YOLOv10 so với YOLOv9#
Sự phát triển 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 lần triển khai tiếp theo, việc so sánh YOLOv10 và YOLOv9 mang đến góc nhìn thú vị về hai cách tiếp cận khác biệt để giải quyết các điểm nghẽn của deep learning. Trong khi YOLOv9 tập trung tối đa hóa luồng thông tin gradient trong quá trình huấn luyện, YOLOv10 tiên phong với thiết kế end-to-end gốc, loại bỏ hoàn toàn các trở ngại hậu xử lý truyền thống.
Hướng dẫn toàn diện này phân tích các đổi mới về kiến trúc, chỉ số hiệu năng và các trường hợp sử dụng lý tưởng, giúp developer và researcher lựa chọn model tối ưu cho các tác vụ thị giác máy tính cụ thể.
YOLOv10: Tiên phong end-to-end không cần NMS#
Được phát triển để giải quyết các điểm nghẽn về độ trễ của các bộ phát hiện đối tượng truyền thống, YOLOv10 giới thiệu một kiến trúc end-to-end mang tính cách mạng, tự loại bỏ 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, 2024
- Liên kết: Ấn phẩm Arxiv, Repository GitHub, Tài liệu Ultralytics
Kiến trúc và ưu điểm#
Đóng góp quan trọng nhất của YOLOv10 cho lĩnh vực này là chiến lược gán kép nhất quán để huấn luyện không cần NMS. Bằng cách loại bỏ NMS, model giảm đáng kể độ trễ suy luận, đặc biệt trên các thiết bị edge, nơi quá trình hậu xử lý có thể trở thành nút thắt của toàn bộ pipeline. Model tối ưu nhiều thành phần từ cả góc độ hiệu quả lẫn độ chính xác, tạo ra một model có sự cân bằng đáng chú ý giữa tốc độ và số lượng tham số. Ví dụ, biến thể YOLOv10-S có tốc độ đặc biệt cao, rất phù hợp cho phân tích video tốc độ cao và điều hướng robot thời gian thực.
Điểm yếu#
Mặc dù thiết kế không dùng NMS mang tính đột phá đối với việc phát hiện hộp giới hạn (bounding box), YOLOv10 chủ yếu được tối ưu hóa làm bộ dò tìm đối tượng thuần túy. Nó thiếu đi tính linh hoạt sẵn có của các hệ sinh thái mới hơn hỗ trợ nguyên bản Phân đoạn Thể hiện hoặc Ước lượng Tư thế.
Khi chuẩn bị YOLOv10 cho môi trường production, luôn đảm bảo bạn export model sang các format được tối ưu như TensorRT hoặc ONNX. Chạy raw weight PyTorch khi triển khai có thể dẫn đến tốc độ suy luận thấp hơn dự kiến do các operation trong graph chưa được tối ưu.
YOLOv9: Thông tin Gradient có thể lập trình#
Trước YOLOv10, YOLOv9 đã giới thiệu các khái niệm kiến trúc mới để giải quyết vấn đề nút thắt thông tin vốn có trong các mạng neural sâu, cho phép sử dụng tham số với hiệu quả cao.
Chi tiết kỹ thuật & nguồn gốc:
- Tác giả: Chien-Yao Wang và Hong-Yuan Mark Liao
- Tổ chức: Viện Khoa học Thông tin, Academia Sinica, Đài Loan
- Ngày: 21 tháng 2, 2024
- Liên kết: Ấn phẩm Arxiv, Repository GitHub, Tài liệu Ultralytics
Kiến trúc và ưu điểm#
YOLOv9 giới thiệu Thông tin Gradient Có thể Lập trình (PGI) cùng với Mạng Tổng hợp Tầng Hiệu quả Tổng quát (GELAN). PGI đảm bảo thông tin mục tiêu quan trọng không bị mất khi dữ liệu đi qua các tầng sâu của network, từ đó tạo ra gradient đáng tin cậy để cập nhật weight. GELAN tối đa hóa hiệu quả sử dụng các tham số của network. Kết hợp lại, những đổi mới này giúp YOLOv9 đạt độ chính xác trung bình (mAP) rất cao trên dataset MS COCO, thường vượt qua các model nặng hơn trong khi sử dụng ít FLOPs hơn. Đây là một model xuất sắc dành cho các researcher tập trung tối đa hóa các metric độ chính xác về mặt lý thuyết.
Điểm yếu#
Mặc dù có độ chính xác cao, YOLOv9 vẫn phụ thuộc vào hậu xử lý NMS tiêu chuẩn. Điều này có nghĩa là mặc dù các operation của neural network nhanh, bước lọc bounding box cuối cùng vẫn có thể tạo ra độ trễ biến thiên tùy thuộc vào mật độ đối tượng trong cảnh. Ngoài ra, quy trình huấn luyện của model có thể tiêu tốn nhiều memory hơn đáng kể so với các model ra mắt sau, đòi hỏi tài nguyên GPU mạnh hơn để fine-tune trên dataset tùy chỉnh.
So sánh hiệu năng#
Bảng dưới đây minh họa các metric cốt lõi của cả hai model. Lưu ý rằng YOLOv10 thường đạt độ trễ thấp hơn qua TensorRT, trong khi YOLOv9 đẩy giới hạn độ chính xác lên cao trong cấu hình lớn nhất.
| Model | kích thước (pixel) | 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 |
| 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: Vì sao YOLO26 là lựa chọn khuyến nghị tối ưu#
Mặc dù YOLOv9 và YOLOv10 là những cột mốc ấn tượng, bối cảnh machine learning thay đổi rất nhanh. Trong môi trường production hiện đại, developer ngày càng dựa vào ecosystem tích hợp và được duy trì tốt của Ultralytics Platform. Tính đến năm 2026, lựa chọn rõ ràng được khuyến nghị cho cả nghiên cứu và doanh nghiệp là YOLO26 mới được phát hành.
YOLO26 kế thừa các khái niệm nền tảng từ những phiên bản tiền nhiệm và nâng tầm chúng thông qua trải nghiệm người dùng tinh gọn, API đơn giản cùng yêu cầu memory trong quá trình huấn luyện thấp hơn đáng kể so với các kiến trúc cồng kềnh dựa trên Transformer.
Các đổi mới chính trong YOLO26#
- Thiết kế end-to-end không cần NMS: Kế thừa những đột phá của YOLOv10, YOLO26 có kiến trúc end-to-end gốc, loại bỏ hoàn toàn hậu xử lý NMS để triển khai đơn giản hơn và tạo ra profile độ trễ có tính tất định cao.
- Suy luận trên CPU nhanh hơn tới 43%: Được tối ưu sẵn cho Edge AI, khiến model trở thành lựa chọn hoàn hảo cho các hệ thống nhúng không có GPU chuyên dụng.
- Optimizer MuSGD: Một phương pháp lai mang tính đột phá giữa SGD và Muon (lấy cảm hứng từ các phương pháp tối ưu hóa dành cho large language model), đảm bảo quy 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 export model, nâng cao đáng kể khả năng tương thích với các thiết bị công suất thấp và nhiều framework triển khai edge.
- Cải tiến theo từng tác vụ: Không giống các detector chuyên biệt cho một tác vụ đơn lẻ, YOLO26 là một model đa năng mạnh mẽ. Model sử dụng loss Semantic segmentation để đạt độ chính xác tinh chỉnh ở cấp pixel, Ước lượng Log-Likelihood Phần dư (RLE) cho Pose estimation không có sai sót, cùng loss góc chuyên biệt để giải quyết các vấn đề về biên OBB (Hộp giới hạn định hướng).
Việc lựa chọn một model Ultralytics như YOLO11 hoặc YOLO26 mang lại sự thuận tiện vượt trội. Bạn có quyền truy cập vào quá trình phát triển chủ động, cộng đồng phát triển mạnh và các bản cập nhật thường xuyên, đảm bảo model luôn tương thích với những inference engine mới nhất như OpenVINO và CoreML.
Triển khai thực tế#
Việc huấn luyện và triển khai các model này rất đơn giản khi sử dụng Python SDK. Ví dụ sau minh họa cách tận dụng quy trình huấn luyện hiệu quả cao của ecosystem Ultralytics, ecosystem này tự động xử lý việc lập lịch hyperparameter và phân bổ memory 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 yêu cầu cụ thể của project, các ràng buộc triển khai và lựa chọn ecosystem 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 đầu cuối mà không cần triệt tiêu cực đại, giúp giảm độ phức tạp khi triển khai.
- Cân bằng giữa tốc độ và độ chính xác: Các project yêu cầu sự cân bằng tốt giữa tốc độ suy luận và độ chính xác phát hiện trên nhiều quy mô model khác nhau.
- Ứng dụng có độ trễ nhất quán: Các kịch bản triển khai mà thời gian suy luận có thể dự đoán là yếu tố quan trọng, chẳng hạn như robotics hoặc các hệ thống tự hành.
Khi nào nên chọn YOLOv9#
YOLOv9 được khuyến nghị cho:
- Nghiên cứu nút thắt thông tin: Các dự án học thuật nghiên cứu kiến trúc Programmable Gradient Information (PGI) và Generalized Efficient Layer Aggregation Network (GELAN).
- Nghiên cứu tối ưu hóa luồng gradient: Các nghiên cứu tập trung vào việc tìm hiểu và giảm thiểu mất mát thông tin trong các layer sâu của network trong quá trình huấn luyện.
- Benchmark phát hiện độ chính xác cao: Các tình huống cần hiệu năng benchmark COCO mạnh của YOLOv9 làm mốc tham chiếu cho việc so sánh kiến trúc.
Khi nào nên chọn Ultralytics (YOLO26)#
Đối với hầu hết dự án mới, Ultralytics YOLO26 mang đến sự kết hợp tốt nhất giữa hiệu năng và trải nghiệm developer:
- 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 bước hậu xử lý triệt tiêu cực đại.
- Môi trường chỉ sử dụng CPU: Các thiết bị không có tăng tốc GPU chuyên dụng, nơi khả năng suy luận trên CPU nhanh hơn tới 43% của YOLO26 mang lại lợi thế quyết định.
- Phát hiện đối tượng nhỏ: Các kịch bản đầy thách thức như ảnh chụp từ drone trên không hoặc phân tích cảm biến IoT, trong đó ProgLoss và STAL cải thiện đáng kể độ chính xác trên các đối tượng rất nhỏ.
Kết luận#
Cả YOLOv9 và YOLOv10 đều có những ưu điểm riêng. YOLOv9 minh chứng cho việc tối đa hóa hiệu quả tham số của network và luồng gradient về mặt lý thuyết, mang lại độ chính xác hàng đầu. Trong khi đó, YOLOv10 là model tiên phong về mặt học thuật trong phát hiện bounding box end-to-end mà không chịu hình phạt độ trễ từ NMS.
Tuy nhiên, đối với developer tìm kiếm sự cân bằng hoàn hảo giữa hiệu năng, tính linh hoạt và mức độ dễ sử dụng, việc nâng cấp lên các model mới nhất là yếu tố then chốt. Với optimizer MuSGD nâng cao, chức năng ProgLoss + STAL cho khả năng phát hiện đối tượng nhỏ vượt trội và hỗ trợ multi-task toàn diện, YOLO26 đại diện cho giải pháp state-of-the-art dứt khoát cho mọi thách thức thị giác máy tính trong thế giới thực.