YOLO26 so với YOLOv7
Phát hiện đối tượng thời gian thực đã trải qua nhiều cột mốc, trong đó Ultralytics YOLO26 và YOLOv7 là hai model đáng chú ý. YOLOv7 giới thiệu phương pháp "bag-of-freebies", thiết lập các chuẩn độ chính xác mới vào năm 2022; trong khi đó, YOLO26 bổ sung các tối ưu hóa ưu tiên edge, inference end-to-end tùy chọn và động lực huấn luyện ổn định lấy cảm hứng từ quá trình huấn luyện mô hình ngôn ngữ lớn (LLM).
Trang này so sánh hai kiến trúc, phân tích các chỉ số hiệu năng, khác biệt cấu trúc và kịch bản triển khai phù hợp để giúp kỹ sư machine learning đưa ra quyết định sáng suốt cho dự án AI thị giác tiếp theo.
Thông tin nền và chi tiết về model#
Trước khi xem xét dữ liệu hiệu năng, cần hiểu rõ nguồn gốc và mục tiêu chính của từng model.
Ultralytics YOLO26#
- Tác giả: Glenn Jocher và Jing Qiu
- Tổ chức: Ultralytics
- Ngày: 2026-01-14
- GitHub: Kho lưu trữ Ultralytics
- Tài liệu: Tài liệu YOLO26
YOLOv7#
- Tác giả: Chien-Yao Wang, Alexey Bochkovskiy và Hong-Yuan Mark Liao
- Tổ chức: Viện Khoa học Thông tin, Academia Sinica, Đài Loan
- Ngày: 2022-07-06
- arXiv: Bài báo YOLOv7
- GitHub: Kho lưu trữ YOLOv7
Nếu đang tìm hiểu hệ sinh thái rộng hơn, bạn cũng có thể quan tâm đến YOLO11 cho triển khai đa tác vụ cân bằng, hoặc RT-DETR dựa trên Transformer để phát hiện bằng cơ chế attention. Lưu ý rằng các model cũ hơn như YOLOv8 và YOLOv5 vẫn được hỗ trợ đầy đủ trên Ultralytics Platform để tích hợp với hệ thống cũ.
Phân tích chuyên sâu về kiến trúc#
Triết lý kiến trúc đằng sau YOLO26 và YOLOv7 khác biệt đáng kể, phản ánh sự chuyển dịch từ tối đa hóa hiệu năng GPU cao cấp sang tối ưu hóa triển khai edge end-to-end.
YOLO26: Thiết kế ưu tiên edge#
Ra mắt vào tháng 1 năm 2026, YOLO26 thiết kế lại pipeline triển khai. Thay đổi quan trọng nhất là Thiết kế end-to-end không cần NMS. Bằng cách bỏ qua bước hậu xử lý Non-Maximum Suppression (NMS) với head một-một tùy chọn (nms=False), YOLO26 giảm độ biến thiên độ trễ—một ý tưởng được giới thiệu lần đầu trong YOLOv10. Nhờ vậy, tốc độ khung hình ổn định ngay cả trong các cảnh đông người, yếu tố then chốt đối với robot tự hành và giám sát giao thông.
YOLO26 cũng loại bỏ Distribution Focal Loss (DFL). Việc loại bỏ DFL đơn giản hóa quá trình export sang các định dạng như ONNX và Apple CoreML, đồng thời giúp YOLO26n inference trên CPU nhanh hơn tới 43% so với YOLO11n.
Độ ổn định khi huấn luyện cũng là trọng tâm lớn. Việc giới thiệu Optimizer MuSGD—dạng kết hợp giữa Stochastic Gradient Descent tiêu chuẩn và Muon (lấy cảm hứng từ động lực huấn luyện của Kimi K2)—mang độ ổn định trong huấn luyện LLM vào thị giác máy tính. Khi kết hợp với ProgLoss + STAL (Progressive Loss và Small-Target-Aware Label Assignment), YOLO26 cải thiện khả năng nhận diện đối tượng nhỏ, một thách thức lâu năm đối với các model phát hiện thời gian thực.
YOLOv7: Tập hợp các thủ thuật miễn phí có thể huấn luyện#
YOLOv7 được xây dựng dựa trên nghiên cứu chi tiết về tối ưu hóa đường truyền gradient. Đổi mới cốt lõi của model là Extended Efficient Layer Aggregation Network (E-ELAN), cho phép model học các đặc trưng đa dạng hơn mà không làm gián đoạn các đường truyền gradient ban đầu.
Kiến trúc YOLOv7 cũng dựa vào các kỹ thuật tái tham số hóa trong quá trình inference, về cơ bản là hợp nhất các layer để tăng tốc mà không làm mất các biểu diễn đặc trưng phong phú đã học trong quá trình huấn luyện. Dù hoạt động mạnh trên GPU máy chủ NVIDIA TensorRT tiêu chuẩn, cách tiếp cận này vẫn dựa vào head phát hiện dùng anchor và NMS truyền thống, có thể gây trở ngại khi triển khai trên thiết bị công suất thấp.
So sánh hiệu năng#
Bảng dưới đây so sánh trực tiếp các model được huấn luyện trên dataset COCO tiêu chuẩn. YOLO26 cải thiện độ chính xác (mAP) với ít tham số và FLOPs hơn; chẳng hạn, YOLO26l đạt 55.0 mAP so với 51.4 của YOLOv7l, với 24.8M so với 36.9M tham số.
| Model | kích thước (pixel) | mAPval50-95 | Tốc độ CPU ONNX (ms) | Tốc độ T4 TensorRT10 (ms) | params (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLO26n | 640 | 40.9 | 38.9 | 1.7 | 2.4 | 5.5 |
| 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 |
| YOLOv7l | 640 | 51.4 | - | 6.84 | 36.9 | 104.7 |
| YOLOv7x | 640 | 53.1 | - | 11.57 | 71.3 | 189.9 |
Lưu ý: YOLO26x có mAP cao hơn YOLOv7x (57.5 so với 53.1) trong khi cần ít hơn khoảng 22% tham số.
Lợi thế của hệ sinh thái Ultralytics#
Một lý do quan trọng khiến developer chọn YOLO26 là khả năng tích hợp với Ultralytics Platform. Khác với các script độc lập cần dùng cho kiến trúc cũ, Ultralytics cung cấp một workflow thống nhất.
- Dễ sử dụng: Python API cho phép người dùng tải, huấn luyện và triển khai model chỉ với vài dòng code. Để export sang định dạng di động như LiteRT, chỉ cần thay đổi một tham số.
- Yêu cầu bộ nhớ: Các model Ultralytics được thiết kế để huấn luyện hiệu quả. Chúng thường cần ít bộ nhớ CUDA hơn các model Transformer thị giác nặng, cho phép nhà nghiên cứu chạy batch size lớn hơn trên phần cứng phổ thông.
- Tính linh hoạt: Trong khi YOLOv7 sử dụng các nhánh code riêng cho từng tác vụ, 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 phát hiện hộp giới hạn định hướng (OBB) từ một thư viện duy nhất. Model còn tích hợp các hàm loss chuyên biệt theo tác vụ, chẳng hạn Residual Log-Likelihood Estimation (RLE) cho pipeline ước lượng tư thế người.
- Phát triển tích cực: Cộng đồng mã nguồn mở Ultralytics cung cấp các bản cập nhật thường xuyên, sửa lỗi nhanh cho các trường hợp biên và duy trì khả năng tương thích với các bản phát hành PyTorch mới nhất.
YOLO26 mặc định dùng head một-nhiều cùng NMS để đạt độ chính xác cao. Export bằng nms=False sẽ chọn head không cần NMS, vì vậy khi triển khai lên thiết bị nhúng bằng Intel OpenVINO hoặc ONNX Runtime, không cần script hậu xử lý NMS riêng.
Các trường hợp sử dụng thực tế#
Khác biệt về kiến trúc giữa các model này quyết định kịch bản triển khai phù hợp nhất.
Khi nào nên chọn YOLO26#
YOLO26 là lựa chọn được khuyến nghị cho các hệ thống thị giác máy tính mới.
- AI edge và IoT: Với inference CPU nhanh và số lượng tham số thấp, YOLO26n phù hợp với các thiết bị hạn chế tài nguyên như Raspberry Pi hoặc camera thành phố thông minh.
- Drone và ảnh chụp từ trên không: Tích hợp ProgLoss + STAL cải thiện khả năng phát hiện đối tượng nhỏ, khiến model phù hợp với việc kiểm tra đường ống và nông nghiệp chính xác.
- Robot đa tác vụ: Do xử lý bounding box, mask phân đoạn và keypoint tư thế trong cùng một framework với mức tiêu thụ bộ nhớ thấp, model phù hợp với điều hướng và tương tác robot trong môi trường biến động.
Khi nào nên cân nhắc YOLOv7#
Dù phần lớn đã được các kiến trúc mới thay thế, YOLOv7 vẫn có một số ứng dụng cụ thể.
- Đánh giá chuẩn học thuật: Các nhà nghiên cứu phát triển head phát hiện dựa trên anchor mới hoặc nghiên cứu chiến lược đường dẫn gradient thường sử dụng YOLOv7 làm model cơ sở tiêu chuẩn để so sánh.
- Quy trình GPU cũ: Các hệ thống doanh nghiệp được tùy chỉnh riêng cho đầu ra tensor cụ thể và cấu hình NMS riêng của YOLOv7 trên các instance AWS EC2 P4d mạnh mẽ có thể trì hoãn việc chuyển sang model mới cho đến khi cần tái cấu trúc toàn bộ hệ thống.
Ví dụ code: Bắt đầu#
Trải nghiệm phát triển khác với các repository nghiên cứu thông thường. Huấn luyện model YOLO26 tùy chỉnh chỉ cần vài dòng:
from ultralytics import YOLO
# Tải model YOLO26 small mới nhất
model = YOLO("yolo26s.pt")
# Huấn luyện model trên bộ dữ liệu tùy chỉnh với chức năng caching và ghi log tự động
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device="0")
# Thực hiện suy luận đầu cuối không cần NMS trên ảnh bên ngoài
predictions = model("https://ultralytics.com/images/bus.jpg", nms=False)
# Xuất model đã tối ưu để triển khai trên thiết bị biên
model.export(format="onnx")Lời kết#
YOLOv7 vẫn là một cột mốc đáng ghi nhận trong lịch sử phát hiện đối tượng thời gian thực, nhưng ngành đã chuyển sang các model ưu tiên sự đơn giản trong triển khai, tính linh hoạt đa tác vụ và hiệu quả trên edge.
Với inference không cần NMS tùy chọn, optimizer MuSGD và tốc độ inference CPU cao hơn, Ultralytics YOLO26 là lựa chọn được khuyến nghị cho developer và kỹ sư doanh nghiệp hiện nay. Kết hợp với hệ sinh thái Ultralytics thân thiện với người dùng, model mang lại sự cân bằng tốt giữa tốc độ, độ chính xác và tính dễ sử dụng.
Bình luận2
Đặt câu hỏi, chia sẻ kết quả hoặc giúp đỡ người khác.
Murat Raimbekov(đã chỉnh sửa)hey @ShadowSinence, good question - and no, yolo26 doesn't have any "irreparable defect", it's actually the opposite. a few practical reasons why you still see lots of cnki papers building on v7/v8/v10:
1. publication timeline lag. yolo26 was released on 2026-01-14, just about four months ago. academic papers usually take 6-18 months from research start to publication, so most papers being submitted now started their experiments back when v7/v8/v10 were the latest stable options.
2. baseline reproducibility. papers like "improved yolov8 with attention module x for medical detection" rely on a well-established baseline with years of comparison literature. switching to a brand-new model means redoing every comparison from scratch and using a baseline reviewers may not yet be familiar with.
3. ecosystem maturity. v8 in particular has thousands of github forks, third-party custom modules, and chinese-language tutorials. for graduate students under time pressure, building on a mature codebase is faster than learning a new one.
4. architectural surface. v26 is nms-free, removes dfl, and uses a new musgd optimizer. great for deployment, but it changes a lot of the surface that anchor-based / nms-based ablations rely on. researchers comparing apples-to-apples often stick with the older anchor/nms setup.
on raw benchmarks, v26 does lead across the size sweep:
model mAP50-95 params (M) flops (B) yolo26x 57.5 55.7 193.9 yolov7x 53.1 71.3 189.9 so v26x is +4.4 mAP with ~22% fewer params. this lag in academic adoption is normal for any new release - it usually takes a year or so before papers built on it start appearing in numbers.
for choosing a model for your own work, the models index lays out the trade-offs side by side.
ShadowSinence
既然有更多优秀的yolo模型,为什么在知网上仍有专家教授继续使用v7,v8,v10的模型进行改进,而不是直接使用v26,难道26仍有什么不可弥补的缺陷吗