YOLOv5 và YOLOv10#
Lĩnh vực thị giác máy tính thời gian thực đã chứng kiến sự tăng trưởng theo cấp số nhân trong vài năm qua, với các kiến trúc khác nhau đẩy giới hạn của những gì khả thi trên phần cứng hiện đại. Khi đánh giá các kiến trúc tối tân, việc so sánh giữa YOLOv5 và YOLOv10 làm nổi bật một bước tiến hóa quan trọng trong lĩnh vực phát hiện đối tượng. Bài phân tích kỹ thuật chuyên sâu này khám phá các mô hình kiến trúc, sự đánh đổi về hiệu năng và cách các nhà phát triển có thể tận dụng các công cụ này trong môi trường sản xuất.
Phân tích chuyên sâu về kiến trúc#
Việc hiểu rõ sự khác biệt về cấu trúc giữa các model này là yếu tố then chốt để triển khai chúng một cách hiệu quả trong thực tế.
Ultralytics YOLOv5: Tiêu chuẩn công nghiệp#
Được giới thiệu bởi Ultralytics, YOLOv5 từ lâu đã được công nhận nhờ sự cân bằng tuyệt vời giữa tốc độ, độ chính xác và tính dễ tiếp cận.
- Tác giả: Glenn Jocher
- Tổ chức: Ultralytics
- Ngày: 2020-06-26
- GitHub: YOLOv5 Repository
- Documentation: YOLOv5 Docs
YOLOv5 dựa trên cơ chế phát hiện dựa trên anchor kết hợp với một backbone CSPDarknet được tối ưu hóa sâu sắc. Kiến trúc này phụ thuộc nhiều vào các thao tác chuẩn được hỗ trợ trên hầu như tất cả các engine suy luận, giúp nó vô cùng linh hoạt. Điểm mạnh lớn nhất của nó nằm ở Ultralytics Python SDK, cung cấp trải nghiệm người dùng tinh gọn, một API đơn giản và tài liệu phong phú. Ngoài ra, yêu cầu bộ nhớ thấp hơn của YOLOv5 so với các model dựa trên Transformer đồng nghĩa với việc nó huấn luyện nhanh chóng trên các GPU cấp độ người dùng mà không có chi phí VRAM lớn.
YOLOv10: Tiến hóa mô hình#
Được phát triển bởi các nhà nghiên cứu tại Đại học Thanh Hoa, YOLOv10 hướng tới việc giải quyết các nút thắt độ trễ cụ thể được tìm thấy trong các kiến trúc trước đó.
- Tác giả: Ao Wang, Hui Chen, Lihao Liu, et al.
- Tổ chức: Tsinghua University
- Ngày: 23-05-2024
- ArXiv: 2405.14458
- GitHub: YOLOv10 Repository
- Documentation: YOLOv10 Docs
Đặc điểm xác định của YOLOv10 là thiết kế không cần NMS (Non-Maximum Suppression) một cách nguyên bản. Bằng cách sử dụng các phân công kép nhất quán trong quá trình huấn luyện, model loại bỏ nhu cầu xử lý hậu kỳ NMS trong quá trình suy luận. Việc giảm độ trễ về mặt lý thuyết này rất có lợi cho các triển khai chạy trên phần cứng cao cấp với khả năng tăng tốc NVIDIA TensorRT mạnh mẽ, mặc dù nó có thể tạo ra các độ phức tạp về cấu trúc cho các thiết bị biên.
Mặc dù YOLOv10 cung cấp các điểm mới lạ về kiến trúc thú vị, các model Ultralytics như YOLOv5 và YOLO26 mới hơn được hỗ trợ nguyên bản trong Ultralytics Platform, mang lại hiệu quả huấn luyện vượt trội, tiến hóa siêu tham số tự động và các tùy chọn xuất mở rộng ngay khi mở hộp.
Phân tích Hiệu suất#
Khi so sánh các model này, sự cân bằng giữa độ chính xác (mAP) và chi phí tính toán (độ trễ và tham số) quyết định trường hợp sử dụng tốt nhất. Dưới đây là so sánh hiệu năng kỹ thuật trên COCO dataset.
| Mô hình | kích thước (pixel) | mAPval 50-95 | Tốc độ CPU ONNX (ms) | Tốc độ T4 TensorRT10 (ms) | params (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv5n | 640 | 28.0 | 73.6 | 1.12 | 2.6 | 7.7 |
| YOLOv5s | 640 | 37.4 | 120.7 | 1.92 | 9.1 | 24.0 |
| YOLOv5m | 640 | 45.4 | 233.9 | 4.03 | 25.1 | 64.2 |
| YOLOv5l | 640 | 49.0 | 408.4 | 6.61 | 53.2 | 135.0 |
| YOLOv5x | 640 | 50.7 | 763.2 | 11.89 | 97.2 | 246.4 |
| 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 |
YOLOv10 rõ ràng đạt được mAP50-95 cao hơn ở các quy mô kích thước tương đương, tận dụng thiết kế model hướng đến sự hiệu quả-chính xác hiện đại hóa của nó. Tuy nhiên, YOLOv5 vẫn duy trì độ trễ cạnh tranh đáng kinh ngạc, đặc biệt là ở các tầng Nano và Small, giúp nó có độ tin cậy cao đối với các môi trường nhúng bị giới hạn như dòng NVIDIA Jetson hoặc CPU chuẩn thông qua OpenVINO.
Phương pháp huấn luyện và Hệ sinh thái#
Giá trị của một model gắn liền sâu sắc với hệ sinh thái xung quanh nó. Ultralytics duy trì một hệ sinh thái được bảo trì đặc biệt tốt hỗ trợ một loạt các tác vụ cực kỳ rộng lớn. Trong khi YOLOv10 chỉ tập trung hoàn toàn vào object detection 2D, Ultralytics hỗ trợ nguyên bản instance segmentation, image classification, pose estimation và oriented bounding boxes (OBB).
Hơn nữa, việc huấn luyện một model Ultralytics đòi hỏi gánh nặng bộ nhớ thấp hơn đáng kể so với các phương pháp dựa trên Transformer cạnh tranh, giúp chu trình phát triển nhanh chóng và tiết kiệm chi phí.
Thực thi code liền mạch#
Việc huấn luyện, xác thực và xuất model được hợp nhất dưới một API duy nhất. Bạn có thể chuyển đổi giữa các model chỉ bằng cách thay đổi một chuỗi văn bản.
from ultralytics import YOLO
# Load a pre-trained YOLOv5 model for baseline testing
model_v5 = YOLO("yolov5s.pt")
# Load a YOLOv10 model for comparison
model_v10 = YOLO("yolov10s.pt")
# Train the model on the COCO8 dataset efficiently
results = model_v5.train(
data="coco8.yaml",
epochs=100,
imgsz=640,
device="0", # Automatically utilizes PyTorch CUDA acceleration
batch=16,
)
# Export to ONNX for CPU inference deployment
model_v5.export(format="onnx", simplify=True)Các trường hợp sử dụng và Khuyến nghị#
Việc lựa chọn giữa YOLOv5 và YOLOv10 phụ thuộc vào yêu cầu dự án cụ thể, hạn chế triển khai và tùy chọn hệ sinh thái của bạn.
Khi nào nên chọn YOLOv5#
YOLOv5 là lựa chọn mạnh mẽ cho:
- Hệ thống sản xuất đã được kiểm chứng: Các hệ thống triển khai hiện có, nơi mà lịch sử lâu dài về tính ổn định, tài liệu đầy đủ và sự hỗ trợ cộng đồng khổng lồ của YOLOv5 được đánh giá cao.
- Huấn luyện hạn chế tài nguyên: Các môi trường có tài nguyên GPU hạn chế, nơi đường ống huấn luyện hiệu quả và yêu cầu bộ nhớ thấp hơn của YOLOv5 mang lại nhiều lợi thế.
- Hỗ trợ định dạng xuất phong phú (Extensive Export Format Support): Các dự án yêu cầu triển khai trên nhiều định dạng bao gồm ONNX, TensorRT, CoreML, và TFLite.
Khi nào nên chọn YOLOv10#
YOLOv10 được khuyến nghị 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 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.
Tương lai: Ultralytics YOLO26#
Mặc dù YOLOv5 đã cách mạng hóa khả năng tiếp cận và YOLOv10 đẩy mạnh giới hạn của kiến trúc không cần NMS, trạng thái công nghệ tiên tiến vẫn liên tục phát triển. Đối với các dự án mới, chúng tôi đặc biệt khuyến nghị sử dụng Ultralytics YOLO26 tiên phong, được ra mắt vào tháng 1 năm 2026.
YOLO26 hợp nhất độ tin cậy của hệ sinh thái Ultralytics với những tiến bộ mang tính đột phá:
- Thiết kế NMS-Free End-to-End: Kết hợp mô hình không cần NMS trực tiếp vào framework Ultralytics, YOLO26 đơn giản hóa việc triển khai và đảm bảo độ trễ thấp hơn.
- Suy luận CPU nhanh hơn tới 43%: Với việc loại bỏ Distribution Focal Loss (DFL), YOLO26 nhanh hơn rõ rệt trên các thiết bị cạnh không có GPU.
- Trình tối ưu hóa MuSGD: Lấy cảm hứng từ các cải tiến huấn luyện LLM từ Moonshot AI, trình tối ưu hóa MuSGD cung cấp sự ổn định chưa từng có và hội tụ nhanh chóng.
- ProgLoss + STAL: Những hàm loss mới lạ này cải thiện đáng kể khả năng nhận diện đối tượng nhỏ, rất quan trọng cho các lĩnh vực như hình ảnh drone và robotics.
Bạn có thể quản lý, huấn luyện và triển khai YOLO26 trực tiếp thông qua Ultralytics Platform.
Kết luận#
Việc lựa chọn giữa YOLOv5 và YOLOv10 thường phụ thuộc vào các hạn chế cụ thể của dự án. YOLOv10 cung cấp mAP tuyệt vời cho các nhà nghiên cứu và các ứng dụng tận dụng thông lượng GPU thô. Ngược lại, YOLOv5 vẫn là một
Tuy nhiên, lĩnh vực thị giác máy tính rất năng động. Để khai thác sự cân bằng hiệu năng tốt nhất tuyệt đối, tính linh hoạt và sự dễ sử dụng, các nhà phát triển nên tìm đến Ultralytics YOLO26. Nó gói gọn tốc độ suy luận không cần NMS với hệ sinh thái Ultralytics mạnh mẽ, được tài liệu hóa tốt, đảm bảo các giải pháp AI thị giác của bạn sẵn sàng cho tương lai. Đối với các trường hợp sử dụng chuyên biệt, các nhà phát triển cũng có thể khám phá YOLO11 để có độ bền vững chung, hoặc RT-DETR cho độ chính xác dựa trên Transformer.