So sánh YOLOv10 và YOLOv7#

Sự phát triển nhanh chóng của thị trường thị giác máy tính trong vài năm qua đã mang lại các kiến trúc ngày càng hiệu quả cho các ứng dụng thời gian thực. Việc so sánh YOLOv10 và YOLOv7 làm nổi bật một giai đoạn chuyển đổi quan trọng trong quá trình tiến hóa này. Trong khi YOLOv7 giới thiệu các chiến lược huấn luyện và co giãn kiến trúc cực kỳ hiệu quả, YOLOv10 đã cách mạng hóa quá trình triển khai bằng cách loại bỏ sự phụ thuộc lâu năm vào NMS.

Cả hai mô hình đều đẩy giới hạn của phát hiện đối tượng tại thời điểm ra mắt tương ứng của chúng, tuy nhiên hệ sinh thái Ultralytics hiện đại và sự xuất hiện của các mô hình thế hệ mới như YOLO26 mang lại các quy trình làm việc vượt trội hơn hẳn cho các kỹ sư AI ngày nay.

Thông tin và Nguồn gốc Mô hình#

Việc hiểu rõ nguồn gốc của các mô hình này cung cấp bối cảnh giá trị liên quan đến các lựa chọn thiết kế kiến trúc và nghiên cứu học thuật đằng sau chúng.

Chi tiết về YOLOv10#

• Tác giả: Ao Wang, Hui Chen, Lihao Liu, et al.
• Tổ chức: Tsinghua University
• Ngày: 23-05-2024
• Arxiv: YOLOv10: Real-Time End-to-End Object Detection
• GitHub: THU-MIG/yolov10
• Tài liệu: Ultralytics YOLOv10 Documentation

Tìm hiểu thêm về YOLOv10

Chi tiết về YOLOv7#

• Tác giả: Chien-Yao Wang, Alexey Bochkovskiy và Hong-Yuan Mark Liao
• Tổ chức: Institute of Information Science, Academia Sinica, Taiwan
• Ngày: 2022-07-06
• Arxiv: YOLOv7: Trainable bag-of-freebies sets new state-of-the-art
• GitHub: WongKinYiu/yolov7
• Tài liệu: Ultralytics YOLOv7 Documentation

Tìm hiểu thêm về YOLOv7

Cải tiến kiến trúc#

Phương pháp tiếp cận của YOLOv7#

Ra mắt năm 2022, YOLOv7 tập trung mạnh mẽ vào việc tối ưu hóa các đường dẫn gradient. Nó giới thiệu mạng Extended Efficient Layer Aggregation Network (E-ELAN), cho phép mô hình học các đặc trưng đa dạng hơn mà không phá vỡ đường dẫn gradient gốc. Hơn nữa, các tác giả đã triển khai phương pháp "trainable bag-of-freebies", sử dụng các kỹ thuật tái tham số hóa trong quá trình huấn luyện có thể được hợp nhất trong giai đoạn suy luận để duy trì tốc độ thực thi nhanh. Mặc dù có những tối ưu hóa ấn tượng này, YOLOv7 vẫn phụ thuộc nhiều vào NMS cho hậu xử lý, tạo ra độ trễ biến đổi trong quá trình phân tích cảnh dày đặc.

Bước đột phá của YOLOv10#

YOLOv10 đã giải quyết trực tiếp điểm nghẽn NMS. Bằng cách giới thiệu việc gán kép nhất quán trong quá trình huấn luyện, nhóm nghiên cứu từ Tsinghua University đã cho phép phát hiện đầu cuối không cần NMS. Phương pháp hai nhánh này sử dụng một nhánh với việc gán một-nhiều cho các tín hiệu giám sát phong phú trong quá trình huấn luyện, và một nhánh khác với việc gán một-một cho suy luận không cần NMS. Sự thay đổi kiến trúc này đảm bảo độ trễ suy luận cực thấp và nhất quán, phù hợp cho phân tích video tốc độ cao. Hơn nữa, YOLOv10 áp dụng thiết kế mô hình hướng đến hiệu quả và độ chính xác toàn diện, loại bỏ sự dư thừa tính toán được tìm thấy ở các thế hệ trước.

So sánh hiệu năng#

Khi so sánh các chỉ số thô trên MS COCO dataset, khoảng cách thế hệ trở nên rõ ràng. YOLOv10 đạt được sự đánh đổi thuận lợi hơn rất nhiều giữa các tham số, yêu cầu tính toán và độ chính xác.

Như đã thấy ở trên, YOLOv10x mang lại mAP vượt trội là 54.4% so với 53.1% của YOLOv7x, đồng thời sử dụng ít hơn khoảng 20% tham số. Hơn nữa, các mô hình YOLOv10 hạng nhẹ (Nano và Small) cung cấp tốc độ triển khai TensorRT đặc biệt, khiến chúng trở nên rất hấp dẫn đối với việc triển khai trên thiết bị di động.

Lợi thế từ hệ sinh thái Ultralytics#

Mặc dù việc nghiên cứu các bài báo kiến trúc rất sâu sắc, sự phát triển thị giác máy tính hiện đại dựa trên các framework mạnh mẽ và được bảo trì tốt. Việc lựa chọn một mô hình được hỗ trợ bởi Ultralytics mang lại lợi thế to lớn cho các nhà phát triển muốn chuyển đổi nhanh chóng từ nguyên mẫu sang sản xuất.

Phát triển tinh gọn#

Cả YOLOv10 và YOLOv7 đều có thể được truy cập thông qua gói Python Ultralytics tiêu chuẩn. Điều này mang lại Tính dễ sử dụng vượt trội, thay thế hàng ngàn dòng mã boilerplate bằng một API đơn giản và trực quan. Hơn nữa, các mô hình Ultralytics YOLO yêu cầu bộ nhớ CUDA thấp hơn đáng kể trong quá trình huấn luyện so với các kiến trúc Transformer nặng nề, cho phép sử dụng kích thước batch lớn hơn trên phần cứng tiêu dùng.

Sự linh hoạt vô song#

Trong khi các kho lưu trữ cũ thường tập trung hoàn toàn vào việc phát hiện hộp giới hạn, khung làm việc Ultralytics tích hợp hỗ trợ liền mạch một loạt các tác vụ khổng lồ. Cho dù bạn đang thực hiện Instance Segmentation, Pose Estimation, hay Oriented Bounding Box (OBB), quy trình làm việc vẫn giữ nguyên không đổi.

Ví dụ mã: Quy trình huấn luyện nhất quán#

Đoạn mã sau minh họa quá trình huấn luyện liền mạch, tự động xử lý tăng cường dữ liệu và lên lịch tốc độ học:

from ultralytics import YOLO

# Load the desired model (YOLOv10, YOLOv7, or the recommended YOLO26)
model = YOLO("yolo26n.pt")

# Train the model effortlessly on your dataset
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, batch=16, device=0)

# Export to ONNX format for rapid deployment
model.export(format="onnx")

Các trường hợp sử dụng và Khuyến nghị#

Việc lựa chọn giữa YOLOv10 và YOLOv7 phụ thuộc vào yêu cầu cụ thể của dự án, các ràng buộc triển khai và sở thích hệ sinh thái của bạn.

Khi nào nên chọn YOLOv10#

YOLOv10 là một lựa chọn mạnh mẽ cho:

• Phát hiện thời gian thực không cần NMS: Các ứng dụng hưởng lợi từ việc phát hiện đầu cuối (end-to-end) mà không cần NMS, giúp giảm độ phức tạp khi triển khai.
• Sự cân bằng giữa tốc độ và độ chính xác: Các dự án yêu cầu sự cân bằng mạnh mẽ giữa tốc độ suy luận và độ chính xác của phát hiện trên nhiều quy mô model khác nhau.
• Các ứng dụng có độ trễ nhất quán: Các kịch bản triển khai nơi thời gian suy luận có thể dự đoán được là tối quan trọng, chẳng hạn như robot hoặc các hệ thống tự hành.

Khi nào nên chọn YOLOv7#

YOLOv7 được khuyến nghị cho:

• Academic Benchmarking: Tái tạo các kết quả state-of-the-art của kỷ nguyên 2022 hoặc nghiên cứu các hiệu ứng của kỹ thuật E-ELAN và trainable bag-of-freebies.
• Nghiên cứu về Reparameterization: Khám phá các convolution được lập kế hoạch tái tham số hóa và các chiến lược compound model scaling.
• Các pipeline tùy chỉnh hiện có: Các dự án với các pipeline tùy chỉnh nặng nề được xây dựng dựa trên kiến trúc cụ thể của YOLOv7 mà không thể dễ dàng tái cấu trúc.

Khi nào nên chọn Ultralytics (YOLO26)#

Đối với hầu hết các dự án mới, Ultralytics YOLO26 mang lại sự kết hợp tốt nhất giữa hiệu suất và trải nghiệm của nhà phát triển:

• 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 hậu xử lý Non-Maximum Suppression.
• Môi trường chỉ dùng CPU: Các thiết bị không có tăng tốc GPU chuyên dụng, nơi suy luận CPU nhanh hơn tới 43% của YOLO26 mang lại lợi thế quyết định.
• Phát hiện Vật thể Nhỏ: Các kịch bản thử thách như aerial drone imagery hoặc phân tích cảm biến IoT nơi ProgLoss và STAL cải thiện đáng kể độ chính xác trên các vật thể nhỏ xíu.

Tiêu chuẩn mới: Giới thiệu YOLO26#

Trong khi YOLOv10 là một bước tiến vượt bậc vào năm 2024, bối cảnh thị giác máy tính thay đổi cực kỳ nhanh chóng. Đối với tất cả các dự án phát triển mới, chúng tôi đặc biệt khuyến nghị mô hình thế hệ mới nhất: Ultralytics YOLO26. Ra mắt vào tháng 1 năm 2026, đây là đỉnh cao tuyệt đối của AI thị giác thời gian thực, thay thế hoàn toàn cả YOLOv7 và YOLOv10.

Tìm hiểu thêm về YOLO26

YOLO26 mang đến những cải tiến chưa từng có được thiết kế đặc biệt cho các môi trường triển khai hiện đại:

• Thiết kế End-to-End không cần NMS: Xây dựng trên nền tảng của YOLOv10, YOLO26 loại bỏ hoàn toàn hậu xử lý NMS để có các pipeline triển khai đơn giản hơn và suy luận tốc độ cao nhất quán.
• Suy luận CPU nhanh hơn tới 43%: Được tối ưu hóa mạnh mẽ cho điện toán biên và các thiết bị thiếu GPU chuyên dụng, mang lại khả năng tiết kiệm chi phí phần cứng rất lớn.
• Loại bỏ DFL: Distribution Focal Loss đã bị loại bỏ hoàn toàn, giúp đơn giản hóa logic xuất và cải thiện đáng kể khả năng tương thích với các thiết bị biên công suất thấp và vi điều khiển.
• Bộ tối ưu hóa MuSGD: Lấy cảm hứng từ Kimi K2 của Moonshot AI, sự kết hợp giữa SGD và Muon này mang các đổi mới huấn luyện Mô hình ngôn ngữ lớn (LLM) trực tiếp vào thị giác máy tính, tạo ra động lực huấn luyện cực kỳ ổn định và hội tụ nhanh hơn.
• ProgLoss + STAL: Các hàm mất mát tiên tiến này mang lại những cải tiến đáng kể trong việc nhận diện đối tượng nhỏ, một lĩnh vực đầy thách thức trong lịch sử và rất quan trọng đối với drone, robot và giám sát thành phố thông minh.
• Cải tiến theo tác vụ: YOLO26 không chỉ là một trình phát hiện. Nó bao gồm loss phân đoạn ngữ nghĩa chuyên dụng, Residual Log-Likelihood Estimation (RLE) cho theo dõi tư thế siêu chính xác và các thuật toán loss góc chuyên biệt để loại bỏ các vấn đề ranh giới OBB.

Các trường hợp sử dụng thực tế#

Việc lựa chọn kiến trúc phù hợp phụ thuộc phần lớn vào phần cứng và các ràng buộc ứng dụng của bạn.

Khi nào nên sử dụng YOLOv7#

YOLOv7 vẫn là một lựa chọn đáng tin cậy để duy trì các pipeline cũ vốn đã được tích hợp sâu với cấu trúc tensor cụ thể của nó hoặc khi cần tái lập các tiêu chuẩn học thuật từ năm 2022 và 2023. Nó hoạt động rất tốt trên các GPU máy chủ cao cấp.

Khi nào nên sử dụng YOLOv10#

YOLOv10 tỏa sáng trong các kịch bản đòi hỏi độ trễ nghiêm ngặt và không thay đổi. Vì không sử dụng NMS, nó rất tuyệt vời cho việc đếm đám đông mật độ cao hoặc phát hiện lỗi sản xuất nơi số lượng đối tượng biến động mạnh nhưng thời gian xử lý trên mỗi khung hình phải được giữ nguyên.

Khi nào nên sử dụng YOLO26#

YOLO26 là lựa chọn dứt khoát cho bất kỳ dự án mới nào. Từ việc triển khai các hệ thống báo động an ninh phức tạp trên một chiếc Raspberry Pi cơ bản đến việc vận hành phân tích video dựa trên đám mây quy mô lớn, tốc độ CPU vượt trội và khả năng phát hiện đối tượng nhỏ tiên tiến của nó khiến nó vượt trội hơn hẳn so với các thế hệ cũ.

Đối với các nhà phát triển quan tâm đến việc khám phá các kiến trúc hiện đại thay thế, chúng tôi cũng cung cấp hỗ trợ rộng rãi cho các bộ phát hiện dựa trên transformer như RT-DETR và các trụ cột của thế hệ trước như Ultralytics YOLO11.