So sánh YOLOv10 và YOLOv9#
Sự tiến hóa của thị giác máy tính thời gian thực được đánh dấu bằng những đột phá liên tục về tốc độ, độ chính xác và hiệu quả kiến trúc. Khi đánh giá các giải pháp hiện đại cho quá trình triển khai tiếp theo của bạn, việc so sánh YOLOv10 và YOLOv9 mang lại cái nhìn thú vị về hai phương pháp tiếp cận riêng biệt để giải quyết các nút thắt trong học sâu (deep learning). Trong khi YOLOv9 tập trung vào việc tối đa hóa dòng thông tin gradient trong quá trình huấn luyện, thì YOLOv10 tiên phong với thiết kế end-to-end nguyên bản, loại bỏ hoàn toàn các rào cản hậu xử lý truyền thống.
Hướng dẫn toàn diện này phân tích các đổi mới về kiến trúc, performance metrics và các trường hợp sử dụng lý tưởng để giúp các nhà phát triển và nhà nghiên cứu chọn ra model tối ưu cho các tác vụ computer vision cụ thể của họ.
YOLOv10: Người tiên phong thiết kế End-to-End không cần NMS#
Được phát triển nhằm giải quyết các nút thắt độ trễ của các trình phát hiện đối tượng truyền thống, YOLOv10 giới thiệu kiến trúc end-to-end mang tính cách mạng, loại bỏ một cách tự nhiên nhu cầu sử dụng Non-Maximum Suppression (NMS).
Chi tiết Kỹ thuật & Nguồn gốc:
- Tác giả: Ao Wang, Hui Chen, Lihao Liu, và cộng sự.
- Tổ chức: Đại học Thanh Hoa
- Ngày: 23 tháng 5 năm 2024
- Links: Arxiv Publication, GitHub Repository, Ultralytics Docs
Kiến trúc và thế mạnh#
Đóng góp quan trọng nhất của YOLOv10 trong lĩnh vực này là chiến lược gán kép nhất quán cho quá trình training không cần NMS. Bằng cách loại bỏ NMS, model giảm đáng kể độ trễ inference, đặc biệt là trên các edge device nơi quá trình hậu xử lý có thể gây nghẽn toàn bộ pipeline. Nó tối ưu hóa các thành phần khác nhau từ góc độ hiệu quả và độ chính xác, mang lại một model tự hào có trade-off between speed and parameters đáng chú ý. Chẳng hạn, biến thể YOLOv10-S có tốc độ cực kỳ nhanh, rất phù hợp cho video analytics tốc độ cao và điều hướng robot thời gian thực.
Nhược điểm#
Mặc dù thiết kế không cần NMS mang tính bước ngoặt đối với việc phát hiện bounding box, YOLOv10 chủ yếu được tối ưu hóa như một object detector thuần túy. Nó thiếu tính linh hoạt có sẵn của các hệ sinh thái mới hơn hỗ trợ nguyên bản Instance Segmentation hoặc Pose Estimation. Hơn nữa, các triển khai ban đầu yêu cầu xử lý xuất cẩn thận để đảm bảo các thao tác như cv2 được tối ưu hóa hoàn toàn ngoài đồ thị inference.
Khi chuẩn bị YOLOv10 cho quá trình production, hãy luôn đảm bảo bạn export model sang các định dạng được tối ưu hóa như TensorRT hoặc ONNX. Chạy trọng số PyTorch gốc trong quá trình deployment có thể dẫn đến inference chậm hơn dự kiến do các thao tác đồ thị chưa được tối ưu hóa.
YOLOv9: Thông tin Gradient có thể lập trình#
Trước YOLOv10, YOLOv9 đã giới thiệu các khái niệm kiến trúc mới lạ để giải quyết vấn đề nút thắt thông tin vốn có trong các mạng thần kinh sâu, cho phép sử dụng tham số hiệu quả cao.
Chi tiết Kỹ thuật & Nguồn gốc:
- Tác giả: Chien-Yao Wang và Hong-Yuan Mark Liao
- Tổ chức: Viện Thông tin học, Academia Sinica, Đài Loan
- Ngày: 21 tháng 2 năm 2024
- Links: Arxiv Publication, GitHub Repository, Ultralytics Docs
Kiến trúc và thế mạnh#
YOLOv9 giới thiệu Programmable Gradient Information (PGI) bên cạnh Generalized Efficient Layer Aggregation Network (GELAN). PGI đảm bảo rằng thông tin mục tiêu quan trọng không bị mất khi dữ liệu đi qua các layer sâu của network, tạo ra các gradient đáng tin cậy để cập nhật trọng số. GELAN tối đa hóa hiệu quả các tham số của network. Cùng nhau, những đổi mới này cho phép YOLOv9 đạt được mean Average Precision (mAP) cực kỳ cao trên MS COCO dataset, thường vượt trội hơn các model nặng hơn trong khi sử dụng ít FLOPs hơn. Đây là một model đặc biệt dành cho các nhà nghiên cứu tập trung vào việc tối đa hóa các metric độ chính xác lý thuyết.
Nhược điểm#
Bất chấp độ chính xác cao, YOLOv9 vẫn dựa vào quá trình hậu xử lý NMS tiêu chuẩn. Điều này có nghĩa là trong khi các hoạt động neural network diễn ra nhanh chóng, việc lọc bounding box cuối cùng có thể giới thiệu độ trễ thay đổi tùy thuộc vào mật độ đối tượng trong cảnh. Ngoài ra, quá trình training của nó có thể đòi hỏi rất nhiều bộ nhớ so với các model sau này, đòi hỏi nhiều GPU resources mạnh mẽ hơn để fine-tune custom dataset.
So sánh hiệu năng#
Bảng dưới đây minh họa các chỉ số cốt lõi cho cả hai mô hình. Lưu ý cách YOLOv10 thường đạt được độ trễ thấp hơn thông qua TensorRT, trong khi YOLOv9 đẩy giới hạn độ chính xác lên cao trong cấu hình lớn nhất của nó.
| Mô hình | kích thước (pixel) | mAPval 50-95 | Tốc độ CPU ONNX (ms) | Tốc độ T4 TensorRT10 (ms) | params (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 |
| YOLOv9t | 640 | 38.3 | - | 2.3 | 2.0 | 7.7 |
| YOLOv9s | 640 | 46.8 | - | 3.54 | 7.1 | 26.4 |
| YOLOv9m | 640 | 51.4 | - | 6.43 | 20.0 | 76.3 |
| YOLOv9c | 640 | 53.0 | - | 7.16 | 25.3 | 102.1 |
| YOLOv9e | 640 | 55.6 | - | 16.77 | 57.3 | 189.0 |
Thế hệ tiếp theo: Tại sao YOLO26 là đề xuất cuối cùng#
Mặc dù YOLOv9 và YOLOv10 là những cột mốc ấn tượng, bối cảnh machine learning phát triển rất nhanh. Đối với các môi trường production hiện đại, các nhà phát triển ngày càng phụ thuộc vào hệ sinh thái được tích hợp và bảo trì tốt của Ultralytics Platform. Tính đến năm 2026, khuyến nghị rõ ràng cho cả nghiên cứu và doanh nghiệp là YOLO26 mới được phát hành.
YOLO26 lấy các khái niệm nền tảng từ những người tiền nhiệm và nâng tầm chúng thông qua trải nghiệm người dùng tinh gọn, API đơn giản và yêu cầu bộ nhớ thấp hơn đáng kể trong quá trình training so với các kiến trúc dựa trên transformer cồng kềnh.
Những cải tiến chính trong YOLO26#
- Thiết kế End-to-End không cần NMS: Được xây dựng trên những đột phá của YOLOv10, YOLO26 là end-to-end nguyên bản, loại bỏ hoàn toàn hậu xử lý NMS để triển khai đơn giản hơn và có hồ sơ độ trễ xác định cao.
- Inference CPU nhanh hơn tới 43%: Được tối ưu hóa cho Edge AI ngay khi xuất xưởng, biến đây thành lựa chọn hoàn hảo cho các hệ thống nhúng thiếu GPU chuyên dụng.
- Trình tối ưu hóa MuSGD: Một sự kết hợp đột phá giữa SGD và Muon (lấy cảm hứng từ các tối ưu hóa mô hình ngôn ngữ lớn), đảm bảo quá trình huấn luyện ổn định cao và thời gian hội tụ cực nhanh.
- Loại bỏ DFL: Bằng cách loại bỏ Distribution Focal Loss, YOLO26 đơn giản hóa quy trình xuất mô hình, tăng cường đáng kể khả năng tương thích với các thiết bị công suất thấp và nhiều khuôn khổ triển khai biên khác nhau.
- Cải tiến theo tác vụ cụ thể: Không giống như các trình phát hiện đơn tác vụ chuyên biệt, YOLO26 là một cỗ máy đa năng. Nó sử dụng Semantic segmentation loss cho độ chính xác ở cấp độ pixel tinh tế, Residual Log-Likelihood Estimation (RLE) cho việc ước tính tư thế (Pose estimation) hoàn hảo và một góc loss chuyên biệt để giải quyết các vấn đề về ranh giới OBB (Oriented Bounding Box).
Việc lựa chọn một model Ultralytics như YOLO11 hoặc YOLO26 mang lại sự dễ sử dụng chưa từng có. Bạn có quyền truy cập vào quá trình phát triển tích cực, một cộng đồng thịnh vượng và các bản cập nhật thường xuyên đảm bảo các model của bạn vẫn tương thích với các inference engine mới nhất như OpenVINO và CoreML.
Triển khai thực tế#
Việc huấn luyện và triển khai các mô hình này rất đơn giản khi sử dụng Python SDK. Ví dụ sau đây minh họa cách tận dụng các quy trình huấn luyện hiệu quả cao của hệ sinh thái Ultralytics, tự động xử lý lập lịch siêu tham số và phân bổ bộ nhớ tối ưu.
from ultralytics import YOLO
# Load the recommended state-of-the-art model
model = YOLO("yolo26n.pt") # Also compatible with 'yolov10n.pt' or 'yolov9c.pt'
# Train the model efficiently on a custom dataset
train_results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0, batch=16)
# Run ultra-fast inference
predictions = model.predict("https://ultralytics.com/images/bus.jpg")
# Export to ONNX for simplified edge deployment
model.export(format="onnx")Các trường hợp sử dụng và Khuyến nghị#
Việc lựa chọn giữa YOLOv10 và YOLOv9 phụ thuộc vào các yêu cầu dự án cụ thể, ràng buộc triển khai và sở thích về 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 YOLOv9#
YOLOv9 được khuyến nghị cho:
- Nghiên cứu Nút thắt Thông tin (Information Bottleneck): Các dự án học thuật nghiên cứu về Programmable Gradient Information (PGI) và kiến trúc Generalized Efficient Layer Aggregation Network (GELAN).
- Nghiên cứu Tối ưu hóa Luồng Gradient: Nghiên cứu tập trung vào việc hiểu và giảm thiểu tình trạng mất thông tin trong các lớp mạng sâu trong quá trình huấn luyện.
- Đo lường Phát hiện Độ chính xác cao: Các kịch bản mà hiệu suất đo lường trên bộ dữ liệu COCO của YOLOv9 cần thiết làm điểm tham chiếu cho các so sánh kiến 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.
Kết luận#
Cả YOLOv9 và YOLOv10 đều mang lại những lợi thế độc đáo. YOLOv9 là minh chứng cho việc tối đa hóa hiệu quả tham số mạng và dòng gradient lý thuyết, dẫn đến độ chính xác hàng đầu. Trong khi đó, YOLOv10 phục vụ như là người tiên phong trong học thuật về phát hiện hộp bao end-to-end mà không phải trả phí độ trễ của NMS.
Tuy nhiên, đối với các nhà phát triển đang tìm kiếm sự cân bằng hoàn hảo giữa hiệu suất, tính linh hoạt và sự dễ sử dụng, việc nâng cấp lên các model mới nhất là điều tối quan trọng. Với optimizer MuSGD tiên tiến, tính năng ProgLoss + STAL để phát hiện đối tượng nhỏ ưu việt và hỗ trợ đa nhiệm toàn diện, YOLO26 đại diện cho giải pháp tối tân dứt khoát cho bất kỳ thách thức computer vision trong thế giới thực nào.