Ultralytics YOLO27:
Get Started

YOLOv10 và PP-YOLOE+#

Trong bối cảnh thị giác máy tính phát triển nhanh chóng, việc chọn kiến trúc tối ưu cho detection vật thể thời gian thực là yếu tố then chốt để cân bằng độ chính xác, tốc độ inference và hiệu quả triển khai. Hai ứng viên đáng chú ý trong lĩnh vực này là YOLOv10 và PP-YOLOE+. Cả hai model đều có năng lực mạnh mẽ, nhưng xuất phát từ những triết lý thiết kế và phương thức tích hợp hệ sinh thái khác nhau.

Hướng dẫn kỹ thuật này phân tích chuyên sâu hai kiến trúc, khám phá các chỉ số hiệu năng, khác biệt cấu trúc và ứng dụng thực tế phù hợp. Hiểu rõ điểm khác biệt của từng model giúp các kỹ sư machine learning và nhà nghiên cứu đưa ra quyết định sáng suốt cho pipeline triển khai.

YOLOv10: Tiên phong trong detection không cần NMS#

Được phát triển bởi các nhà nghiên cứu tại Đại học Thanh Hoa, YOLOv10 tạo ra bước chuyển lớn về kiến trúc khi loại bỏ nhu cầu sử dụng Non-Maximum Suppression (NMS) trong quá trình hậu xử lý. Phương pháp end-to-end này giải quyết nút thắt tồn tại lâu nay trong inference thời gian thực, giúp triển khai nhanh hơn và dễ dự đoán hơn, đặc biệt trên thiết bị có tài nguyên tính toán hạn chế.

Siêu dữ liệu kỹ thuật#

Ưu điểm và nhược điểm của kiến trúc#

Điểm nổi bật của YOLOv10 là cơ chế gán kép nhất quán cho training không cần NMS, cho phép model dự đoán trực tiếp bounding box mà không phụ thuộc vào ngưỡng heuristic. Điều này tạo nên sự cân bằng vượt trội giữa tốc độ và độ chính xác, đặc biệt ở các biến thể model nhỏ hơn. Kiến trúc này cũng sử dụng thiết kế toàn diện hướng đến hiệu quả và độ chính xác, giảm thiểu tính toán dư thừa.

Tuy nhiên, vì chỉ tập trung vào detection, model thiếu tính linh hoạt vốn có ở các model hỗ trợ phân đoạn instance hoặc ước lượng pose ngay khi cài đặt.

Tìm hiểu thêm về YOLOv10

PP-YOLOE+: Sức mạnh PaddlePaddle#

PP-YOLOE+ là phiên bản nâng cấp của PP-YOLOE ban đầu, được phát triển bởi nhóm PaddlePaddle của Baidu. Model xây dựng trên phương pháp anchor-free được tối ưu cao và tích hợp các chiến lược training tiên tiến nhằm nâng cao 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 CSPRepResNet có khả năng mở rộng và thiết kế neck mạnh mẽ giúp tăng đáng kể hiệu quả trích xuất đặc trưng. Phương pháp training phụ thuộc nhiều vào các bộ dữ liệu quy mô lớn như Objects365 để pre-training, góp phần tạo nên độ chính xác ấn tượng, đặc biệt ở các biến thể x và l lớn hơn.

Nhược điểm chính của PP-YOLOE+ là phụ thuộc sâu vào framework PaddlePaddle. Với các nhóm quen dùng PyTorch hoặc hệ sinh thái Ultralytics thống nhất, việc áp dụng PP-YOLOE+ có thể gây trở ngại. Ngoài ra, số lượng tham số lớn hơn khiến model cần nhiều memory hơn trong quá trình training so với các model Ultralytics YOLO tương đương.

Tìm hiểu thêm về PP-YOLOE+

Đánh giá hiệu năng#

Bảng sau đây so sánh trực tiếp YOLOv10 và PP-YOLOE+ ở nhiều quy mô khác nhau, làm rõ sự đánh đổi giữa hiệu quả tham số, chi phí tính toán (FLOPs) và độ chính xác thực tế.

Modelkích thước
(pixel)		mAPval
50-95		Tốc độ
CPU ONNX
(ms)		Tốc độ
T4 TensorRT10
(ms)		params
(M)		FLOPs
(B)
YOLOv10n64038.5-1.842.36.7
YOLOv10s64046.3-2.497.221.6
YOLOv10m64051.1-4.7415.459.1
YOLOv10b64052.5-5.7419.192.0
YOLOv10l64053.2-7.2824.4120.3
YOLOv10x64054.4-10.7029.5160.4
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 tham số và tốc độ inference trên TensorRT, nhờ đó trở thành ứng viên phù hợp hơn cho môi trường điện toán biên. PP-YOLOE+ nhỉnh hơn đôi chút về độ chính xác lý thuyết tối đa ở biến thể lớn nhất, nhưng cần số tham số nhiều hơn ba lần.

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 hệ sinh thái bạn ưu tiên.

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 end-to-end không cần Non-Maximum Suppression, giúp giảm độ phức tạp khi triển khai.
  • Cân bằng giữa tốc độ và độ chính xác: Các dự án cần sự cân bằng tốt giữa tốc độ inference và độ chính xác phát hiện trên nhiều quy mô model.
  • Ứng dụng cần độ trễ ổn định: Các tình huống triển khai yêu cầu thời gian inference có thể dự đoán, chẳng hạn như robotics hoặc hệ thống tự hành.

Khi nào nên chọn PP-YOLOE+#

PP-YOLOE+ được khuyến nghị trong các trường hợp:

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

Khi nào nên chọn Ultralytics (YOLO26)#

Với hầu hết dự án mới, Ultralytics YOLO26 mang đến sự kết hợp tốt nhất giữa hiệu năng và trải nghiệm dành cho nhà phát triển:

  • 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 GPU tăng tốc chuyên dụng, nơi tốc độ CPU inference nhanh hơn đến 43% của YOLO26 mang lại lợi thế rõ rệt.
  • 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 đáng kể độ chính xác khi phát hiện vật thể rất nhỏ.

Lợi thế của Ultralytics và tương lai: YOLO26#

Mặc dù YOLOv10 và PP-YOLOE+ có những ưu điểm chuyên biệt, tiêu chuẩn hiện đại cho thị giác máy tính cấp production được định hình bởi Ultralytics YOLO26 mới nhất. Ra mắt vào tháng 1 năm 2026, YOLO26 tiếp thu những đổi mới 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.

Vì 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 thường cần ít CUDA memory hơn các model detection dựa trên Transformer, cho phép training nhanh hơn và tiết kiệm chi phí hơn.

Các cải tiến chính trong YOLO26#

  • Thiết kế end-to-end không cần NMS: Với head một-một tùy chọn (nms=False) loại bỏ độ trễ hậu xử lý NMS, YOLO26 mang lại inference ổn định, tốc độ cao, rất cần thiết cho xe tự hành và robot tốc độ cao.
  • Tối ưu hóa ưu tiên thiết bị biên: Việc loại bỏ Distribution Focal Loss (DFL) đơn giản hóa các định dạng export model và tăng tốc inference CPU lên tới 43% so với các thế hệ trước.
  • Động lực training tiên tiến: Tận dụng Optimizer MuSGD mới—kết hợp giữa SGD và Muon—YOLO26 đưa độ ổn định trong training LLM vào các tác vụ thị giác, giúp hội tụ nhanh hơn và đáng tin cậy hơn.
  • Cải thiện độ chính xác với ProgLoss + STAL: Các hàm loss tiên tiến này nhắm đến những tình huống phức tạp, mang lại cải thiện vượt trội trong detection vật thể nhỏ, yếu tố thiết yếu đối với ảnh chụp từ trên không và nông nghiệp.

Tính linh hoạt vượt trội#

Khác với PP-YOLOE+ vốn tập trung vào detection, YOLO26 hỗ trợ phân loại ảnh, bounding box định hướng (OBB), ước lượng pose và phân đoạn từ một codebase thống nhất. Bạn có thể dễ dàng quản lý bộ dữ liệu, training và triển khai model trực tiếp qua Ultralytics Platform.

from ultralytics import YOLO

# Khởi tạo model nano YOLO26 hiện đại nhất
model = YOLO("yolo26n.pt")

# Training dễ dàng với engine Ultralytics mạnh mẽ
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Export sang TensorRT để triển khai với tốc độ vượt trội
model.export(format="engine", quantize=16)

Ứng dụng thực tế#

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

  • PP-YOLOE+ phù hợp với một số triển khai công nghiệp tại châu Á, nơi stack phần cứng-phần mềm của Baidu đã được thiết lập. Model xử lý tốt kiểm tra chất lượng trong sản xuất tĩnh, độ phân giải cao.
  • YOLOv10 tối ưu cho quản lý đám đông dày đặc và các môi trường mà việc loại bỏ NMS giúp giảm biến động độ trễ, nhờ đó tracking thời gian thực ổn định hơn.
  • Ultralytics YOLO26 vẫn là lựa chọn hàng đầu để mở rộng quy mô trên toàn doanh nghiệp. Dù phân tích giao thông tại thành phố thông minh hay triển khai trên các node biên công suất cực thấp như Raspberry Pi, footprint memory nhỏ, tài liệu toàn diện và pipeline training thống nhất của model giúp nhanh chóng đạt ROI.

Nếu muốn khám phá các kiến trúc cũ hơn vẫn được hỗ trợ hoặc các lựa chọn Transformer trong hệ sinh thái, hãy xem tài liệu về YOLO11 hoặc RT-DETR.

Cuối cùng, hệ sinh thái được duy trì tốt kết hợp với API đơn giản giúp developer dành ít thời gian hơn để gỡ lỗi file cấu hình và có thêm thời gian giải quyết các vấn đề AI thị giác trong thực tế.

Người đóng góp
GLglenn-jocher19PDpderrenger2

Bình luận