Bắt đầu

YOLOv10 và YOLOv8

Quá trình phát triển của công nghệ phát hiện đối tượng theo thời gian thực đã chứng kiến sự xuất hiện nhanh chóng liên tiếp của các kiến trúc mới, mỗi kiến trúc đều tìm cách mở rộng giới hạn về độ chính xác, tốc độ suy luận và hiệu quả tính toán. Hướng dẫn kỹ thuật này so sánh hai cột mốc lớn trong lĩnh vực thị giác máy tính: YOLOv10 và Ultralytics YOLOv8. Trong khi YOLOv8 thiết lập một tiêu chuẩn linh hoạt cao, sẵn sàng đưa vào sản xuất, YOLOv10 giới thiệu những thay đổi về kiến trúc nhằm loại bỏ các nút thắt trong khâu hậu xử lý.

Việc hiểu rõ ưu điểm riêng, kiến trúc và chỉ số hiệu năng của các model này là rất quan trọng đối với developer và nhà nghiên cứu muốn triển khai các giải pháp AI thị giác tiên tiến nhất trong những tình huống thực tế.

Thông số kỹ thuật và nhóm tác giả#

Để đánh giá hiệu quả các model này, việc tìm hiểu nguồn gốc và trọng tâm chính của các nhóm nghiên cứu tương ứng sẽ hữu ích.

YOLOv10: Hiệu quả đầu-cuối#

Được phát triển bởi các nhà nghiên cứu tại Đại học Thanh Hoa, YOLOv10 được thiết kế để giải quyết chi phí tính toán phát sinh từ các bước hậu xử lý trong những thế hệ trước.

Tìm hiểu thêm về YOLOv10

Ultralytics YOLOv8: Tiêu chuẩn linh hoạt#

Ra mắt vào tháng 1 năm 2023, YOLOv8 nhanh chóng trở thành lựa chọn phổ biến trong ngành nhờ kiến trúc và khả năng tích hợp chặt chẽ với hệ sinh thái machine learning rộng lớn hơn.

Các cải tiến kiến trúc#

Cả hai model đều cải tiến đáng kể kiến trúc YOLO truyền thống, dù chúng tập trung vào những khía cạnh hơi khác nhau của pipeline.

Kiến trúc YOLOv10#

Đặc điểm nổi bật nhất của YOLOv10 là chiến lược huấn luyện không dùng NMS. Theo cách truyền thống, các bộ phát hiện vật thể dựa vào Non-Maximum Suppression (NMS) trong quá trình suy luận để lọc các hộp giới hạn chồng lấn. Bước này có thể gây thêm độ trễ và làm phức tạp việc triển khai end-to-end. YOLOv10 áp dụng phương pháp gán nhãn kép nhất quán trong quá trình huấn luyện, cho phép head một-một dự đoán một hộp giới hạn cho mỗi vật thể (trong package Ultralytics, chọn head này bằng nms=False). Ngoài ra, model áp dụng thiết kế toàn diện hướng đến hiệu quả và độ chính xác, tối ưu nhiều thành phần để giảm FLOPs và số lượng tham số.

Kiến trúc YOLOv8#

YOLOv8 giới thiệu head phát hiện không dùng anchor, thay thế các phương pháp dựa trên anchor của các phiên bản trước. Cách này giảm số lượng dự đoán hộp và tăng tốc các thao tác NMS. Ngoài ra, YOLOv8 tích hợp module C2f (nút thắt Cross-Stage Partial với hai phép tích chập), giúp cải thiện luồng gradient và cho phép mạng học các biểu diễn đặc trưng phong phú hơn mà không làm tăng đáng kể chi phí tính toán. Head tách biệt các tác vụ phân loại và hồi quy, giúp hội tụ nhanh hơn và tăng độ chính xác tổng thể.

Hiệu năng và benchmark#

Khi triển khai model lên thiết bị edge hoặc máy chủ cloud, sự cân bằng giữa tốc độ và độ chính xác là yếu tố then chốt. Bảng dưới đây so sánh trực tiếp hai model ở nhiều kích thước khác nhau.

Modelkích thước
(pixel)
mAPval50-95Tốc 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
YOLOv8n64037.380.41.473.28.7
YOLOv8s64044.9128.42.6611.228.6
YOLOv8m64050.2234.75.8625.978.9
YOLOv8l64052.9375.29.0643.7165.1
YOLOv8x64053.9479.114.3768.2257.8

Lưu ý: Dấu gạch ngang (-) biểu thị các chỉ số chưa được báo cáo chính thức trong điều kiện kiểm thử giống hệt nhau.

Dữ liệu cho thấy YOLOv10 có hiệu quả tham số cao, vượt mAP của các model YOLOv8 tương ứng ở mọi kích thước trong khi dùng ít tham số và FLOPs hơn. YOLOv8 vẫn cạnh tranh về tốc độ: YOLOv8n có thời gian TensorRT trên T4 nhanh nhất trong bảng (1,47 ms), và chỉ có YOLOv8 được báo cáo tốc độ ONNX trên CPU.

Tăng tốc phần cứng

Khi hướng đến môi trường production, sử dụng các định dạng như ONNX hoặc TensorRT có thể cải thiện đáng kể tốc độ suy luận. Cả YOLOv8 và YOLOv10 đều có thể xuất trực tiếp sang các định dạng đồ thị tối ưu này.

Hệ sinh thái, hiệu quả huấn luyện và tính linh hoạt#

Việc chọn model không chỉ dựa vào benchmark lý thuyết; trải nghiệm của developer và hệ sinh thái xung quanh cũng quan trọng không kém.

Lợi thế của Ultralytics#

Một trong những thế mạnh cốt lõi của YOLOv8 là khả năng tích hợp chặt chẽ với hệ sinh thái Ultralytics. Môi trường này cung cấp API Python trực quan và tài liệu toàn diện. Khác với các repository tập trung vào nghiên cứu có thể đòi hỏi thiết lập môi trường phức tạp, các model Ultralytics nổi tiếng nhờ tính dễ sử dụng.

Ngoài ra, YOLOv8 vốn có tính linh hoạt cao. YOLOv10 chỉ được tối ưu cho phát hiện vật thể, còn framework Ultralytics cho phép nhà phát triển chuyển đổi giữa các tác vụ phát hiện vật thể, phân đoạn instance, phân loại ảnh, ước lượng tư thế và hộp giới hạn định hướng (OBB) trong cùng một thư viện và cấu trúc API.

Yêu cầu bộ nhớ và huấn luyện#

Các model YOLO của Ultralytics được thiết kế chú trọng hiệu quả huấn luyện. So với các model Transformer phức tạp, các model này thường sử dụng ít bộ nhớ hơn khi huấn luyện và suy luận, cho phép nhà phát triển huấn luyện model hiện đại trên phần cứng phổ thông hoặc các instance cloud tiêu chuẩn mà không hết bộ nhớ CUDA. Siêu tham số mặc định được tinh chỉnh tốt và các phương pháp tăng cường dữ liệu tích hợp giúp model hội tụ nhanh.

Sau đây là ví dụ thực tế cho thấy việc huấn luyện model và chạy suy luận bằng API Python của Ultralytics đơn giản như thế nào:

from ultralytics import YOLO

# Tải model YOLOv8n đã được huấn luyện trước
model = YOLO("yolov8n.pt")

# Huấn luyện model trên dataset ví dụ COCO8
results = model.train(data="coco8.yaml", epochs=50, imgsz=640, device=0)

# Chạy inference trên ảnh kiểm thử
predictions = model("https://ultralytics.com/images/zidane.jpg")
predictions[0].show()

Thế hệ tiếp theo: YOLO26#

YOLOv8 và YOLOv10 là những cột mốc quan trọng, nhưng lĩnh vực này vẫn không ngừng phát triển. Với các dự án mới, Ultralytics khuyến nghị YOLO26, dòng model mới nhất, ra mắt vào tháng 1 năm 2026.

YOLO26 kết hợp các tiến bộ kiến trúc gần đây trong một framework duy nhất. Model áp dụng Thiết kế end-to-end không cần NMS của YOLOv10 dưới dạng head one-to-one tùy chọn (nms=False), giúp tinh gọn pipeline triển khai và giảm biến thiên độ trễ. YOLO26 còn giới thiệu Optimizer MuSGD, kết hợp SGD và Muon, lấy cảm hứng từ quá trình huấn luyện LLM để hội tụ nhanh và ổn định hơn.

Các cải tiến chính của YOLO26 gồm:

  • Suy luận CPU nhanh hơn tới 43%: YOLO26n chạy trên CPU nhanh hơn YOLO11n tới 43%, một phần nhờ loại bỏ Distribution Focal Loss (DFL).
  • ProgLoss + STAL: Hàm mất mát tiến triển và phương pháp gán nhãn nhận biết mục tiêu nhỏ giúp cải thiện khả năng nhận diện vật thể nhỏ, yếu tố quan trọng đối với ảnh drone và cảm biến IoT.
  • Cải tiến chuyên biệt theo tác vụ: Head và hàm mất mát chuyên biệt cho các tác vụ phân đoạn instance, phân đoạn ngữ nghĩa, ước lượng độ sâu, ước lượng tư thế và OBB.

Trường hợp sử dụng lý tưởng và chiến lược triển khai#

Khi lựa chọn giữa các kiến trúc này, hãy cân nhắc nhu cầu cụ thể của môi trường triển khai:

  • Chọn YOLOv10 nếu: Bạn đang xây dựng pipeline chỉ dành cho phát hiện đối tượng, cần tối đa hóa hiệu quả tham số và muốn thử nghiệm các triển khai ban đầu của kiến trúc không cần NMS.
  • Chọn Ultralytics YOLOv8 nếu: Bạn cần một model ổn định, sẵn sàng cho môi trường production và được Ultralytics Platform hỗ trợ. Đây là lựa chọn phù hợp nếu dự án cần nhiều tác vụ (ví dụ: phát hiện vật thể rồi phân đoạn chúng) trên cùng một codebase thống nhất, dễ bảo trì.
  • Chọn YOLO26 (Được khuyến nghị) nếu: Bạn muốn đạt sự cân bằng tốt nhất giữa độ chính xác, suy luận end-to-end không dùng NMS tùy chọn và tốc độ cao trên CPU cũng như phần cứng biên.

Nếu đang tìm hiểu bức tranh tổng thể, bạn cũng có thể muốn so sánh các model này với YOLO11 hoặc xem các tích hợp triển khai trên thiết bị biên như Intel OpenVINO để tăng tốc thêm cho ứng dụng AI thị giác.

Người đóng góp

Bình luận1

Đặt câu hỏi, chia sẻ kết quả hoặc giúp đỡ người khác.

  1. koalag564GitHub(đã chỉnh sửa)

    Great technical overview! YOLOv10 introduces a more efficient NMS-free design and refined architecture that enhances both speed and accuracy, especially in complex object detection scenarios. This YOLOv8 comparison, however, highlights how v8 still holds its ground with strong task flexibility, easier deployment, and a well-established ecosystem. The choice between the two often comes down to specific application needs and hardware constraints.