YOLOv10 vs YOLOv5: So sánh kỹ thuật toàn diện
Việc lựa chọn kiến trúc mạng thần kinh phù hợp là rất quan trọng để triển khai thành công các quy trình computer vision trong môi trường production. Trang này cung cấp phân tích kỹ thuật chuyên sâu so sánh YOLOv10 và YOLOv5, hai mô hình có ảnh hưởng lớn trong sự phát triển của công nghệ phát hiện đối tượng thời gian thực. Mặc dù cả hai mô hình đều tạo ra tác động đáng kể đến cộng đồng AI, chúng đại diện cho các thời kỳ và triết lý khác nhau trong thiết kế kiến trúc học sâu.
Hướng dẫn này đánh giá các kiến trúc dựa trên mean Average Precision (mAP), độ trễ suy luận, hiệu quả tham số và hỗ trợ hệ sinh thái, giúp bạn chọn mô hình tốt nhất cho nhu cầu triển khai của mình.
Tổng quan về các model
YOLOv10: Phát hiện đối tượng end-to-end theo thời gian thực
Được phát triển bởi các nhà nghiên cứu tại Đại học Thanh Hoa, YOLOv10 đã giới thiệu một phương pháp tiếp cận mới để phát hiện đối tượng bằng cách loại bỏ nhu cầu xử lý hậu kỳ.
- Tác giả: Ao Wang, Hui Chen, Lihao Liu, và cộng sự.
- Tổ chức: Đại học Thanh Hoa
- Ngày: 2024-05-23
- Bài báo nghiên cứu: arXiv:2405.14458
- Mã nguồn: Kho lưu trữ GitHub YOLOv10
Đột phá mang tính quyết định của YOLOv10 là Thiết kế không NMS đầu-cuối (End-to-End NMS-Free Design). Trong lịch sử, các mô hình YOLO dựa vào Non-Maximum Suppression (NMS) để lọc các hộp bao thừa. YOLOv10 sử dụng phép gán kép nhất quán cho việc huấn luyện không cần NMS, giúp giảm đáng kể sự biến thiên độ trễ suy luận và đơn giản hóa logic triển khai. Ngoài ra, kiến trúc này còn có thiết kế tập trung vào hiệu quả và độ chính xác, tối ưu hóa triệt để các thành phần khác nhau để giảm dư thừa tính toán.
YOLOv5: Tiêu chuẩn công nghiệp về khả năng sử dụng
Được phát hành ngay sau khi kho lưu trữ PyTorch của Ultralytics ra đời, YOLOv5 đã định nghĩa lại những gì các nhà phát triển mong đợi từ một framework AI thị giác mã nguồn mở. Nó vẫn là một trong những kiến trúc được triển khai rộng rãi nhất trên toàn cầu.
- Tác giả: Glenn Jocher
- Tổ chức: Ultralytics
- Ngày: 2020-06-26
- Mã nguồn: Kho lưu trữ GitHub YOLOv5
YOLOv5 được ca ngợi vì Khả năng sử dụng dễ dàng và Hệ sinh thái được duy trì rất tốt. Được viết hoàn toàn bằng PyTorch, nó mang lại trải nghiệm "từ con số không đến chuyên gia" liền mạch với khả năng hỗ trợ sẵn cho việc huấn luyện, xác thực và xuất sang các định dạng như ONNX và TensorRT. Khác với YOLOv10 tập trung chủ yếu vào phát hiện đối tượng thuần túy, YOLOv5 thể hiện sự Đa năng vượt trội, hỗ trợ instance segmentation và image classification trong cùng một Python API thống nhất.
So sánh hiệu suất và các chỉ số
Việc hình dung mối quan hệ giữa tốc độ và độ chính xác là rất cần thiết để xác định các mô hình mang lại độ chính xác tốt nhất cho một ràng buộc tốc độ nhất định. Hiểu được các chỉ số hiệu suất này là nền tảng để lựa chọn mô hình phù hợp với các hạn chế phần cứng cụ thể của bạn.
| Model | kích thước (pixels) | mAPval 50-95 | Tốc độ CPU ONNX (ms) | Tốc độ T4 TensorRT10 (ms) | tham số (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv10n | 640 | 39.5 | - | 1.56 | 2.3 | 6.7 |
| YOLOv10s | 640 | 46.7 | - | 2.66 | 7.2 | 21.6 |
| YOLOv10m | 640 | 51.3 | - | 5.48 | 15.4 | 59.1 |
| YOLOv10b | 640 | 52.7 | - | 6.54 | 24.4 | 92.0 |
| YOLOv10l | 640 | 53.3 | - | 8.33 | 29.5 | 120.3 |
| YOLOv10x | 640 | 54.4 | - | 12.2 | 56.9 | 160.4 |
| YOLOv5n | 640 | 28.0 | 73.6 | 1.12 | 2.6 | 7.7 |
| YOLOv5s | 640 | 37.4 | 120.7 | 1.92 | 9.1 | 24.0 |
| YOLOv5m | 640 | 45.4 | 233.9 | 4.03 | 25.1 | 64.2 |
| YOLOv5l | 640 | 49.0 | 408.4 | 6.61 | 53.2 | 135.0 |
| YOLOv5x | 640 | 50.7 | 763.2 | 11.89 | 97.2 | 246.4 |
Phân tích kỹ thuật
- Độ chính xác (mAP): YOLOv10 thể hiện lợi thế thế hệ rõ ràng về độ chính xác. Ví dụ, mô hình YOLOv10-X đạt 54.4% mAPval, vượt qua YOLOv5x (50.7% mAP). Bước nhảy vọt này phần lớn là nhờ chiến lược huấn luyện không NMS và các cải tiến kiến trúc được giới thiệu vào năm 2024.
- Độ trễ suy luận: Trong khi các mô hình YOLOv5 cực kỳ nhanh trên các benchmark thô T4 TensorRT (ví dụ: YOLOv5n ở mức 1.12ms), YOLOv10 đã loại bỏ hoàn toàn bước hậu xử lý NMS. Trong các triển khai thực tế đầu-cuối, thiết kế không NMS của YOLOv10 cung cấp độ trễ ổn định và có tính quyết định hơn, điều này rất quan trọng cho các ứng dụng thời gian thực như xe tự lái và robot.
- Hiệu quả tham số: Các mô hình YOLOv10 duy trì sự Cân bằng hiệu suất rất cạnh tranh. YOLOv10-S đạt 46.7% mAP chỉ với 7.2M tham số, trong khi YOLOv5s đạt 37.4% mAP với 9.1M tham số.
Khi triển khai trên các thiết bị edge AI như NVIDIA Jetson, các mô hình không có logic NMS (như YOLOv10 và YOLO26) thường biên dịch sang TensorRT gọn gàng hơn, tránh các thao tác dự phòng lên CPU.
Các trường hợp sử dụng và khuyến nghị
Việc lựa chọn giữa YOLOv10 và YOLOv5 phụ thuộc vào các yêu cầu cụ thể của dự án, các ràng buộc triển khai và sở thích về hệ sinh thái của bạn.
Khi nào nên chọn YOLOv10
YOLOv10 là lựa chọn mạnh mẽ cho:
- Nhận diện thời gian thực không cần NMS: Các ứng dụng hưởng lợi từ việc nhận diện end-to-end mà không cần Non-Maximum Suppression, giảm bớt độ phức tạp khi triển khai.
- Cân bằng giữa tốc độ và độ chính xác: Các dự án yêu cầu sự cân bằng tốt giữa tốc độ suy luận và độ chính xác nhận diện trên nhiều quy mô mô hình khác nhau.
- Ứng dụng yêu cầu độ trễ nhất quán: Các kịch bản triển khai nơi thời gian suy luận có thể dự đoán được là rất quan trọng, chẳng hạn như robotics hoặc các hệ thống tự hành.
Khi nào nên chọn YOLOv5
YOLOv5 được khuyến nghị cho:
- Các hệ thống sản xuất đã được kiểm chứng: Các triển khai hiện có nơi mà hồ sơ ổn định lâu dài, tài liệu phong phú và sự hỗ trợ lớn từ cộng đồng của YOLOv5 được đánh giá cao.
- Huấn luyện trong môi trường hạn chế tài nguyên: Các môi trường có tài nguyên GPU hạn chế, nơi quy trình huấn luyện hiệu quả và yêu cầu bộ nhớ thấp hơn của YOLOv5 mang lại nhiều lợi thế.
- Hỗ trợ định dạng xuất rộng rãi: Các dự án yêu cầu triển khai trên nhiều định dạng bao gồm ONNX, TensorRT, CoreML, và TFLite.
Khi nào nên chọn Ultralytics (YOLO26)
Đối với hầu hết các dự án mới, Ultralytics YOLO26 cung cấp sự kết hợp tốt nhất giữa hiệu suất và trải nghiệm nhà phát triển:
- Triển khai Edge không cần NMS: Các ứng dụng yêu cầu suy luận ổn định, độ trễ thấp mà không cần sự phức tạp của việc hậu xử lý Non-Maximum Suppression.
- Môi trường chỉ sử dụng CPU: Các thiết bị không có GPU tăng tốc chuyên dụng, nơi tốc độ suy luận trên CPU nhanh hơn tới 43% của YOLO26 mang lại lợi thế quyết định.
- Nhận diện đối tượng nhỏ: Các kịch bản thách thức như ảnh drone trên không hoặc phân tích cảm biến IoT nơi ProgLoss và STAL tăng cường đáng kể độ chính xác trên các đối tượng cực nhỏ.
Ưu thế của Ultralytics
Mặc dù YOLOv10 cung cấp khả năng phát hiện tuyệt vời, việc dựa vào các kho lưu trữ mang tính học thuật đôi khi có thể làm phức tạp các quy trình sản xuất. Bằng cách sử dụng gói Python Ultralytics chính thức, bạn có quyền truy cập vào một hệ sinh thái thống nhất hỗ trợ cả YOLOv5 và YOLOv10, cùng với các tính năng nâng cao.
- Hiệu quả huấn luyện: Các kiến trúc YOLO của Ultralytics được tối ưu hóa sâu sắc cho yêu cầu bộ nhớ thấp hơn trong quá trình huấn luyện. Không giống như các mô hình Transformer nặng nề (như RT-DETR) đòi hỏi bộ nhớ CUDA khổng lồ, bạn có thể thoải mái huấn luyện YOLOv5 và YOLOv10 trên các GPU tiêu dùng thông thường.
- Tích hợp hệ sinh thái: Việc tích hợp với Ultralytics Platform cho phép các nhà phát triển quản lý dữ liệu một cách trực quan, theo dõi các thí nghiệm bằng Weights & Biases và tự động tinh chỉnh siêu tham số.
Ví dụ mã: Huấn luyện liền mạch
Sử dụng thư viện Ultralytics, việc chuyển đổi giữa các kiến trúc này đơn giản như việc thay đổi chuỗi mô hình. Quy trình huấn luyện tự động xử lý tăng cường dữ liệu, điều chỉnh tỷ lệ và cấu hình trình tối ưu hóa.
from ultralytics import YOLO
# To use YOLOv5:
# model = YOLO("yolov5s.pt")
# To use YOLOv10:
model = YOLO("yolov10s.pt")
# Train the model on a custom dataset
results = model.train(
data="coco8.yaml",
epochs=100,
imgsz=640,
batch=16,
device=0, # Use GPU 0
)
# Export the trained model to ONNX format
path = model.export(format="onnx")Thế hệ tiếp theo: Ultralytics YOLO26
Nếu bạn đang bắt đầu một dự án machine learning mới ngay hôm nay, chúng tôi đặc biệt khuyến nghị bạn nên đánh giá Ultralytics YOLO26 mới nhất. Được phát hành vào tháng 1 năm 2026, nó đại diện cho công nghệ tiên tiến nhất bằng cách kết hợp những cải tiến tốt nhất trong năm năm qua.
YOLO26 kết hợp nguyên bản Thiết kế không NMS đầu-cuối được tiên phong bởi YOLOv10, đảm bảo việc triển khai nhanh chóng và mang tính quyết định. Hơn nữa, YOLO26 giới thiệu một số đột phá quan trọng:
- Tốc độ suy luận CPU nhanh hơn tới 43%: Bằng cách loại bỏ mô-đun Distribution Focal Loss (DFL), YOLO26 đạt được tốc độ tăng đáng kể trên các CPU tiêu chuẩn, biến nó thành lựa chọn hàng đầu cho triển khai di động và các cảm biến IoT công suất thấp.
- Trình tối ưu hóa MuSGD: Lấy cảm hứng từ các kỹ thuật huấn luyện Large Language Model (LLM) như Kimi K2 của Moonshot AI, YOLO26 sử dụng sự kết hợp giữa SGD và Muon. Điều này đảm bảo các đợt huấn luyện cực kỳ ổn định và khả năng hội tụ được tăng tốc vượt bậc so với các trình tối ưu hóa AdamW được sử dụng trong YOLOv10.
- ProgLoss + STAL: Các hàm mất mát nâng cao này mang lại những cải tiến đáng chú ý trong việc nhận diện các đối tượng nhỏ, điều này rất quan trọng đối với ảnh drone và các ứng dụng an ninh hàng không.
- Chuyên môn hóa theo tác vụ: Trong khi YOLOv10 hoàn toàn là một trình phát hiện hộp bao, YOLO26 cung cấp các cải tiến kiến trúc chuyên dụng cho tất cả các tác vụ, bao gồm Residual Log-Likelihood Estimation (RLE) cho Pose và các hàm mất mát góc chuyên biệt cho Oriented Bounding Boxes (OBB).
Nếu bạn đang khám phá bối cảnh rộng lớn hơn của việc phát hiện đối tượng, bạn cũng có thể quan tâm đến việc so sánh các kiến trúc này với các framework khác. Hãy xem các bài phân tích sâu của chúng tôi về YOLO11 vs EfficientDet hoặc RT-DETR vs YOLOv8 để biết thêm về benchmark toàn diện.
Cho dù bạn dựa vào di sản mạnh mẽ của YOLOv5, sự đổi mới không NMS của YOLOv10, hay hiệu suất tiên tiến chưa từng có của YOLO26, hệ sinh thái Ultralytics đều cung cấp các công cụ cần thiết để đưa các ứng dụng AI thị giác của bạn vào thực tế một cách nhanh chóng và hiệu quả.