YOLOv10 và YOLOv6-3.0
Trong thị giác máy tính, việc chọn đúng kiến trúc phát hiện vật thể đóng vai trò then chốt để cân bằng tốc độ suy luận, độ chính xác của model và tính khả thi khi triển khai. Hướng dẫn này cung cấp phần so sánh kỹ thuật chuyên sâu giữa hai model: YOLOv10 mang tính học thuật và YOLOv6-3.0 hướng đến công nghiệp. Cả hai đều đưa ra những đổi mới kiến trúc riêng để giải quyết các thách thức khác nhau trong triển khai hệ thống thị giác thời gian thực.
Tổng quan YOLOv10: Phát hiện thời gian thực không cần NMS#
Ra mắt vào tháng 5 năm 2024, YOLOv10 đưa phương pháp huấn luyện không dùng NMS vào dòng YOLO, loại bỏ nhu cầu sử dụng Non-Maximum Suppression (NMS) trong bước hậu xử lý. Thiết kế end-to-end này giảm thiểu các nút thắt độ trễ suy luận, khiến model trở thành lựa chọn hấp dẫn cho AI biên và triển khai trên hệ thống nhúng.
- Tác giả: Ao Wang, Hui Chen, Lihao Liu và cộng sự
- Tổ chức: Đại học Thanh Hoa
- Ngày: 2024-05-23
- arXiv: 2405.14458
- GitHub: THU-MIG/yolov10
- Tài liệu: Tài liệu Ultralytics YOLOv10
Các cải tiến kiến trúc#
YOLOv10 đạt khả năng không dùng NMS nhờ chiến lược gán nhãn kép nhất quán. Trong quá trình huấn luyện, model sử dụng cả phương pháp gán nhãn một-nhiều và một-một để tăng cường tín hiệu giám sát. Khi suy luận, model dùng head một-một (được chọn bằng nms=False trong package Ultralytics), loại bỏ chi phí tính toán liên quan đến việc lọc hộp giới hạn truyền thống. Ngoài ra, YOLOv10 áp dụng thiết kế toàn diện hướng đến hiệu quả, tối ưu các thành phần nội bộ như các lớp mạng nơ-ron tích chập để giảm tính toán dư thừa và tổng số tham số.
Tổng quan YOLOv6-3.0: Cỗ máy công nghiệp#
Được phát triển chuyên biệt cho các ứng dụng công nghiệp, YOLOv6-3.0 ưu tiên thông lượng GPU cao. Model hoạt động tốt nhất trong các môi trường mà xử lý hàng loạt khối lượng lớn trên GPU chuyên dụng cấp máy chủ là tiêu chuẩn.
- Tác giả: Chuyi Li, Lulu Li, Yifei Geng, và cộng sự.
- Tổ chức: Meituan
- Ngày: 2023-01-13
- arXiv: 2301.05586
- GitHub: meituan/YOLOv6
- Tài liệu: Tài liệu Ultralytics YOLOv6
Các cải tiến kiến trúc#
YOLOv6-3.0 tạo nên khác biệt nhờ backbone EfficientRep được tối ưu hóa mạnh, thiết kế để tối đa hóa tốc độ inference trên các bộ tăng tốc phần cứng như GPU NVIDIA. Phiên bản 3.0 giới thiệu module Bi-directional Concatenation (BiC) nhằm cải thiện khả năng hợp nhất đặc trưng đa tỷ lệ. Ngoài ra, model triển khai chiến lược Anchor-Aided Training (AAT), kết hợp khả năng hội tụ nhanh của detector dựa trên anchor với khả năng tổng quát hóa của các phương pháp anchor-free.
So sánh hiệu năng và chỉ số#
Khi phân tích hiệu năng thô, những cải tiến kiến trúc trong YOLOv10 trở nên rõ rệt. YOLOv10 đạt mean Average Precision (mAP) cao hơn trong khi cần ít tham số và FLOPs hơn đáng kể.
| Model | kích thước (pixel) | mAPval50-95 | Tốc độ CPU ONNX (ms) | Tốc độ T4 TensorRT10 (ms) | params (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv10n | 640 | 38.5 | - | 1.84 | 2.3 | 6.7 |
| YOLOv10s | 640 | 46.3 | - | 2.49 | 7.2 | 21.6 |
| YOLOv10m | 640 | 51.1 | - | 4.74 | 15.4 | 59.1 |
| YOLOv10b | 640 | 52.5 | - | 5.74 | 19.1 | 92.0 |
| YOLOv10l | 640 | 53.2 | - | 7.28 | 24.4 | 120.3 |
| YOLOv10x | 640 | 54.4 | - | 10.70 | 29.5 | 160.4 |
| YOLOv6-3.0n | 640 | 37.5 | - | 1.17 | 4.7 | 11.4 |
| YOLOv6-3.0s | 640 | 45.0 | - | 2.66 | 18.5 | 45.3 |
| YOLOv6-3.0m | 640 | 50.0 | - | 5.28 | 34.9 | 85.8 |
| YOLOv6-3.0l | 640 | 52.8 | - | 8.95 | 59.6 | 150.7 |
Dù biến thể Nano của YOLOv6-3.0 vẫn có lợi thế về tốc độ khi chạy thuần bằng TensorRT trên GPU T4, YOLOv10 sử dụng khoảng một nửa số tham số hoặc ít hơn ở mỗi kích cỡ mà vẫn đạt độ chính xác cao hơn, qua đó tạo lợi thế về hiệu năng tổng thể.
Các model Ultralytics YOLO thường cần ít bộ nhớ hơn trong quá trình huấn luyện và inference so với các model transformer phức tạp, nhờ đó dễ mở rộng quy mô và triển khai hơn trên các thiết bị có tài nguyên hạn chế.
Lợi thế của hệ sinh thái Ultralytics#
Sử dụng YOLOv10 thông qua package Ultralytics không chỉ dừng lại ở kiến trúc: package cung cấp một hệ sinh thái được duy trì tích cực, giúp đơn giản hóa toàn bộ vòng đời machine learning. Repository YOLOv6 ban đầu tập trung vào nghiên cứu, còn Ultralytics chỉ hỗ trợ YOLOv6 dưới dạng model phát hiện được định nghĩa bằng YAML, không kèm trọng số pretrained.
- Dễ sử dụng: Ultralytics Python API mang đến trải nghiệm sử dụng tinh gọn, cho phép developer huấn luyện và export model chỉ với vài dòng code.
- Tính đa dụng: Khác với YOLOv6 vốn tập trung vào phát hiện, hệ sinh thái Ultralytics cho phép chạy Instance Segmentation, Image Classification, Pose Estimation và phát hiện Oriented Bounding Box (OBB) thông qua một giao diện thống nhất.
- Hệ sinh thái được duy trì tốt: Cập nhật thường xuyên, cộng đồng hỗ trợ mạnh mẽ và tích hợp với các tiêu chuẩn ngành như OpenVINO và ONNX.
Ví dụ mã: Quy trình huấn luyện nhất quán#
Với package Python của Ultralytics, việc huấn luyện model rất đơn giản. Hệ thống tự động xử lý các phép tăng cường dữ liệu phức tạp và khả năng mở rộng theo thiết bị.
from ultralytics import YOLO
# Nạp model YOLOv10 hiệu quả (chọn head không cần NMS bằng nms=False)
model = YOLO("yolov10n.pt")
# Huấn luyện model bằng pipeline Ultralytics
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0, batch=16)
# Chạy inference phát hiện đối tượng
predictions = model.predict("https://ultralytics.com/images/bus.jpg")
# Xuất sang ONNX để đơn giản hóa triển khai biên
model.export(format="onnx")Trường hợp sử dụng và khuyến nghị#
Việc lựa chọn giữa YOLOv10 và YOLOv6 phụ thuộc vào yêu cầu cụ thể của dự án, các ràng buộc triển khai và lựa chọn hệ sinh thái của bạn.
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 YOLOv6#
YOLOv6 được khuyến nghị cho:
- Triển khai tương thích với phần cứng công nghiệp: Các tình huống mà thiết kế nhận biết phần cứng và tái tham số hóa hiệu quả của model mang lại hiệu năng tối ưu trên phần cứng mục tiêu cụ thể.
- Detection một giai đoạn tốc độ cao: Các ứng dụng ưu tiên tốc độ suy luận GPU thô để xử lý video thời gian thực trong môi trường được kiểm soát.
- Tích hợp hệ sinh thái Meituan: Các nhóm đang làm việc trong ngăn xếp công nghệ và hạ tầng triển khai của Meituan.
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: Thiết bị không có tăng tốc GPU chuyên dụng, nơi YOLO26n chạy trên CPU nhanh hơn YOLO11n tới 43%.
- Phát hiện vật thể nhỏ: Các tình huống khó như ảnh chụp từ drone trên không hoặc phân tích cảm biến IoT, nơi ProgLoss và STAL cải thiện độ chính xác đối với vật thể rất nhỏ.
Model được khuyến nghị: Ultralytics YOLO26#
YOLOv10 đã đưa phương pháp huấn luyện không cần NMS vào các model YOLO, còn YOLOv6-3.0 tối ưu thông lượng GPU; tuy nhiên, lựa chọn được khuyến nghị cho môi trường production là Ultralytics YOLO26.
Ra mắt vào tháng 1 năm 2026, YOLO26 kế thừa các ý tưởng nền tảng từ những thế hệ trước và hoàn thiện chúng thành một họ model thị giác ưu tiên edge.
- Thiết kế đầu cuối không cần NMS: Dựa trên nền tảng của YOLOv10, head không cần NMS tùy chọn của YOLO26 (
nms=False) bỏ qua bước hậu xử lý NMS, đơn giản hóa pipeline triển khai và giúp độ trễ dễ dự đoán hơn. - Loại bỏ DFL: Loại bỏ Distribution Focal Loss (DFL) giúp đơn giản hóa quá trình export và cải thiện khả năng tương thích cũng như tốc độ trên phần cứng IoT công suất thấp.
- Optimizer MuSGD: Lấy cảm hứng từ những cải tiến trong các model ngôn ngữ lớn, YOLO26 sử dụng optimizer MuSGD (kết hợp SGD và Muon) để huấn luyện ổn định hơn và hội tụ nhanh hơn.
- Inference CPU nhanh hơn: Với các tối ưu hóa dành riêng cho thiết bị edge, YOLO26n đạt tốc độ inference CPU nhanh hơn tới 43% so với YOLO11n, trong khi YOLOv6-3.0 được thiết kế chủ yếu để đạt thông lượng GPU cao.
- ProgLoss + STAL: Progressive Loss và phương pháp gán nhãn nhận biết đối tượng nhỏ cải thiện khả năng phát hiện đối tượng nhỏ, giúp YOLO26 phù hợp với ảnh chụp từ trên không và phân tích dữ liệu drone.
Đối với người dùng muốn nâng cấp stack computer vision, quá trình chuyển đổi rất đơn giản. Các model như YOLO11 vẫn được hỗ trợ đầy đủ, nhưng YOLO26 kết hợp với Ultralytics Platform là hướng đi được khuyến nghị cho các dự án mới.
Bình luận
Đặt câu hỏi, chia sẻ kết quả hoặc giúp đỡ người khác.