Bắt đầu

YOLO26 so với YOLOv5

Việc chọn kiến trúc phù hợp có ý nghĩa quan trọng đối với thành công của mọi dự án thị giác máy tính. Hướng dẫn này so sánh hai phiên bản Ultralytics lớn: YOLOv5 được sử dụng rộng rãi và YOLO26 hiện tại. Cả hai đều định hình lĩnh vực phát hiện đối tượng thời gian thực, nhưng thiết kế nền tảng của chúng phản ánh hơn năm năm tiến bộ trong cách mạng neural xử lý dữ liệu hình ảnh.

Tổng quan về model#

Các chi tiết chính của hai model được tóm tắt dưới đây.

Thông tin YOLO26:

Thông tin về YOLOv5:

Khám phá các lựa chọn khác

Mặc dù hướng dẫn này tập trung vào YOLO26 và YOLOv5, các developer di chuyển hệ thống legacy cũng có thể muốn so sánh YOLO11 hoặc kiến trúc không cần NMS của YOLOv10. Cả hai đều là bước chuyển tiếp phù hợp cho những môi trường triển khai cụ thể.

Các cải tiến kiến trúc#

Khoảng cách hơn năm năm giữa YOLOv5 và YOLO26 bao trùm những tiến bộ lớn trong nghiên cứu deep learning. YOLOv5 góp phần phổ biến việc huấn luyện YOLO dựa trên PyTorch, cung cấp cơ chế phát hiện dùng anchor được tối ưu và trở thành tiêu chuẩn ngành. Tuy nhiên, model dựa vào Non-Maximum Suppression (NMS) trong bước hậu xử lý, có thể gây nút thắt độ trễ trên các thiết bị hạn chế tài nguyên.

YOLO26 thiết kế lại pipeline suy luận với Thiết kế end-to-end không cần NMS. Head one-to-one tùy chọn (nms=False) loại bỏ nhu cầu hậu xử lý NMS, giúp logic triển khai nhanh và đơn giản hơn—một khái niệm mà YOLOv10 đã giới thiệu cho các model YOLO. YOLO26 còn có tính năng Loại bỏ DFL (Distribution Focal Loss), giúp đơn giản hóa head đầu ra. Nhờ đó, việc xuất model sang các định dạng như ONNX và TensorRT trở nên dễ dàng hơn, đồng thời cải thiện khả năng tương thích với thiết bị edge và thiết bị công suất thấp.

Trong quá trình huấn luyện, YOLO26 sử dụng Optimizer MuSGD, dạng kết hợp giữa SGD và Muon lấy cảm hứng từ Kimi K2 của Moonshot AI. Phương pháp này đưa các ý tưởng huấn luyện LLM vào thị giác máy tính, giúp quá trình huấn luyện ổn định hơn và hội tụ nhanh hơn optimizer SGD cơ bản mà YOLOv5 mặc định sử dụng.

Hiệu năng và các chỉ số#

Khi đánh giá model, sự cân bằng giữa độ chính xác trung bình (mAP) và tốc độ inference quyết định khả năng ứng dụng thực tế. YOLO26 được tối ưu cho cả GPU cao cấp lẫn CPU edge.

Modelkích thước
(pixel)
mAPval50-95Tốc độ
CPU ONNX
(ms)
Tốc độ
T4 TensorRT10
(ms)
params
(M)
FLOPs
(B)
YOLO26n64040.938.91.72.45.5
YOLO26s64048.687.22.59.520.9
YOLO26m64053.1220.04.720.468.4
YOLO26l64055.0286.26.224.886.8
YOLO26x64057.5525.811.855.7194.4
YOLOv5n64028.0-1.121.94.5
YOLOv5s64037.4-1.927.216.5
YOLOv5m64045.4-4.0321.249.0
YOLOv5l64049.0-6.6146.5109.1
YOLOv5x64050.7-11.8986.7205.7

Các kết quả benchmark cho thấy độ chính xác tăng đáng kể. Ví dụ, YOLO26n đạt mAP 40.9 so với 28.0 của YOLOv5n, và YOLO26n inference trên CPU nhanh hơn tới 43% so với YOLO11n. Điều này khiến YOLO26 phù hợp hơn với các triển khai nhúng như Raspberry Pi hoặc thiết bị di động. YOLOv5 nhanh hơn với T4 TensorRT ở các biến thể n, s và m, nhưng sự đánh đổi về độ chính xác nghiêng hẳn về YOLO26 (ví dụ, mAP 53.1 so với 45.4 ở các model m).

Hệ sinh thái huấn luyện và tính dễ sử dụng#

Cả hai model đều được hưởng lợi từ hệ sinh thái Ultralytics được duy trì tốt, với Python API đơn giản, tài liệu toàn diện và sự hỗ trợ tích cực từ cộng đồng. YOLO26 bổ sung thêm các cải tiến trong huấn luyện.

Các model Ultralytics thường cần ít bộ nhớ CUDA hơn trong quá trình huấn luyện so với các lựa chọn thay thế sử dụng nhiều Transformer. YOLO26 bổ sung ProgLoss + STAL (Progressive Loss và Small-Target-Aware Label Assignment), cải thiện khả năng nhận diện đối tượng nhỏ mà không làm tăng mức tiêu thụ bộ nhớ.

from ultralytics import YOLO

# Khởi tạo model YOLO26 Nano
model = YOLO("yolo26n.pt")

# Huấn luyện model (optimizer='auto' chọn MuSGD cho các lượt huấn luyện dài hơn)
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, batch=16, device=0)

# Chạy suy luận nhanh, không cần NMS trên ảnh kiểm thử
predictions = model("https://ultralytics.com/images/bus.jpg", nms=False)
predictions[0].show()

Script này giúp developer nhanh chóng lặp thử nghiệm trên dataset tùy chỉnh, từ khâu nhập dữ liệu đến model sẵn sàng cho production.

Triển khai dễ dàng

Với Ultralytics Platform, bạn có thể export các model YOLO26 đã huấn luyện sang những định dạng như CoreML hoặc LiteRT mà không cần viết một dòng code chuyển đổi nào.

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

Khi nào nên dùng YOLOv5#

YOLOv5 vẫn là lựa chọn đáng tin cậy cho các hệ thống cũ. Nếu bạn có pipeline công nghiệp hiện tại phụ thuộc chặt chẽ vào đầu ra dùng anchor hoặc đang chạy inference trên các thiết bị NVIDIA Jetson đời cũ với bộ TensorRT ổn định, không thay đổi, YOLOv5 cung cấp một giải pháp ổn định và có tài liệu đầy đủ.

Khi nào nên dùng YOLO26#

YOLO26 là lựa chọn được khuyến nghị cho các dự án thị giác máy tính mới và hỗ trợ nhiều tác vụ hơn phiên bản tiền nhiệm. Trong khi YOLOv5 chủ yếu tập trung vào phát hiện (sau đó mới bổ sung phân đoạn và phân loại), YOLO26 hỗ trợ nguyên bản phân đoạn instance, phân đoạn ngữ nghĩa, ước lượng độ sâu, phân loại hình ảnh, ước lượng tư thế và hộp giới hạn định hướng (OBB).

YOLO26 giới thiệu Các cải tiến chuyên biệt theo tác vụ, chẳng hạn hàm loss phân đoạn ngữ nghĩa chuyên biệt, Residual Log-Likelihood Estimation (RLE) để xác định keypoint tư thế chính xác hơn và hàm loss góc chuyên biệt cho OBB nhằm khắc phục vấn đề biên.

  • IoT edge và robot: Inference không cần NMS tùy chọn và tốc độ inference CPU nhanh hơn tới 43% (YOLO26n so với YOLO11n) khiến YOLO26 rất phù hợp với điều hướng robot thời gian thực và camera nhà thông minh.
  • Ảnh chụp từ trên không: Các cải tiến ProgLoss + STAL giúp phát hiện đối tượng rất nhỏ đáng tin cậy hơn, chẳng hạn xe trong bãi đỗ hoặc cây trồng trên cánh đồng khi dùng drone.
  • Phân tích video thời gian thực: Dù theo dõi vận động viên trong chương trình phát sóng thể thao hay giám sát lưu lượng giao thông, YOLO26 đều cân bằng tốt độ chính xác và tốc độ cho video thời gian thực.

Vì cả hai model đều thuộc hệ sinh thái Ultralytics, việc chuyển từ YOLOv5 sang YOLO26 rất đơn giản, đồng thời giúp nhà nghiên cứu và developer tiếp cận các tính năng Ultralytics mới nhất.

Người đóng góp

Bình luận

Đặt câu hỏi, chia sẻ kết quả hoặc giúp đỡ người khác.