PP-YOLOE+ và YOLO26
Thị giác máy tính thời gian thực phát triển nhanh chóng nhờ nhu cầu về model phát hiện đối tượng có khả năng mở rộng, hiệu quả và chính xác. Hai kiến trúc đáng chú ý trong lĩnh vực này là PP-YOLOE+, detector thuộc hệ sinh thái PaddlePaddle, và Ultralytics YOLO26, model mới nhất của Ultralytics, được thiết kế để triển khai trên edge và huấn luyện hiệu quả.
Hướng dẫn này so sánh hai model, làm nổi bật kiến trúc, chỉ số hiệu năng, phương pháp huấn luyện và trường hợp sử dụng lý tưởng, giúp bạn đưa ra quyết định sáng suốt cho dự án AI tiếp theo.
Thông số kỹ thuật và nhóm tác giả#
Nguồn gốc và triết lý thiết kế của các model này giúp cung cấp bối cảnh hữu ích cho việc ứng dụng 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+#
Phát triển từ PP-YOLOE và PP-YOLOv2 trước đó, PP-YOLOE+ giới thiệu thiết kế mạnh mẽ dành riêng cho ứng dụng công nghiệp. Model sử dụng backbone CSPRepResNet và ET-head (head căn chỉnh tác vụ hiệu quả) để cân bằng tốc độ và độ chính xác. PP-YOLOE+ sử dụng gán nhãn động (TAL) và tích hợp chặt chẽ 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 nhà phát triển đã quen với quy trình làm việc PyTorch.
Kiến trúc YOLO26: Thiết kế ưu tiên thiết bị biên#
Ra mắt vào tháng 1 năm 2026, Ultralytics YOLO26 thiết kế lại pipeline phát hiện thời gian thực, tập trung mạnh vào sự đơn giản khi triển khai và hiệu quả trên edge.
Các cải tiến chính của YOLO26 gồm:
- Thiết kế end-to-end không cần NMS: YOLO26 hỗ trợ inference end-to-end nguyên bản (
nms=False), loại bỏ nhu cầu hậu xử lý Non-Maximum Suppression (NMS). Cách tiếp cận này, lần đầu được giới thiệu trong YOLOv10, giữ độ trễ inference ổn định bất kể mật độ đối tượng trong cảnh, giúp đơn giản hóa đáng kể việc triển khai. - Loại bỏ DFL: Bằng cách loại bỏ Distribution Focal Loss (DFL), YOLO26 đơn giản hóa head đầu ra, cải thiện khả năng tương thích với thiết bị edge công suất thấp.
- Tốc độ suy luận trên CPU nhanh hơn tới 43%: Nhờ loại bỏ DFL và các tối ưu hóa về cấu trúc, YOLO26 được tối ưu cho các môi trường không có GPU chuyên dụng; YOLO26n đạt tốc độ suy luận trên CPU nhanh hơn tới 43% so với YOLO11n.
- 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 giúp huấn luyện ổn định và hội tụ nhanh hơn cho các tác vụ thị giác máy tính.
- ProgLoss + STAL: Progressive Loss và phương pháp gán nhãn nhận biết đối tượng nhỏ nhắm đến và cải thiện khả năng nhận diện đối tượng nhỏ, yếu tố then chốt đối với cảm biến edge IoT và ảnh drone như trong dataset VisDrone.
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 trình bày toàn diện cách PP-YOLOE+ so sánh với YOLO26 ở nhiều kích thước model. Model YOLO26 dẫn đầu về tốc độ thuần, hiệu quả sử dụng tham số và Mean Average Precision (mAP) tổng thể.
| Model | kích thước (pixel) | mAPval50-95 | 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 inference: Khi export bằng TensorRT, YOLO26 dẫn đầu về độ trễ. Head one-to-one không cần NMS (
nms=False, được dùng trong các benchmark này) giữ thời gian inference 1.7ms ổn định trên GPU T4, trong khi PP-YOLOE+ phụ thuộc vào thời gian hậu xử lý có thể biến thiên.
Lợi thế Ultralytics: Hệ sinh thái và tính dễ sử dụng#
Dù các chỉ số thuần rất quan trọng, trải nghiệm nhà phát triển thường quyết định thành công của dự án. Ultralytics Platform cung cấp hệ sinh thái được duy trì tốt, dễ sử dụng hơn nhiều so với 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: Model Ultralytics YOLO cần ít bộ nhớ CUDA hơn nhiều so với model Transformer cồng kềnh như RT-DETR hoặc các kiến trúc cũ, cho phép nhà nghiên cứu huấn luyện model chính xác trên phần cứng phổ thông.
Dù YOLO26 là lựa chọn mặc định được khuyến nghị, hệ sinh thái Ultralytics cũng bao gồm YOLO11 và YOLOv8. Cả hai vẫn là những model có năng lực với sự hỗ trợ rộng rãi từ cộng đồng, phù hợp với người dùng đang duy trì hệ thống hiện có.
Ví dụ code: Huấn luyện YOLO26#
Bắt đầu sử dụng Ultralytics rất đơn giản. Dưới đây là ví dụ có thể chạy để tải, huấn luyện và export model YOLO26:
from ultralytics import YOLO
# Load the 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 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.
- Dây chuyền production hiện có dựa trên Paddle: Các pipeline thị giác công nghiệp đang sử dụng PP-YOLOE+ để phát hiện lỗi tự động có thể tiếp tục dùng bộ công cụ hiện tại.
Khi nào nên chọn YOLO26#
- Điện toán edge và IoT: Khả năng inference CPU nhanh hơn đến 43% (YOLO26n so với YOLO11n) cùng việc loại bỏ DFL khiến YOLO26 rất phù hợp để triển khai trên bo mạch 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 giữ độ trễ ổn định trong môi trường dày đặc 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 pipeline cần theo dõi đối tượng, ước tính tư thế người hoặc tạo mask phân đoạn chính xác, YOLO26 xử lý tất cả trong một package Python thống nhất.
Kết luận#
Dù PP-YOLOE+ vẫn là detector có năng lực trong hệ sinh thái riêng, YOLO26 nâng cao tiêu chuẩn cho phát hiện thời gian thực. Bằng cách kết hợp các tối ưu hóa huấn luyện lấy cảm hứng từ LLM (MuSGD) với kiến trúc tối ưu không cần NMS, Ultralytics đã tạo ra một model vừa có độ chính xác cao vừa dễ triển khai. Với các nhà phát triển hiện đại đang tìm kiếm sự cân bằng tối ưu giữa tốc độ, độ chính xác và trải nghiệm nhà phát triển, YOLO26 là lựa chọn được khuyến nghị.
Bình luận
Đặt câu hỏi, chia sẻ kết quả hoặc giúp đỡ người khác.