Ultralytics YOLO27:

So sánh YOLOv10 và PP-YOLOE+#

Trong bối cảnh thị giác máy tính không ngừng phát triển, việc lựa chọn kiến trúc tối ưu cho bài toán phát hiện đối tượng theo thời gian thực là yếu tố then chốt để cân bằng giữa độ chính xác, tốc độ suy luận và hiệu quả triển khai. Hai ứng viên đáng chú ý trong lĩnh vực này là YOLOv10 và PP-YOLOE+. Mặc dù cả hai model đều cung cấp các khả năng mạnh mẽ, chúng được phát triển theo những triết lý thiết kế và tích hợp hệ sinh thái khác nhau.

Hướng dẫn kỹ thuật này cung cấp phân tích chuyên sâu về hai kiến trúc, xem xét các chỉ số hiệu năng, khác biệt về cấu trúc và các ứng dụng thực tế phù hợp. Bằng cách hiểu rõ những điểm tinh tế của từng model, các kỹ sư machine learning và nhà nghiên cứu có thể đưa ra quyết định sáng suốt cho pipeline triển khai của mình.

YOLOv10: Tiên phong trong phát hiện không cần NMS#

Được phát triển bởi các nhà nghiên cứu tại Đại học Thanh Hoa, YOLOv10 đã tạo ra một thay đổi đáng kể về kiến trúc bằng cách loại bỏ nhu cầu sử dụng ức chế không cực đại (NMS) trong quá trình hậu xử lý. Phương pháp end-to-end này giải quyết một nút thắt tồn tại lâu nay trong suy luận theo thời gian thực, giúp việc triển khai nhanh hơn và dễ dự đoán hơn, đặc biệt trên các thiết bị có tài nguyên tính toán hạn chế.

Siêu dữ liệu kỹ thuật#

Ưu điểm và nhược điểm của kiến trúc#

Đặc điểm nổi bật của YOLOv10 là cơ chế gán kép nhất quán cho quá trình huấn luyện không cần NMS, cho phép model dự đoán trực tiếp các bounding box mà không phụ thuộc vào việc đặt ngưỡng theo heuristic. Điều này tạo ra sự cân bằng xuất sắc giữa tốc độ và độ chính xác, đặc biệt ở các biến thể model nhỏ hơn. Kiến trúc này cũng sử dụng thiết kế tổng thể hướng đến hiệu quả và độ chính xác, giảm thiểu tính dư thừa trong tính toán.

Tuy nhiên, vì là model chỉ tập trung nghiêm ngặt vào phát hiện, model này thiếu tính linh hoạt gốc có trong các model hỗ trợ phân đoạn đối tượng hoặc ước tính tư thế ngay khi cài đặt.

Tìm hiểu thêm về YOLOv10

PP-YOLOE+: Sức mạnh của PaddlePaddle#

PP-YOLOE+ là phiên bản nâng cấp của PP-YOLOE gốc, được phát triển bởi nhóm PaddlePaddle của Baidu. Model này xây dựng trên paradigm anchor-free được tối ưu cao và tích hợp các chiến lược huấn luyện nâng cao để mở rộng giới hạn của độ chính xác trung bình (mAP) trên các benchmark tiêu chuẩn.

Siêu dữ liệu kỹ thuật#

Ưu điểm và nhược điểm của kiến trúc#

PP-YOLOE+ sử dụng backbone có khả năng mở rộng và thiết kế neck mạnh mẽ (CSPRepResNet), giúp tăng cường đáng kể khả năng trích xuất đặc trưng. Phương pháp huấn luyện của model phụ thuộc nhiều vào các dataset quy mô lớn như Objects365 để pre-training, góp phần tạo nên độ chính xác ấn tượng, đặc biệt trên các biến thể lớn hơn x và l.

Nhược điểm chính của PP-YOLOE+ là sự phụ thuộc chặt chẽ vào framework PaddlePaddle. Đối với các team quen sử dụng PyTorch hoặc hệ sinh thái Ultralytics thống nhất, việc áp dụng PP-YOLOE+ có thể tạo ra nhiều trở ngại. Ngoài ra, số lượng parameter lớn hơn dẫn đến yêu cầu bộ nhớ cao hơn trong quá trình huấn luyện so với các model Ultralytics YOLO tương đương.

Tìm hiểu thêm về PP-YOLOE+

Benchmark hiệu năng#

Bảng dưới đây trình bày so sánh trực tiếp giữa YOLOv10 và PP-YOLOE+ trên nhiều quy mô khác nhau, làm nổi bật sự đánh đổi giữa hiệu quả parameter, chi phí tính toán (FLOPs) và độ chính xác thuần.

Modelkích thước
(pixel)		mAPval
50-95		Tốc độ
CPU ONNX
(ms)		Tốc độ
T4 TensorRT10
(ms)		tham số
(M)		FLOPs
(B)
YOLOv10n64039.5-1.562.36.7
YOLOv10s64046.7-2.667.221.6
YOLOv10m64051.3-5.4815.459.1
YOLOv10b64052.7-6.5424.492.0
YOLOv10l64053.3-8.3329.5120.3
YOLOv10x64054.4-12.256.9160.4
PP-YOLOE+t64039.9-2.844.8519.15
PP-YOLOE+s64043.7-2.627.9317.36
PP-YOLOE+m64049.8-5.5623.4349.91
PP-YOLOE+l64052.9-8.3652.2110.07
PP-YOLOE+x64054.7-14.398.42206.59

Như có thể thấy, YOLOv10 vượt trội đáng kể so với PP-YOLOE+ về hiệu quả parameter và tốc độ suy luận trên TensorRT, khiến model này trở thành ứng viên mạnh hơn cho môi trường điện toán biên. PP-YOLOE+ nhỉnh hơn một chút về độ chính xác lý thuyết tối đa trên biến thể lớn nhất, dù có số lượng parameter gần gấp đôi.

Các trường hợp sử dụng và khuyến nghị#

Việc lựa chọn giữa YOLOv10 và PP-YOLOE+ 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 YOLOv10#

YOLOv10 là lựa chọn phù hợp cho:

  • Phát hiện thời gian thực không cần NMS: Các ứng dụng hưởng lợi từ khả năng phát hiện đầu cuối mà không cần triệt tiêu cực đại, giúp giảm độ phức tạp khi triển khai.
  • Cân bằng giữa tốc độ và độ chính xác: Các project yêu cầu sự cân bằng tốt giữa tốc độ suy luận và độ chính xác phát hiện trên nhiều quy mô model khác nhau.
  • Ứng dụng có độ trễ nhất quán: Các kịch bản triển khai mà thời gian suy luận có thể dự đoán là yếu tố quan trọng, chẳng hạn như robotics hoặc các hệ thống tự hành.

Khi nào nên chọn PP-YOLOE+#

PP-YOLOE+ được khuyến nghị cho:

  • Tích hợp hệ sinh thái PaddlePaddle: Các tổ chức có hạ tầng hiện có được xây dựng trên framework và bộ công cụ PaddlePaddle của Baidu.
  • Triển khai biên bằng Paddle Lite: Triển khai lên phần cứng có các kernel suy luận được tối ưu cao, dành riêng cho engine suy luận Paddle Lite hoặc Paddle.
  • Phát hiện phía server độ chính xác cao: Các kịch bản ưu tiên độ chính xác phát hiện tối đa trên các server GPU mạnh, nơi sự phụ thuộc vào framework không phải là vấn đề.

Khi nào nên chọn Ultralytics (YOLO26)#

Đối với hầu hết dự án mới, Ultralytics YOLO26 mang đến sự kết hợp tốt nhất giữa hiệu năng và trải nghiệm developer:

  • Triển khai edge không cần NMS: Các ứng dụng yêu cầu suy luận nhất quán, độ trễ thấp mà không có sự phức tạp của bước hậu xử lý triệt tiêu cực đại.
  • Môi trường chỉ sử dụng CPU: Các thiết bị không có tăng tốc GPU chuyên dụng, nơi khả năng suy luận trên CPU nhanh hơn tới 43% của YOLO26 mang lại lợi thế quyết định.
  • Phát hiện đối tượng nhỏ: Các kịch bản đầy thách thức như ảnh chụp từ drone trên không hoặc phân tích cảm biến IoT, trong đó ProgLoss và STAL cải thiện đáng kể độ chính xác trên các đối tượng rất nhỏ.

Lợi thế của Ultralytics và tương lai: YOLO26#

Mặc dù YOLOv10 và PP-YOLOE+ cung cấp những lợi ích chuyên biệt, tiêu chuẩn hiện đại cho thị giác máy tính cấp production được định hình bởi Ultralytics YOLO26 mới nhất. Được phát hành vào tháng 1 năm 2026, YOLO26 tiếp thu những cải tiến kiến trúc tốt nhất—bao gồm thiết kế không cần NMS do YOLOv10 tiên phong—và tích hợp chúng vào một framework đa tác vụ liền mạch.

Tại sao nên chọn YOLO26?

Các model Ultralytics ưu tiên tính dễ sử dụng. Với Python API thống nhất, bạn không cần xử lý các file cấu hình phức tạp. Ngoài ra, các model YOLO nhìn chung yêu cầu footprint bộ nhớ CUDA thấp hơn so với các detector dựa trên Transformer, cho phép huấn luyện nhanh hơn với chi phí hiệu quả hơn.

Các đổi mới chính trong YOLO26#

  • Thiết kế end-to-end không cần NMS: Bằng cách loại bỏ độ trễ hậu xử lý, YOLO26 đảm bảo quá trình suy luận ổn định với tốc độ cao, yếu tố thiết yếu đối với phương tiện tự hành và robot hoạt động nhanh.
  • Tối ưu hóa ưu tiên edge: Việc loại bỏ Distribution Focal Loss (DFL) giúp đơn giản hóa các định dạng export của model và mang lại tốc độ suy luận CPU nhanh hơn tới 43% so với các thế hệ trước.
  • Động lực học huấn luyện nâng cao: Tận dụng bộ tối ưu hóa MuSGD mới—một phương pháp kết hợp giữa SGD và Muon—YOLO26 mang lại độ ổn định trong huấn luyện LLM cho các tác vụ thị giác, hội tụ nhanh hơn và đáng tin cậy hơn.
  • Tăng cường độ chính xác với ProgLoss + STAL: Các hàm loss nâng cao này tập trung cụ thể vào những tình huống phức tạp, mang lại cải thiện đáng kể trong phát hiện đối tượng nhỏ, yếu tố quan trọng đối với ảnh chụp từ trên không và nông nghiệp.

Tính linh hoạt vượt trội#

Khác với PP-YOLOE+, vốn tập trung vào phát hiện, YOLO26 hỗ trợ phân loại ảnh, bounding box định hướng (OBB), ước tính tư thế và phân đoạn từ một codebase thống nhất duy nhất. Bạn có thể dễ dàng quản lý dataset, huấn luyện và triển khai model trực tiếp thông qua Ultralytics Platform.

from ultralytics import YOLO

# Initialize the state-of-the-art YOLO26 nano model
model = YOLO("yolo26n.pt")

# Train smoothly with the powerful Ultralytics engine
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Export to TensorRT for blazing fast deployment
model.export(format="engine", quantize=16)

Ứng dụng thực tế#

Việc lựa chọn model phù hợp phụ thuộc nhiều vào các ràng buộc triển khai:

  • PP-YOLOE+ nổi bật trong các triển khai công nghiệp cụ thể tại châu Á, nơi stack phần cứng-phần mềm của Baidu đã được thiết lập sẵn. Model này xử lý tốt kiểm tra chất lượng trong sản xuất tĩnh với độ phân giải cao.
  • YOLOv10 là lựa chọn tối ưu cho quản lý đám đông dày đặc và các môi trường mà việc loại bỏ NMS làm giảm biến thiên độ trễ, giúp quá trình tracking theo thời gian thực nhất quán hơn.
  • Ultralytics YOLO26 vẫn là lựa chọn hàng đầu cho việc mở rộng trên toàn doanh nghiệp. Dù phân tích giao thông trong thành phố thông minh hay triển khai trên các node edge tiêu thụ điện cực thấp như Raspberry Pi, footprint bộ nhớ tối thiểu, tài liệu toàn diện và pipeline huấn luyện thống nhất của model đảm bảo ROI nhanh chóng.

Nếu quan tâm đến việc khám phá các kiến trúc cũ hơn được hỗ trợ hoặc các lựa chọn thay thế dựa trên Transformer trong hệ sinh thái, hãy xem tài liệu về YOLO11 hoặc RT-DETR.

Cuối cùng, một hệ sinh thái được duy trì tốt kết hợp với API đơn giản đảm bảo các developer dành ít thời gian hơn để debug file cấu hình và nhiều thời gian hơn để giải quyết các vấn đề AI thị giác trong thực tế.

Những người đóng góp
GLglenn-jocher18PDpderrenger2

Bình luận