YOLOv10 và YOLOv9
Sự phát triển của thị giác máy tính thời gian thực đã mang lại những cải thiện liên tục về tốc độ, độ chính xác và hiệu quả kiến trúc. Khi đánh giá model cho lần triển khai tiếp theo, việc so sánh YOLOv10 và YOLOv9 cho thấy hai hướng tiếp cận khác biệt để giải quyết các nút thắt trong deep learning. YOLOv9 tập trung tối đa hóa luồng thông tin gradient trong quá trình huấn luyện, còn YOLOv10 giới thiệu thiết kế end-to-end loại bỏ bước hậu xử lý NMS.
Hướng dẫn này phân tích các đổi mới về kiến trúc, chỉ số hiệu năng và trường hợp sử dụng phù hợp để giúp nhà phát triển và nhà nghiên cứu chọn model phù hợp cho các tác vụ thị giác máy tính.
YOLOv10: Phát hiện thời gian thực không cần NMS#
Được phát triển để giải quyết các nút thắt độ trễ của bộ phát hiện vật thể truyền thống, YOLOv10 giới thiệu kiến trúc end-to-end loại bỏ nhu cầu Non-Maximum Suppression (NMS).
Thông tin kỹ thuật và dòng model:
- 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 nhãn kép nhất quán để huấn luyện không dùng NMS. Bằng cách loại bỏ NMS, model giảm độ trễ suy luận, đặc biệt trên thiết bị biên, nơi hậu xử lý có thể trở thành nút thắt của toàn pipeline. Model tối ưu nhiều thành phần từ cả góc độ hiệu quả lẫn độ chính xác, tạo nên sự đánh đổi giữa tốc độ và số lượng tham số có lợi. Ví dụ, biến thể YOLOv10-S chạy trong 2,49 ms trên GPU T4 với TensorRT, rất phù hợp cho phân tích video tốc độ cao và điều hướng robot thời gian thực.
Điểm yếu#
Dù thiết kế không dùng NMS là bước tiến quan trọng đối với phát hiện hộp giới hạn, YOLOv10 chỉ là bộ phát hiện vật thể. Model này thiếu tính linh hoạt sẵn có của các model mới hơn, vốn hỗ trợ tự nhiên Phân đoạn instance hoặc Ước lượng tư thế.
Khi chuẩn bị YOLOv10 cho môi trường production, hãy xuất model sang các định dạng tối ưu như TensorRT hoặc ONNX, đồng thời dùng nms=False để chọn head một-một không dùng NMS. Việc triển khai trực tiếp trọng số PyTorch thô có thể khiến suy luận chậm hơn dự kiến do các phép toán trong đồ thị chưa được tối ưu.
YOLOv9: Thông tin gradient có thể lập trình#
Trước YOLOv10, YOLOv9 đã giới thiệu các khái niệm kiến trúc mới nhằm giải quyết vấn đề nút thắt thông tin vốn có trong mạng neural sâu, cho phép sử dụng tham số rất hiệu quả.
Thông tin kỹ thuật và dòng model:
- 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 lớp hiệu quả tổng quát (GELAN). PGI đảm bảo thông tin mục tiêu quan trọng không bị mất khi dữ liệu đi qua các lớp sâu của mạng, tạo ra gradient đáng tin cậy để cập nhật trọng số. GELAN tối đa hóa hiệu quả sử dụng tham số của mạng. Kết hợp lại, các cải tiến này cho phép YOLOv9 đạt độ chính xác trung bình cao (mAP) trên bộ dữ liệu MS COCO, thường vượt các model nặng hơn trong khi dùng ít FLOPs hơn. Đây là model mạnh dành cho nhà nghiên cứu muốn tối đa hóa các chỉ số độ chính xác.
Điểm yếu#
Dù có độ chính xác cao, YOLOv9 vẫn dựa vào hậu xử lý NMS tiêu chuẩn. Điều này có nghĩa là dù các phép toán mạng neural nhanh, bước lọc hộp giới hạn cuối cùng có thể tạo ra độ trễ biến thiên tùy thuộc vào mật độ vật thể trong cảnh. Ngoài ra, quy trình huấn luyện model có thể tiêu tốn nhiều bộ nhớ hơn các model mới hơn, đòi hỏi tài nguyên GPU mạnh hơn để tinh chỉnh trên bộ dữ liệu tùy chỉnh.
So sánh hiệu năng#
Bảng dưới đây minh họa các chỉ số cốt lõi của cả hai model. Lưu ý YOLOv10 thường đạt độ trễ thấp hơn với TensorRT, trong khi YOLOv9 đẩy giới hạn độ chính xác lên cao ở cấu hình lớn nhất.
| 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 |
| YOLOv9t | 640 | 38.3 | - | 2.3 | 2.0 | 7.7 |
| YOLOv9s | 640 | 46.8 | - | 3.54 | 7.2 | 26.7 |
| YOLOv9m | 640 | 51.4 | - | 6.43 | 20.1 | 76.8 |
| YOLOv9c | 640 | 53.0 | - | 7.16 | 25.5 | 102.8 |
| YOLOv9e | 640 | 55.6 | - | 16.77 | 58.1 | 192.5 |
Thế hệ tiếp theo: Vì sao nên chọn YOLO26#
YOLOv9 và YOLOv10 là những cột mốc quan trọng, nhưng lĩnh vực machine learning phát triển nhanh chóng. Trong môi trường production, nhiều nhà phát triển dựa vào hệ sinh thái tích hợp, được duy trì tốt của Ultralytics Platform. Tính đến năm 2026, Ultralytics khuyến nghị YOLO26 cho cả nghiên cứu lẫn doanh nghiệp.
YOLO26 kế thừa các ý tưởng từ những phiên bản trước, mang đến trải nghiệm sử dụng tinh gọn, API đơn giản và yêu cầu bộ nhớ khi huấn luyện thấp hơn các kiến trúc dựa trên Transformer.
Các cải tiến chính trong YOLO26#
- Thiết kế end-to-end không dùng NMS: Dựa trên YOLOv10, YOLO26 hỗ trợ suy luận end-to-end tùy chọn, bỏ qua hậu xử lý NMS bằng
nms=Falseđể đơn giản hóa triển khai và giúp độ trễ dễ dự đoán hơn. - Suy luận CPU nhanh hơn tới 43%: YOLO26n chạy trên CPU nhanh hơn YOLO11n tới 43%, khiến YOLO26 phù hợp với AI biên và hệ thống nhúng không có GPU chuyên dụng.
- Bộ tối ưu MuSGD: Phương pháp kết hợp SGD và Muon (lấy cảm hứng từ các phương pháp tối ưu cho mô hình ngôn ngữ lớn), giúp huấn luyện ổn định và hội tụ nhanh.
- Loại bỏ DFL: Bằng cách loại bỏ Distribution Focal Loss, YOLO26 đơn giản hóa quy trình xuất model, cải thiện khả năng tương thích với thiết bị công suất thấp và nhiều framework triển khai trên thiết bị biên.
- Cải tiến chuyên biệt theo tác vụ: Khác với các bộ phát hiện chỉ thực hiện một tác vụ, YOLO26 hỗ trợ phát hiện, phân đoạn instance, phân đoạn ngữ nghĩa, ước lượng độ sâu, phân loại, ước lượng tư thế và OBB. Model sử dụng hàm mất mát phân đoạn ngữ nghĩa để cải thiện phân đoạn instance, Ước lượng Log-Hợp lý dư (RLE) để ước lượng tư thế chính xác hơn và hàm mất mát góc chuyên biệt để xử lý vấn đề biên OBB (Hộp giới hạn định hướng).
Triển khai thực tế#
Việc huấn luyện và triển khai các model này rất đơn giản với package Python Ultralytics. Ví dụ sau minh họa quy trình huấn luyện của Ultralytics, tự động xử lý lập lịch learning rate và tăng cường dữ liệu.
from ultralytics import YOLO
# Tải model YOLO26 được khuyến nghị
model = YOLO("yolo26n.pt") # Cũng tương thích với 'yolov10n.pt' hoặc 'yolov9c.pt'
# Huấn luyện model trên dataset ví dụ COCO8
train_results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0, batch=16)
# Chạy suy luận
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 YOLOv9 phụ thuộc vào yêu cầu cụ thể của dự án, các ràng buộc triển khai và ưu tiên về hệ sinh thái.
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 YOLOv9#
YOLOv9 được khuyến nghị cho:
- Nghiên cứu về 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 lớp mạng sâu khi huấn luyện.
- Đánh giá hiệu năng phát hiện độ chính xác cao: Các tình huống cần hiệu năng mạnh của YOLOv9 trên benchmark COCO làm mốc tham chiếu để so sánh kiến trúc.
Khi nào nên chọn Ultralytics (YOLO26)#
Với hầu hết dự án mới, Ultralytics YOLO26 mang lại sự kết hợp tốt nhất giữa hiệu năng và trải nghiệm developer:
- 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.
Kết luận#
YOLOv9 và YOLOv10 đều có những ưu điểm riêng. YOLOv9 tối đa hóa hiệu quả tham số và luồng gradient, còn YOLOv9e đạt độ chính xác cao nhất trong so sánh này. YOLOv10 đã đưa khả năng phát hiện bounding box end-to-end vào dòng YOLO mà không phải chịu chi phí độ trễ của NMS.
Với các nhà phát triển cần sự cân bằng tốt nhất giữa hiệu năng, tính linh hoạt và tính dễ sử dụng, việc nâng cấp lên model mới hơn là lựa chọn đáng cân nhắc. Với bộ tối ưu MuSGD, ProgLoss + STAL giúp cải thiện phát hiện vật thể nhỏ và khả năng hỗ trợ đa tác vụ, YOLO26 là lựa chọn được khuyến nghị cho các dự án thị giác máy tính thực tế.
Bình luận
Đặt câu hỏi, chia sẻ kết quả hoặc giúp đỡ người khác.