YOLO26 so với YOLOv5#

Sự phát triển của thị giác máy tính được định hình bởi nỗ lực không ngừng nhằm đạt tốc độ, độ chính xác và khả năng tiếp cận cao hơn. Việc lựa chọn kiến trúc phù hợp đóng vai trò then chốt đối với thành công của mọi dự án AI. Trong hướng dẫn toàn diện này, chúng ta sẽ so sánh hai phiên bản mang tính bước ngoặt của Ultralytics: YOLOv5, phiên bản tiên phong, và YOLO26, phiên bản tạo ra bước đột phá. Mặc dù cả hai đều có ảnh hưởng sâu rộng đến lĩnh vực phát hiện đối tượng theo thời gian thực, các công nghệ nền tảng của chúng phản ánh một sự chuyển dịch mô hình lớn trong cách mạng neural xử lý dữ liệu hình ảnh.

Tổng quan về model#

Trước khi đi sâu vào các sắc thái trong kiến trúc, hãy cùng xác lập những thông tin nền tảng của cả hai model.

Thông tin chi tiết về YOLO26:

• Tác giả: Glenn Jocher và Jing Qiu
• Tổ chức: Ultralytics
• Ngày: 2026-01-14
• GitHub: https://github.com/ultralytics/ultralytics
• Tài liệu: Tài liệu YOLO26

Thông tin chi tiết về YOLOv5:

• Tác giả: Glenn Jocher
• Tổ chức: Ultralytics
• Ngày: 2020-06-26
• GitHub: https://github.com/ultralytics/yolov5
• Tài liệu: Tài liệu YOLOv5

Các cải tiến về kiến trúc#

Khoảng cách sáu năm giữa YOLOv5 và YOLO26 thể hiện một bước tiến vượt bậc trong nghiên cứu deep learning. YOLOv5 đã phổ biến rộng rãi việc sử dụng PyTorch cho các model thị giác, cung cấp cơ chế phát hiện dựa trên anchor được tối ưu hóa cao và trở thành tiêu chuẩn ngành. Tuy nhiên, model này phụ thuộc nhiều vào Non-Maximum Suppression (NMS) trong quá trình hậu xử lý, điều này có thể gây ra các nút thắt về độ trễ trên những thiết bị có tài nguyên hạn chế.

YOLO26 tái thiết kế hoàn toàn pipeline inference với Thiết kế End-to-End không sử dụng NMS. Bằng cách loại bỏ nhu cầu hậu xử lý NMS, YOLO26 mang lại logic triển khai nhanh hơn và đơn giản hơn đáng kể—một khái niệm lần đầu được tiên phong trong YOLOv10 nhưng được hoàn thiện ở đây. Ngoài ra, YOLO26 còn có Loại bỏ DFL (Distribution Focal Loss), giúp đơn giản hóa đáng kể output head. Nhờ đó, việc export model sang các format như ONNX và TensorRT trở nên cực kỳ thuận tiện, đảm bảo khả năng tương thích tuyệt vời với các thiết bị edge và thiết bị công suất thấp.

Trong quá trình training, YOLO26 sử dụng MuSGD Optimizer tiên tiến, một giải pháp lai giữa SGD và Muon lấy cảm hứng từ Kimi K2 của Moonshot AI. Giải pháp này đưa những đổi mới trong training LLM vào lĩnh vực thị giác máy tính, đảm bảo quá trình training ổn định hơn đáng kể và hội tụ nhanh hơn nhiều so với các optimizer SGD hoặc AdamW truyền thống được sử dụng trong YOLOv5.

Hiệu năng và các chỉ số#

Khi đánh giá model, sự cân bằng giữa mean Average Precision (mAP) và tốc độ inference quyết định tính khả thi trong thực tế. YOLO26 được tối ưu hóa nguyên bản cho cả GPU cao cấp và CPU edge.

Các benchmark cho thấy mức cải thiện đáng kinh ngạc. Ví dụ, YOLO26n đạt mAP 40.9 so với 28.0 của YOLOv5n, đồng thời cung cấp inference CPU nhanh hơn tới 43%. Điều này khiến YOLO26 vượt trội hơn đáng kể trong các triển khai embedded như Raspberry Pi hoặc thiết bị di động. Mặc dù YOLOv5 có lợi thế nhỏ về tốc độ GPU TensorRT ở quy mô Nano, sự đánh đổi về độ chính xác lại nghiêng hẳn về YOLO26.

Hệ sinh thái training và tính dễ sử dụng#

Cả hai model đều hưởng lợi đáng kể từ hệ sinh thái Ultralytics được duy trì tốt. Chúng mang lại trải nghiệm "zero-to-hero" với Python API tinh gọn, tài liệu phong phú và sự hỗ trợ tích cực từ cộng đồng. Tuy nhiên, YOLO26 đưa hiệu quả training lên một tầm cao mới.

Các model Ultralytics luôn yêu cầu lượng bộ nhớ CUDA thấp hơn đáng kể trong quá trình training so với các giải pháp thay thế sử dụng nhiều transformer. YOLO26 khuếch đại lợi thế này nhờ các hàm loss ProgLoss + STAL. Những cải tiến này mang lại khả năng nhận diện đối tượng nhỏ đáng chú ý mà không làm tăng đáng kể overhead bộ nhớ.

from ultralytics import YOLO

# Initialize the cutting-edge YOLO26 Nano model
model = YOLO("yolo26n.pt")

# Train the model with the MuSGD optimizer (default for YOLO26)
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, batch=16, device=0)

# Run fast, NMS-free inference on a test image
predictions = model("https://ultralytics.com/images/bus.jpg")
predictions[0].show()

Script đơn giản này cho phép developer nhanh chóng lặp lại trên custom dataset, chuyển liền mạch từ quá trình nạp dữ liệu đến một model sẵn sàng cho production.

Tính linh hoạt và các trường hợp sử dụng lý tưởng#

Khi nào nên sử dụng YOLOv5#

YOLOv5 vẫn là một workhorse đáng tin cậy cho các hệ thống legacy. Nếu bạn có một pipeline công nghiệp hiện tại phụ thuộc chặt chẽ vào output dựa trên anchor, hoặc đang chạy inference trên các thiết bị NVIDIA Jetson cũ hơn với các stack TensorRT ổn định và ít thay đổi, YOLOv5 cung cấp một giải pháp ổn định, có tài liệu rất đầy đủ.

Khi nào nên sử dụng YOLO26#

YOLO26 là lựa chọn hàng đầu cho các dự án thị giác máy tính hiện đại. Tính linh hoạt của model này vượt xa phiên bản tiền nhiệm. Trong khi YOLOv5 chủ yếu tập trung vào detection (với segmentation được bổ sung ở các phiên bản sau), YOLO26 cung cấp hỗ trợ native chuyên sâu cho Instance Segmentation, Pose Estimation, Image Classification và Oriented Bounding Boxes (OBB).

YOLO26 giới thiệu Các cải tiến theo tác vụ, chẳng hạn như hàm loss semantic segmentation chuyên biệt, Ước lượng log-hợp lý phần dư (RLE) cho các keypoint pose có độ chính xác cực cao và hàm loss góc nâng cao cho OBB nhằm giải quyết các vấn đề ranh giới phức tạp.

• Edge IoT và Robotics: Kiến trúc không sử dụng NMS cùng khả năng inference CPU nhanh hơn 43% khiến YOLO26 trở nên lý tưởng cho điều hướng robot theo thời gian thực và camera smart home.
• Hình ảnh trên không: Những cải tiến ProgLoss + STAL giúp việc phát hiện các đối tượng cực nhỏ từ drone—chẳng hạn như phương tiện trong bãi đỗ xe hoặc cây trồng trên các cánh đồng nông nghiệp—trở nên đáng tin cậy hơn đáng kể.
• Phân tích video theo thời gian thực: Dù theo dõi vận động viên trong các chương trình phát sóng thể thao hay giám sát luồng giao thông, sự cân bằng về hiệu năng của YOLO26 đảm bảo recall cao mà không làm rớt frame.

Sau cùng, cam kết của Ultralytics đối với một hệ sinh thái dễ tiếp cận và hiệu năng cao đảm bảo quá trình chuyển đổi từ YOLOv5 sang YOLO26 diễn ra thuận lợi, mở khóa các capability tiên tiến hàng đầu cho cả researcher và developer.