Bắt đầu

YOLO26 so với YOLOv8

Các model thị giác máy tính hướng đến hiệu năng thời gian thực mà không làm giảm độ chính xác; với nhà phát triển hoạt động trong lĩnh vực machine learning, việc chọn đúng kiến trúc model là yếu tố then chốt. Bài so sánh kỹ thuật này phân tích quá trình chuyển từ Ultralytics YOLOv8, một kiến trúc được ứng dụng rộng rãi ra mắt năm 2023, sang Ultralytics YOLO26, ra mắt vào tháng 1 năm 2026.

Bằng cách so sánh kiến trúc, chỉ số hiệu năng và phương pháp huấn luyện, bài viết chỉ ra những lợi ích mà việc nâng cấp mang lại cho phát hiện đối tượng, phân đoạn và các tác vụ khác.

Thông tin nền và siêu dữ liệu của model#

Hiểu nguồn gốc của những kiến trúc này giúp làm rõ cơ sở cho các lựa chọn thiết kế. Cả hai model đều được phát triển bởi Ultralytics, đơn vị tập trung giúp AI thị giác dễ tiếp cận và dễ triển khai.

Thông tin YOLO26:

Thông tin về YOLOv8:

Các cải tiến kiến trúc#

Quá trình chuyển từ YOLOv8 sang YOLO26 làm thay đổi cách mạng tạo dự đoán và tính toán loss.

YOLO26: Hiệu quả trên edge#

YOLO26 được thiết kế để loại bỏ các nút thắt triển khai và tối đa hóa tốc độ suy luận trên phần cứng hạn chế.

  • Thiết kế end-to-end không cần NMS: Dựa trên phương pháp huấn luyện không cần NMS mà YOLOv10 đã giới thiệu cho các model YOLO, YOLO26 hỗ trợ suy luận end-to-end thông qua head one-to-one tùy chọn (nms=False). Bằng cách bỏ qua bước hậu xử lý Non-Maximum Suppression (NMS), model giảm biến thiên độ trễ và đơn giản hóa logic triển khai cho các ứng dụng cần đảm bảo nghiêm ngặt về thời gian thực.
  • Loại bỏ DFL: Việc loại bỏ Hàm mất mát tiêu cự phân phối (DFL) giúp đơn giản hóa head đầu ra. Lựa chọn kiến trúc này cải thiện khả năng tương thích với thiết bị biên công suất thấp và giúp xuất model dễ dàng hơn sang các định dạng như ONNX và CoreML.
  • Optimizer MuSGD: Lấy cảm hứng từ độ ổn định trong huấn luyện của các mô hình ngôn ngữ lớn (LLMs) như Kimi K2 của Moonshot AI, YOLO26 sử dụng optimizer MuSGD—một dạng kết hợp giữa Stochastic Gradient Descent và Muon. Cách tiếp cận này đưa các ý tưởng huấn luyện LLM vào thị giác máy tính, giúp hội tụ nhanh hơn và các lượt huấn luyện ổn định hơn.
  • ProgLoss + STAL: Để giải quyết bài toán khó là nhận diện các đối tượng nhỏ, YOLO26 triển khai Progressive Loss (ProgLoss) kết hợp với Small-Target-Aware Label Assignment (STAL). Cách này cải thiện khả năng phát hiện đối tượng nhỏ, rất phù hợp với các ứng dụng drone.
Tinh chỉnh theo tác vụ

YOLO26 cũng mang đến các nâng cấp chuyên biệt trên nhiều lĩnh vực thị giác máy tính. Model sử dụng hàm loss phân đoạn ngữ nghĩa và proto đa tỷ lệ để cải thiện phân đoạn instance, Residual Log-Likelihood Estimation (RLE) để ước lượng tư thế chính xác hơn, cùng hàm loss góc chuyên biệt để khắc phục vấn đề biên trong hộp giới hạn định hướng (OBB).

YOLOv8: Model đa năng, bền bỉ#

Khi ra mắt vào năm 2023, YOLOv8 thiết lập một chuẩn mới bằng cách chuyển hoàn toàn sang thiết kế không neo, có khả năng tổng quát hóa tốt hơn trên các tỷ lệ khung hình khác nhau của dataset.

  • Module C2f: Model thay module C3 cũ bằng block C2f, cho phép gradient truyền tốt hơn qua backbone của mạng.
  • Head tách rời: YOLOv8 có head tách rời, trong đó phân loại và hồi quy bounding box được tính toán độc lập, giúp cải thiện độ chính xác trung bình (mAP).
  • Tính linh hoạt theo tác vụ: Đây là một trong những model đầu tiên cung cấp API thống nhất cho các tác vụ phát hiện, phân đoạn, phân loại hình ảnh, ước lượng tư thế và sau này là OBB ngay khi cài đặt.

Chỉ số hiệu năng và yêu cầu tài nguyên#

Khi đánh giá model để đưa vào production, sự cân bằng giữa độ chính xác, tốc độ inference và kích thước model là yếu tố then chốt. YOLO26 chính xác hơn YOLOv8 ở mọi kích thước, có ít tham số và FLOPs hơn, đồng thời có độ trễ TensorRT trên T4 thấp hơn từ biến thể s trở lên.

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
YOLOv8n64037.380.41.473.28.7
YOLOv8s64044.9128.42.6611.228.6
YOLOv8m64050.2234.75.8625.978.9
YOLOv8l64052.9375.29.0643.7165.1
YOLOv8x64053.9479.114.3768.2257.8

Lưu ý: Các giá trị được tô sáng cho thấy sự cân bằng hiệu năng và mức cải thiện hiệu quả của kiến trúc YOLO26 so với phiên bản tiền nhiệm.

Phân tích#

YOLO26 inference trên CPU nhanh hơn các model YOLOv8 tương đương ở hầu hết các kích thước. Chẳng hạn, YOLO26n chạy trong 38.9 ms trên CPU với ONNX, so với 80.4 ms của YOLOv8n, đồng thời mAP tăng từ 37.3 lên 40.9. Hiệu quả CPU này phần lớn đến từ việc loại bỏ DFL và sử dụng head không cần NMS, khiến YOLO26 rất phù hợp với môi trường không có GPU chuyên dụng. YOLOv8x là ngoại lệ, chạy trên CPU nhanh hơn YOLO26x (479.1 ms so với 525.8 ms).

Ngoài ra, các model YOLO26 có số lượng tham số và FLOPs thấp hơn trong từng phân khúc kích thước, giúp giảm mức sử dụng bộ nhớ GPU trong quá trình inference và huấn luyện.

Lợi thế của hệ sinh thái Ultralytics#

Một yếu tố quan trọng khi chọn model AI là hạ tầng xung quanh model. Cả YOLO26 và YOLOv8 đều được hưởng lợi từ Ultralytics Platform thống nhất và trải nghiệm phát triển giống nhau.

  1. Dễ sử dụng: Developer có thể tải, huấn luyện và export model chỉ với vài dòng code. Python API vẫn nhất quán giữa các thế hệ model.
  2. Hiệu quả huấn luyện: Các model Ultralytics YOLO thường cần ít bộ nhớ CUDA hơn trong quá trình huấn luyện so với các model Transformer (như RT-DETR). Nhờ đó, có thể sử dụng batch size lớn hơn trên phần cứng phổ thông.
  3. Hệ sinh thái được duy trì tốt: Được hỗ trợ bởi các bản cập nhật liên tục, pipeline CI/CD nghiêm ngặt và khả năng tích hợp sâu với các công cụ như Weights & Biases và TensorRT, repository Ultralytics sẵn sàng cho production.
  4. Tính linh hoạt: Một lệnh import duy nhất hỗ trợ nhiều tác vụ và dataset, đáp ứng các hệ thống phức tạp cần đồng thời tracking, phân loại và phân đoạn.
Nâng cấp đơn giản

Do API Ultralytics được chuẩn hóa cao, việc nâng cấp hệ thống production từ YOLOv8 lên YOLO26 có thể đơn giản chỉ là đổi chuỗi "yolov8n.pt" thành "yolo26n.pt" trong script.

Ứng dụng thực tế#

Việc chọn giữa hai model này thường phụ thuộc vào các ràng buộc triển khai, dù YOLO26 được khuyến nghị cho các dự án mới.

Điện toán biên và mạng IoT#

Đối với môi trường edge—chẳng hạn như triển khai trên Raspberry Pi hoặc cảm biến đặt tại nhà máy—YOLO26 là lựa chọn tốt hơn. Tốc độ CPU và head không cần NMS tùy chọn giúp camera thông minh xử lý video tốc độ khung hình cao cho quản lý bãi đỗ xe mà không gặp nút thắt cổ chai ở bước hậu xử lý.

Ảnh hàng không và ảnh chụp từ độ cao lớn#

Trong giám sát nông nghiệp hoặc kiểm tra hạ tầng bằng drone, khả năng phát hiện đối tượng nhỏ rất quan trọng. Cách triển khai ProgLoss + STAL trong YOLO26 giúp model phát hiện các loài gây hại nhỏ hoặc vết nứt mảnh trên đường ống mà những kiến trúc cũ hơn như YOLOv8 có thể bỏ sót; điều này hữu ích khi huấn luyện trên các dataset ảnh chụp từ trên không như VisDrone.

Hệ thống GPU đời cũ#

YOLOv8 vẫn phù hợp với các hệ thống phụ thuộc chặt chẽ vào đầu ra hồi quy bounding box cụ thể của model hoặc các triển khai doanh nghiệp bị ràng buộc bởi chu kỳ kiểm định kéo dài và không thể dễ dàng chuyển đổi kiến trúc.

Trường hợp sử dụng và khuyến nghị#

Việc lựa chọn giữa YOLO26 và YOLOv8 phụ thuộc vào yêu cầu cụ thể của dự án, các ràng buộc triển khai và ưu tiên về hệ sinh thái.

Khi nào nên chọn YOLO26#

YOLO26 là lựa chọn phù hợp cho:

  • Triển khai trên thiết bị biên không cần NMS: Các ứng dụng cần inference có độ trễ thấp và ổn định mà không phải xử lý hậu kỳ Non-Maximum Suppression phức tạp.
  • Môi trường chỉ có CPU: Các thiết bị không có tăng tốc GPU chuyên dụng, nơi tốc độ inference CPU nhanh hơn tới 43% của YOLO26 (YOLO26n so với YOLO11n) mang lại lợi thế đáng kể.
  • Phát hiện vật thể nhỏ: Các tình huống khó như ảnh chụp từ drone trên không hoặc phân tích cảm biến IoT, trong đó ProgLoss và STAL cải thiện độ chính xác khi phát hiện vật thể nhỏ.

Khi nào nên chọn YOLOv8#

YOLOv8 được khuyến nghị cho:

  • Triển khai đa tác vụ linh hoạt: Các dự án cần một model đã được kiểm chứng để thực hiện phát hiện, phân đoạn, phân loại và ước lượng tư thế trong hệ sinh thái Ultralytics.
  • Hệ thống sản xuất đã thiết lập: Các môi trường sản xuất hiện có được xây dựng trên kiến trúc YOLOv8 với quy trình triển khai ổn định, đã được kiểm thử kỹ lưỡng.
  • Hỗ trợ cộng đồng và hệ sinh thái rộng rãi: Các ứng dụng hưởng lợi từ kho hướng dẫn phong phú, tích hợp bên thứ ba và tài nguyên cộng đồng tích cực của YOLOv8.

Ví dụ code: Bắt đầu#

Đoạn code Python sau minh họa cách huấn luyện model YOLO26 trên dataset COCO8 và chạy inference không cần NMS.

from ultralytics import YOLO

# Tải model YOLO26 Nano có hiệu suất cao
model = YOLO("yolo26n.pt")

# Huấn luyện trên tập dữ liệu COCO8 tiêu chuẩn
# Các siêu tham số và phép tăng cường mặc định được áp dụng tự động
results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    device="0",  # GPU CUDA đầu tiên; dùng device="cpu" để huấn luyện trên CPU
)

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

# Trực quan hóa các kết quả phát hiện
predictions[0].show()

Các model khác cần cân nhắc#

Dù YOLO26 là model Ultralytics được khuyến nghị, developer xây dựng nhiều ứng dụng khác nhau cũng có thể tìm hiểu:

  • YOLO11: Phiên bản tiền nhiệm trực tiếp của YOLO26, cải tiến YOLOv8 và vẫn được sử dụng rộng rãi trong các hệ thống production.
  • RT-DETR: Real-Time DEtection TRansformer của Baidu. Đây là lựa chọn phù hợp cho các nhà nghiên cứu tìm hiểu cơ chế attention trong tác vụ thị giác, dù model cần nhiều bộ nhớ CUDA hơn để huấn luyện so với các model Ultralytics YOLO thông thường.

Để huấn luyện trên cloud, gán nhãn dataset và triển khai tất cả tại một nơi, hãy xem Ultralytics Platform.

Người đóng góp

Bình luận

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