Bắt đầu

YOLO26 so với YOLOv6-3.0

Việc chọn kiến trúc phù hợp để triển khai thường quyết định thành công của một dự án machine learning. Bài so sánh kỹ thuật này trình bày những khác biệt chính giữa Ultralytics YOLO26 và YOLOv6-3.0 tập trung vào công nghiệp, đánh giá kiến trúc, phương pháp huấn luyện và các kịch bản triển khai phù hợp.

Nguồn gốc và thông tin chi tiết về model#

Trước khi so sánh các chỉ số hiệu năng, việc tìm hiểu bối cảnh và trọng tâm phát triển của hai model thị giác này sẽ rất hữu ích.

YOLO26

YOLOv6-3.0

Tìm hiểu thêm về YOLOv6-3.0

Đổi mới và khác biệt về kiến trúc#

Cả hai model đều được thiết kế để phát hiện đối tượng với tốc độ cao, nhưng áp dụng các phương pháp khác nhau để đạt được hiệu năng.

Ultralytics YOLO26: Model đầu cuối nguyên bản, ưu tiên thiết bị biên#

Ra mắt vào tháng 1 năm 2026, YOLO26 tập trung vào hiệu quả của model. Nâng cấp kiến trúc đáng kể nhất là head End-to-End không cần NMS tùy chọn. (nms=False) Bằng cách loại bỏ bước hậu xử lý Non-Maximum Suppression (NMS) truyền thống—khái niệm được YOLOv10 giới thiệu cho các model YOLO—YOLO26 giảm biến thiên độ trễ, giúp model có tính dự đoán cao hơn khi triển khai trên edge theo thời gian thực.

Ngoài ra, YOLO26 có tính năng loại bỏ DFL. Việc loại bỏ Distribution Focal Loss giúp đơn giản hóa quy trình export và cải thiện khả năng tương thích với các thiết bị điện toán biên công suất thấp. Kết hợp với các tối ưu hóa khác, điều này giúp YOLO26n chạy nhanh hơn tới 43% trên CPU so với YOLO11n, phù hợp với các môi trường không có bộ xử lý đồ họa (GPUs) chuyên dụng như Raspberry Pi hoặc thiết bị di động.

YOLOv6-3.0: Chuyên gia công nghiệp#

Được phát triển bởi đội ngũ thị giác tại Meituan, YOLOv6-3.0 là CNN cấp công nghiệp được tối ưu cho triển khai TensorRT trên phần cứng NVIDIA. Model sử dụng các kỹ thuật tự chưng cất và thiết kế kiến trúc neural network có xét đến phần cứng. Dù rất nhanh trên GPU T4 hoặc A100, model vẫn dựa vào bước hậu xử lý NMS truyền thống, có thể gây nút thắt cổ chai trong môi trường phần cứng hạn chế.

Cân bằng hiệu năng và benchmark#

Phép thử thực sự của bất kỳ model nào là khả năng cân bằng độ chính xác trung bình (mAP) với tốc độ inference và số lượng tham số. Các model Ultralytics nổi tiếng nhờ yêu cầu bộ nhớ thấp và cân bằng hiệu năng tốt; chúng thường cần ít bộ nhớ CUDA hơn nhiều so với các model dựa trên Transformer.

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
YOLOv6-3.0n64037.5-1.174.711.4
YOLOv6-3.0s64045.0-2.6618.545.3
YOLOv6-3.0m64050.0-5.2834.985.8
YOLOv6-3.0l64052.8-8.9559.6150.7

YOLO26 đạt mAP cao hơn YOLOv6-3.0 ở mọi kích thước với số tham số chỉ bằng khoảng một nửa hoặc thấp hơn. Ví dụ, YOLO26s vượt YOLOv6-3.0s 3.6 điểm mAP trong khi dùng gần một nửa số tham số (9.5M so với 18.5M). YOLOv6-3.0n nhanh hơn trên GPU T4 (1.17 ms so với 1.7 ms), trong khi YOLO26 nhanh hơn từ biến thể s trở lên.

Hiệu quả sử dụng bộ nhớ

Số lượng tham số và FLOPs thấp hơn của YOLO26 đồng nghĩa với mức sử dụng bộ nhớ thấp hơn trong huấn luyện và inference so với YOLOv6, cho phép dùng batch size lớn hơn trên phần cứng phổ thông.

Hiệu quả và phương pháp huấn luyện#

Phương pháp huấn luyện khác nhau giữa hai framework. YOLO26 giới thiệu Optimizer MuSGD, dạng kết hợp giữa SGD và Muon lấy cảm hứng từ Kimi K2 của Moonshot AI. Phương pháp này đưa trực tiếp các đổi mới trong huấn luyện LLM vào thị giác máy tính, giúp huấn luyện ổn định hơn và hội tụ nhanh hơn.

YOLO26 cũng sử dụng ProgLoss + STAL, một phương pháp cân bằng loss theo tiến trình và chiến lược gán nhãn có xét đến đối tượng nhỏ. Kết hợp lại, các phương pháp này cải thiện khả năng nhận diện đối tượng nhỏ, yếu tố quan trọng đối với AI trong nông nghiệp và ảnh chụp bằng drone ở độ cao lớn.

Ngược lại, YOLOv6-3.0 sử dụng chiến lược tự chưng cất. Dù hiệu quả, phương pháp này thường đòi hỏi lịch huấn luyện dài hơn và chi phí tính toán cao hơn để đạt độ chính xác tối ưu.

Hệ sinh thái và tính dễ sử dụng#

Một trong những lợi thế lớn nhất khi chọn YOLO26 là hệ sinh thái Ultralytics Platform được duy trì tốt. Developer có thể cài package Python và bắt đầu huấn luyện chỉ trong vài phút.

Ngược lại, YOLOv6 yêu cầu clone repository nghiên cứu, tự quản lý các dependency và sử dụng các script khởi chạy phức tạp, có thể làm chậm quá trình triển khai của đội ngũ kỹ thuật.

Ví dụ code: Bắt đầu với YOLO26#

Huấn luyện và chạy inference với các model Ultralytics chỉ cần vài dòng code thông qua Python API:

from ultralytics import YOLO

# Tải model nano YOLO26 có hiệu quả cao
model = YOLO("yolo26n.pt")

# Huấn luyện model trên tập dữ liệu COCO8 trong 100 epoch
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Chạy suy luận đầu cuối không cần NMS trên ảnh
results = model.predict("https://ultralytics.com/images/bus.jpg", nms=False)

# Xuất sang ONNX để triển khai trên CPU
model.export(format="onnx")

Tính linh hoạt trên nhiều tác vụ thị giác#

YOLOv6-3.0 chỉ là model phát hiện đối tượng bằng bounding box, trong khi YOLO26 hỗ trợ nhiều tác vụ hơn. Với cùng một API, developer có thể thực hiện phân đoạn instance, phân đoạn ngữ nghĩa, ước lượng độ sâu, phân loại hình ảnh, ước lượng tư thế và phát hiện hộp giới hạn định hướng (OBB).

YOLO26 bao gồm các cải tiến chuyên biệt theo tác vụ trên nhiều phương diện, chẳng hạn hàm loss phân đoạn ngữ nghĩa giúp tạo mask tốt hơn, Residual Log-Likelihood Estimation (RLE) giúp xác định keypoint chính xác hơn và hàm loss góc chuyên biệt khắc phục vấn đề biên của OBB.

Các trường hợp sử dụng phù hợp nhất#

Khi nào nên sử dụng YOLO26#

YOLO26 là lựa chọn tốt hơn cho thiết bị edge, Internet of Things (IoT) và robot. Tốc độ inference CPU cao hơn cùng head không cần NMS tùy chọn khiến model phù hợp với các hệ thống báo động an ninh thời gian thực chạy trên CPU thông thường hoặc chip ARM công suất thấp. Khả năng phát hiện đối tượng nhỏ được cải thiện (nhờ ProgLoss + STAL) phù hợp với việc phát hiện động vật hoang dã từ trên không và phân tích ảnh vệ tinh.

Khi nào nên sử dụng YOLOv6-3.0#

YOLOv6-3.0 phát huy hiệu quả trong các môi trường công nghiệp được kiểm soát chặt chẽ, nơi máy chủ được trang bị GPU NVIDIA cao cấp (như T4 hoặc A100) chạy pipeline TensorRT tối ưu. Model rất phù hợp để phát hiện lỗi trên dây chuyền sản xuất tốc độ cao, nơi môi trường phần cứng cố định và độ biến thiên độ trễ NMS có thể chấp nhận được.

Tìm hiểu thêm các model khác#

Bạn cũng có thể quan tâm đến các model khác được hệ sinh thái Ultralytics hỗ trợ. Chẳng hạn, YOLO11 vẫn là model đa dụng mạnh mẽ với cộng đồng người dùng rộng lớn. Nếu quan tâm đến kiến trúc Transformer, model RT-DETR hỗ trợ phát hiện dựa trên attention, dù cần nhiều bộ nhớ huấn luyện hơn YOLO26. Để có khả năng zero-shot mà không cần huấn luyện, YOLO-World hỗ trợ phát hiện theo prompt trên tập từ vựng mở ngay khi cài đặt.

Tóm tắt#

Cả YOLOv6-3.0 và YOLO26 đều là những thành tựu kỹ thuật ấn tượng. Với các ứng dụng cần phát triển nhanh, tiêu thụ ít bộ nhớ và triển khai trên nhiều loại thiết bị edge, Ultralytics YOLO26 là lựa chọn tốt hơn. Head end-to-end không cần NMS tùy chọn, optimizer MuSGD và khả năng tích hợp với hệ sinh thái Ultralytics giúp các nhóm nhanh chóng đưa AI thị giác vào production.

Người đóng góp

Bình luận

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