử dụng: Ultralytics loại bỏ phần boilerplate code phức tạp. Huấn luyện YOLO26 chỉ cần vài dòng Python, không phải xử lý các file cấu hình rườm rà như PP-YOLOE+.
- Tính linh hoạt: PP-YOLOE+ chủ yếu là kiến trúc phát hiện vật thể. YOLO26 hỗ trợ sẵn phân đoạn, phân loại, ước tính tư thế và OBB.
- Hiệu quả huấn luyện: Các model YOLO của Ultralytics cần ít CUDA memory hơn rất nhiều so với các model Transformer cồng kềnh như RT-DETR hoặc các kiến trúc cũ, cho phép nhà nghiên cứu huấn luyện model tiên tiến trên phần cứng phổ thông.
Ví dụ code: Huấn luyện YOLO26#
Bắt đầu sử dụng Ultralytics rất dễ dàng. Sau đây là ví dụ có thể chạy hoàn chỉnh, minh họa cách tải, huấn luyện và xác thực model YOLO26:
from ultralytics import YOLO
# Load the cutting-edge YOLO26 small model
model = YOLO("yolo26s.pt")
# Train the model on the COCO8 dataset using the new MuSGD optimizer
results = model.train(
data="coco8.yaml",
epochs=100,
imgsz=640,
batch=16,
optimizer="MuSGD", # hybrid SGD + Muon optimizer
)
# Export seamlessly to ONNX for CPU deployment
export_path = model.export(format="onnx")
print(f"Model successfully exported to: {export_path}")Các trường hợp sử dụng phù hợp nhất#
Khi nào nên chọn PP-YOLOE+#
- Hạ tầng PaddlePaddle cũ: Nếu doanh nghiệp đã tích hợp sâu vào ngăn xếp công nghệ của Baidu và sử dụng phần cứng được cấu hình sẵn cho Paddle Inference, PP-YOLOE+ là lựa chọn an toàn và ổn định.
- Các trung tâm sản xuất châu Á: Nhiều quy trình thị giác công nghiệp tại châu Á đã có sẵn khả năng hỗ trợ mạnh mẽ cho PP-YOLOE+ trong tác vụ phát hiện lỗi tự động.
Khi nào nên chọn YOLO26#
- Điện toán biên và IoT: Tốc độ suy luận trên CPU nhanh hơn 43% cùng việc loại bỏ DFL giúp YOLO26 trở thành lựa chọn hàng đầu không thể tranh cãi để triển khai trên Raspberry Pi, điện thoại di động và thiết bị nhúng.
- Cảnh đông đúc và thành phố thông minh: Kiến trúc end-to-end không cần NMS đảm bảo độ trễ ổn định trong môi trường đông đúc như quản lý bãi đỗ xe và giám sát giao thông, nơi NMS truyền thống có thể gây nghẽn.
- Dự án đa tác vụ: Nếu quy trình của bạn cần theo dõi vật thể, ước tính tư thế người hoặc tạo mask chính xác đến từng pixel, YOLO26 xử lý tất cả trong một gói Python thống nhất.
Kết luận#
Dù PP-YOLOE+ vẫn là detector rất mạnh trong hệ sinh thái riêng, sự ra mắt của YOLO26 đã làm thay đổi cuộc chơi. Bằng cách kết hợp các tối ưu hóa huấn luyện lấy cảm hứng từ LLM (MuSGD) với kiến trúc không cần NMS được tối ưu triệt để, Ultralytics đã tạo ra một model vừa có độ chính xác cao vừa dễ dàng triển khai. Với nhà phát triển hiện đại cần sự cân bằng tốt nhất giữa tốc độ, độ chính xác và trải nghiệm phát triển, YOLO26 là lựa chọn tối ưu.