YOLOv5 so với YOLO26#

Sự phát triển của thị giác máy tính được định hình bởi nỗ lực không ngừng nhằm tạo ra các model nhanh hơn, chính xác hơn và dễ tiếp cận hơn. Khi so sánh Ultralytics YOLOv5 với Ultralytics YOLO26 tiên tiến nhất, chúng ta đang chứng kiến một sự chuyển dịch mô hình, thu hẹp khoảng cách giữa các hệ thống legacy mạnh mẽ và công nghệ triển khai AI hiện đại tiên tiến nhất.

Hướng dẫn này cung cấp phân tích kỹ thuật toàn diện về cả hai kiến trúc, làm nổi bật các chỉ số hiệu năng, khác biệt về cấu trúc và các kịch bản triển khai lý tưởng.

Tổng quan về model#

YOLOv5: Trụ cột của ngành#

Ra mắt vào năm 2020, YOLOv5 đã cách mạng hóa khả năng tiếp cận của bài toán phát hiện đối tượng. Bằng cách chuyển kiến trúc một cách tự nhiên sang framework PyTorch, model này mang đến cho các developer trải nghiệm "từ số 0 đến chuyên gia" chưa từng có.

• Tác giả: Glenn Jocher
• Tổ chức: Ultralytics
• Ngày: 2020-06-26
• GitHub: https://github.com/ultralytics/yolov5
• Tài liệu: Tài liệu YOLOv5

YOLOv5 đã đặt nền móng cho hệ sinh thái Ultralytics được duy trì tích cực. Model này giới thiệu các kỹ thuật tăng cường dữ liệu mạnh, các vòng lặp training hiệu quả và các pipeline export được tối ưu cao sang những định dạng edge như CoreML và ONNX. Tính dễ sử dụng và yêu cầu bộ nhớ thấp trong quá trình training đã khiến model này trở thành lựa chọn quen thuộc của các startup và nhà nghiên cứu trên toàn thế giới.

YOLO26: Tiêu chuẩn AI thị giác thế hệ mới#

Đến tháng 1 năm 2026, Ultralytics YOLO26 đại diện cho đỉnh cao của AI thị giác thời gian thực. Model này tích hợp tự nhiên những bài học rút ra từ các thế hệ trước như YOLOv8 và YOLO11, đồng thời giới thiệu những đột phá lớn lấy cảm hứng từ quá trình training Large Language Model (LLM).

• Tác giả: Glenn Jocher và Jing Qiu
• Tổ chức: Ultralytics
• Ngày: 2026-01-14
• GitHub: https://github.com/ultralytics/ultralytics
• Tài liệu: Tài liệu YOLO26

YOLO26 thiết lập một chuẩn mực mới về sự cân bằng hiệu năng, cung cấp độ chính xác tiên tiến nhất đồng thời được thiết kế chuyên biệt để vượt trội trong các kịch bản edge computing.

Các đột phá về kiến trúc trong YOLO26#

Trong khi YOLOv5 phụ thuộc vào các detection head dựa trên anchor và các hàm loss tiêu chuẩn, YOLO26 đại tu hoàn toàn cơ chế bên trong để loại bỏ các bottleneck khi triển khai.

1. Thiết kế end-to-end không cần NMS: Khác biệt đáng kể nhất là kiến trúc end-to-end tự nhiên của YOLO26. Không giống YOLOv5, vốn yêu cầu Non-Maximum Suppression (NMS) thủ công để lọc các bounding box trùng lặp, YOLO26 loại bỏ hoàn toàn bước post-processing này. Điều đó bảo đảm độ trễ inference mang tính tất định và đơn giản hóa đáng kể việc tích hợp vào C++ hoặc phần cứng nhúng.
2. Loại bỏ DFL: YOLO26 loại bỏ Distribution Focal Loss (DFL). Lựa chọn kiến trúc này đơn giản hóa đáng kể quá trình export model và tăng khả năng tương thích với các thiết bị edge công suất thấp cũng như các vi điều khiển vốn thường gặp khó khăn với các operator phức tạp.
3. Optimizer MuSGD: Lấy cảm hứng từ Kimi K2 của Moonshot AI, YOLO26 sử dụng optimizer MuSGD, một dạng kết hợp giữa SGD và Muon. Điều này mang sự ổn định và khả năng hội tụ nhanh thường thấy trong training LLM vào lĩnh vực thị giác máy tính, giúp giảm mức sử dụng bộ nhớ và rút ngắn chu kỳ training so với các model phụ thuộc nhiều vào Transformer.
4. ProgLoss + STAL: YOLO26 sử dụng các hàm ProgLoss và STAL tiên tiến, cải thiện đáng kể khả năng phát hiện các đối tượng nhỏ và dày đặc—một thách thức lâu nay của YOLOv5.

So sánh hiệu năng#

Khi so sánh các model trên dataset COCO, YOLO26 cho thấy những cải thiện lớn về độ chính xác (mAP), đồng thời giảm số lượng tham số và thời gian inference trên CPU.

Lưu ý: YOLO26 Nano (YOLO26n) đạt 40.9 mAP đáng kể so với 28.0 mAP của YOLOv5n, đồng thời cung cấp inference trên CPU nhanh hơn tới 43% nhờ loại bỏ DFL và sử dụng head không cần NMS.

Tính linh hoạt và hỗ trợ tác vụ#

YOLOv5 chủ yếu được biết đến với object detection. Mặc dù các bản cập nhật sau này đã bổ sung segmentation cơ bản, YOLO26 được xây dựng từ đầu để trở thành một engine multi-task hợp nhất.

YOLO26 hỗ trợ sẵn:

• Instance Segmentation: Sử dụng các proto multi-scale dành riêng cho task và loss semantic segmentation.
• Pose Estimation: Sử dụng Residual Log-Likelihood Estimation (RLE) để phát hiện keypoint với độ chính xác cao.
• Oriented Bounding Boxes (OBB): Bao gồm loss góc chuyên biệt để giải quyết các vấn đề gián đoạn ranh giới, yếu tố then chốt đối với phân tích ảnh vệ tinh.
• Image Classification: Phân loại toàn bộ image theo tiêu chuẩn.

Ví dụ về cách sử dụng và code#

Ultralytics Python API giúp việc chuyển đổi giữa các model trở nên cực kỳ đơn giản. Vì cả hai model đều dùng chung một hệ sinh thái được duy trì tốt, việc cập nhật pipeline YOLOv5 legacy lên YOLO26 chỉ yêu cầu thay đổi file weights.

Ví dụ Python#

from ultralytics import YOLO

# To use YOLOv5, load a v5 weights file
# model = YOLO("yolov5su.pt")

# Migrate to the recommended YOLO26 model
model = YOLO("yolo26n.pt")

# Train on the COCO8 dataset using the efficient MuSGD optimizer
results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    batch=32,  # YOLO26's low memory footprint allows larger batch sizes
)

# Run an NMS-free inference
predictions = model("https://ultralytics.com/images/bus.jpg")
predictions[0].show()

Ví dụ CLI#

Bạn có thể triển khai trực tiếp YOLO26 qua command line bằng integration TensorRT để đạt throughput GPU tối đa:

# Export the model to TensorRT format
yolo export model=yolo26n.pt format=engine

# Run inference with the compiled engine
yolo predict model=yolo26n.engine source=path/to/video.mp4

Các trường hợp sử dụng lý tưởng#

Khi nào nên chọn YOLO26#

Đối với mọi dự án thị giác máy tính hiện đại, YOLO26 là lựa chọn được khuyến nghị rõ ràng.

• Edge AI và IoT: Inference trên CPU nhanh hơn 43% cùng việc loại bỏ DFL khiến model này trở nên lý tưởng để triển khai trên Raspberry Pi hoặc các thiết bị mobile.
• Pipeline tốc độ cao: Kiến trúc không cần NMS bảo đảm độ trễ ổn định, có thể dự đoán, yếu tố rất quan trọng đối với robot tự hành và hệ thống cảnh báo an ninh thời gian thực.
• Kịch bản phức tạp: Nếu ứng dụng của bạn yêu cầu tracking các đối tượng nhỏ (ví dụ: giám sát drone) hoặc các đối tượng xoay (OBB), các hàm loss tiên tiến của YOLO26 (ProgLoss + STAL) mang lại lợi thế lớn về độ chính xác.

Khi nào nên chọn YOLOv5#

• Hệ thống legacy: Nếu môi trường production của bạn có các dependency được hardcode dựa trên logic tạo anchor hoặc parsing NMS riêng của YOLOv5, việc chuyển đổi có thể yêu cầu một khoảng thời gian refactor ngắn.
• Baseline học thuật cụ thể: Các nhà nghiên cứu thường sử dụng YOLOv5 làm baseline kinh điển để minh họa tiến trình lịch sử của kiến trúc object detection.

Tóm tắt#

Quá trình chuyển đổi từ YOLOv5 sang YOLO26 không chỉ là một bản cập nhật lặp; đó là bước nhảy vọt căn bản trong cách các model object detection được training và triển khai. Bằng cách tận dụng optimizer MuSGD, loại bỏ post-processing phức tạp thông qua thiết kế không cần NMS và tăng tốc đáng kể inference trên CPU, Ultralytics YOLO26 mang lại sự cân bằng không thỏa hiệp giữa tốc độ và độ chính xác.

Mặc dù YOLOv5 sẽ luôn được nhớ đến là model đã dân chủ hóa AI thị giác, các developer muốn xây dựng những ứng dụng mạnh mẽ, sẵn sàng cho production và có khả năng thích ứng lâu dài nên tự tin phát triển trên nền tảng YOLO26.