Link to this sectionSo sánh YOLO26 và PP-YOLOE+#

Lĩnh vực thị giác máy tính đã chứng kiến sự phát triển nhanh chóng của các mô hình phát hiện đối tượng thời gian thực. Đối với các kỹ sư và nhà nghiên cứu ML đang tìm cách triển khai các mô hình AI thị giác hiệu quả nhất, việc so sánh các kiến trúc như Ultralytics YOLO26 và PP-YOLOE+ là vô cùng quan trọng. Hướng dẫn toàn diện này cung cấp phân tích chuyên sâu về kiến trúc, phương pháp huấn luyện, chỉ số hiệu suất và các kịch bản triển khai thực tế lý tưởng của chúng.

Link to this sectionNguồn gốc và Metadata của mô hình#

Việc hiểu rõ nền tảng của các kiến trúc thị giác máy tính này giúp định hình triết lý thiết kế và môi trường mục tiêu của chúng.

Tổng quan về YOLO26
Ra mắt vào tháng 1 năm 2026, YOLO26 đại diện cho đỉnh cao của hệ sinh thái Ultralytics. Nó được thiết kế để trở thành giải pháp AI biên hoàn hảo, với dung lượng nhỏ hơn, xử lý end-to-end nguyên bản và tốc độ vượt trội.

Tác giả: Glenn Jocher và Jing Qiu
Tổ chức: Ultralytics
Ngày: 2026-01-14
GitHub: Ultralytics GitHub Repository
Tài liệu: Tài liệu chính thức về YOLO26

Tìm hiểu thêm về YOLO26

Tổng quan về PP-YOLOE+
Được phát triển như một sự cải tiến của dòng PP-YOLO, PP-YOLOE+ là một bộ phát hiện không sử dụng neo (anchor-free) được tối ưu hóa mạnh mẽ cho hệ sinh thái PaddlePaddle. Nó dựa trên kiến trúc backbone CSPRepResNet và đầu ra ET-head để cải thiện các chỉ số phát hiện tiêu chuẩn.

Tác giả: Các tác giả của PaddlePaddle
Tổ chức: Baidu
Ngày: 02-04-2022
Arxiv: Bài báo nghiên cứu PP-YOLOE+
GitHub: Kho lưu trữ PaddleDetection
Tài liệu: Tài liệu PP-YOLOE+

Tìm hiểu thêm về PP-YOLOE+

Link to this sectionCải tiến kiến trúc#

Sự khác biệt trong cách các mô hình này xử lý dữ liệu hình ảnh tác động đáng kể đến yêu cầu bộ nhớ, độ ổn định khi huấn luyện và độ trễ suy luận.

Link to this sectionYOLO26: Biên giới không cần NMS#

YOLO26 giới thiệu một số thay đổi kiến trúc mang tính đột phá được thiết kế để đơn giản hóa triển khai mô hình:

Thiết kế End-to-End không NMS: Dựa trên các khái niệm được giới thiệu lần đầu trong YOLOv10, YOLO26 loại bỏ nguyên bản quy trình xử lý hậu kỳ Non-Maximum Suppression (NMS). Điều này làm giảm sự biến thiên độ trễ và đơn giản hóa đáng kể các pipeline triển khai.
DFL Removal: By removing Distribution Focal Loss (DFL), the model is exceptionally lighter, enabling seamless export to formats like TensorRT and CoreML.
Bộ tối ưu hóa MuSGD: Lấy cảm hứng từ Kimi K2 của Moonshot AI, YOLO26 mang những cải tiến trong huấn luyện LLM vào thị giác máy tính. Bộ tối ưu hóa lai MuSGD (SGD + Muon) đảm bảo động lực huấn luyện ổn định cao và hội tụ nhanh chóng.
ProgLoss + STAL: These advanced loss functions yield notable improvements in small-object recognition, making the architecture highly effective for drone imagery and agricultural applications.

Link to this sectionPP-YOLOE+: Phương pháp tiếp cận lấy Paddle làm trung tâm#

PP-YOLOE+ sử dụng mô hình anchor-free với trọng tâm là độ chính xác cao trên phần cứng máy chủ tiêu chuẩn. Nó có cấu trúc RepResNet giúp cải thiện khả năng trích xuất đặc trưng. Tuy nhiên, vì dựa quá nhiều vào các thao tác cụ thể trong stack học sâu của Baidu, việc sửa đổi mạng hoặc xuất nó cho các thiết bị biên bị hạn chế có thể phức tạp hơn nhiều so với các framework của Ultralytics.

Link to this sectionSo sánh Hiệu năng và Chỉ số#

Sự cân bằng mạnh mẽ về hiệu suất giữa tốc độ và độ chính xác là rất quan trọng cho các kịch bản triển khai thực tế đa dạng. Trong khi PP-YOLOE+ cung cấp độ chính xác cạnh tranh, YOLO26 luôn đạt được sự đánh đổi thuận lợi hơn, đặc biệt là khi đánh giá tốc độ suy luận trên CPU và mức sử dụng bộ nhớ thấp hơn.

Mô hình	kích thước ^(pixel)	mAP^val 50-95	Tốc độ ^{CPU ONNX (ms)}	Tốc độ ^{T4 TensorRT10 (ms)}	params ^(M)	FLOPs ^(B)
YOLO26n	640	40.9	38.9	1.7	2.4	5.4
YOLO26s	640	48.6	87.2	2.5	9.5	20.7
YOLO26m	640	53.1	220.0	4.7	20.4	68.2
YOLO26l	640	55.0	286.2	6.2	24.8	86.4
YOLO26x	640	57.5	525.8	11.8	55.7	193.9

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

Nhờ các tối ưu hóa biên cụ thể và việc loại bỏ DFL, YOLO26 mang lại tốc độ suy luận trên CPU nhanh hơn tới 43% so với các phiên bản tiền nhiệm, vượt xa PP-YOLOE+ khi triển khai trên các thiết bị như Raspberry Pi hoặc các đơn vị tính toán biên tiêu chuẩn.

Hiệu quả Bộ nhớ

Khi so sánh các kiến trúc mô hình, hãy lưu ý rằng các mô hình Ultralytics YOLO duy trì mức sử dụng bộ nhớ thấp hơn nhiều trong quá trình huấn luyện so với các mô hình Transformer phức tạp, khiến chúng rất dễ tiếp cận cho việc tạo mẫu nhanh trên GPU cấp người dùng.

Link to this sectionLợi thế từ hệ sinh thái Ultralytics#

Mặc dù PP-YOLOE+ là một mô hình có năng lực, sự khác biệt thực sự nằm ở trải nghiệm của nhà phát triển. Hệ sinh thái Ultralytics tích hợp cung cấp một môi trường tuyệt vời cho các chuyên gia AI thị giác.

Dễ sử dụng: Ultralytics cung cấp trải nghiệm người dùng tinh gọn. API Python đơn giản giúp trừu tượng hóa sự phức tạp của các pipeline dữ liệu và vòng lặp huấn luyện, được hỗ trợ bởi tài liệu phong phú và được cập nhật tích cực.
Tính linh hoạt: Khác với PP-YOLOE+, vốn tập trung chủ yếu vào phát hiện đối tượng, YOLO26 hỗ trợ phân loại hình ảnh, phân đoạn đối tượng, ước tính tư thế và hộp bao định hướng (OBB) một cách nguyên bản bằng cách sử dụng cùng một cấu trúc API.
Hiệu quả huấn luyện: Việc tự động tải xuống các trọng số đã được huấn luyện sẵn, kết hợp với các kỹ thuật tăng cường dữ liệu nâng cao, đảm bảo các quy trình huấn luyện hiệu quả, đòi hỏi ít bộ nhớ CUDA và thời gian hơn so với các framework truyền thống.

Link to this sectionVí dụ mã: Sự đơn giản trong thực tế#

Đoạn mã Python hợp lệ sau đây minh họa việc bắt đầu một dự án AI bằng API của Ultralytics dễ dàng như thế nào:

from ultralytics import YOLO

# Load a pre-trained YOLO26 nano model for optimal edge performance
model = YOLO("yolo26n.pt")

# Train the model effortlessly on the COCO8 dataset
results = model.train(data="coco8.yaml", epochs=50, imgsz=640, device="cpu")

# Perform NMS-free inference on a target image
inference_results = model.predict("https://ultralytics.com/images/bus.jpg")

# Export to ONNX format for deployment
model.export(format="onnx")

Link to this sectionCác ứng dụng thực tế lý tưởng#

Việc quyết định giữa YOLO26 và PP-YOLOE+ phụ thuộc phần lớn vào các giới hạn trong môi trường sản xuất của bạn.

Khi nào nên triển khai PP-YOLOE+:

Tích hợp hệ sinh thái Baidu: Các dự án gắn liền với hạ tầng PaddlePaddle hoặc các môi trường sản xuất cụ thể tại châu Á, nơi các stack phần cứng và phần mềm của Baidu được áp dụng nghiêm ngặt.
Xử lý theo lô phía máy chủ: Các kịch bản chạy trên phần cứng cấp doanh nghiệp, nơi độ trễ do NMS gây ra ít đáng lo ngại hơn.

Khi nào nên triển khai YOLO26:

Thiết bị biên và IoT: Tốc độ CPU nhanh hơn tới 43% của YOLO26 biến nó thành lựa chọn tối ưu cho camera thông minh, drone và robot công suất thấp.
Triển khai yêu cầu thời gian thực: Kiến trúc không NMS nguyên bản đảm bảo suy luận ổn định, độ trễ cực thấp, rất quan trọng cho nghiên cứu lái xe tự động và kiểm soát chất lượng sản xuất tốc độ cao.
Các dự án đa tác vụ: Khi một dự án đòi hỏi sự kết hợp giữa phát hiện đối tượng, phân đoạn chính xác hoặc theo dõi điểm quan trọng thông qua ước tính tư thế, framework YOLO26 thống nhất là không thể thay thế.

Link to this sectionCác trường hợp sử dụng và Khuyến nghị#

Việc lựa chọn giữa YOLO26 và PP-YOLOE+ phụ thuộc vào các yêu cầu dự án cụ thể, các giới hạn triển khai và tùy chọn hệ sinh thái của bạn.

Link to this sectionKhi nào nên chọn YOLO26#

YOLO26 là lựa chọn mạnh mẽ cho:

Triển khai Edge không cần NMS: Các ứng dụng yêu cầu suy luận nhất quán, độ trễ thấp mà không có sự phức tạp của hậu xử lý Non-Maximum Suppression.
Môi trường chỉ dùng CPU: Các thiết bị không có tăng tốc GPU chuyên dụng, nơi suy luận CPU nhanh hơn tới 43% của YOLO26 mang lại lợi thế quyết định.
Phát hiện vật thể nhỏ: Các kịch bản đầy thách thức như hình ảnh máy bay không người lái trên không hoặc phân tích cảm biến IoT, nơi ProgLoss và STAL tăng cường đáng kể độ chính xác trên các vật thể cực nhỏ.

Link to this sectionKhi nào nên chọn PP-YOLOE+#

PP-YOLOE+ được khuyến nghị cho:

Tích hợp hệ sinh thái PaddlePaddle: Các tổ chức có cơ sở hạ tầng hiện có được xây dựng trên framework và công cụ PaddlePaddle của Baidu.
Triển khai Paddle Lite Edge: Triển khai lên phần cứng với các kernel suy luận được tối ưu hóa cao dành riêng cho Paddle Lite hoặc engine suy luận Paddle.
Nhận diện phía máy chủ có độ chính xác cao: Các kịch bản ưu tiên độ chính xác nhận diện tối đa trên các máy chủ GPU mạnh mẽ, nơi sự phụ thuộc vào framework không phải là vấn đề.

Link to this sectionKhám phá các kiến trúc khác#

Đối với người dùng đang khám phá một phạm vi mô hình rộng hơn, chúng tôi cũng khuyến nghị xem xét YOLO11, thế hệ mô hình Ultralytics trước đó rất đáng tin cậy, vốn vẫn là lựa chọn chủ chốt trong hàng ngàn môi trường sản xuất. Ngoài ra, đối với các kịch bản yêu cầu các cơ chế dựa trên transformer, kiến trúc RT-DETR cung cấp một sự thay thế thú vị, mặc dù có yêu cầu bộ nhớ cao hơn trong quá trình huấn luyện.

Cuối cùng, bằng cách tận dụng bộ tối ưu hóa MuSGD, các khả năng ProgLoss + STAL và thiết kế không NMS, YOLO26 củng cố vị thế là lựa chọn hàng đầu cho các giải pháp AI thị giác hiện đại, có khả năng mở rộng và hiệu quả cao.

Người đóng góp

GLglenn-jocher⁵

Đã tạo 5 tháng trướcĐã cập nhật tuần trước