YOLOv5 và YOLOv10#

Lĩnh vực thị giác máy tính thời gian thực đã phát triển theo cấp số nhân trong vài năm qua, với nhiều kiến trúc liên tục mở rộng giới hạn những gì có thể thực hiện trên phần cứng hiện đại. Khi đánh giá các kiến trúc tiên tiến nhất, việc so sánh YOLOv5 và YOLOv10 cho thấy một bước tiến hóa đáng kể trong lĩnh vực phát hiện đối tượng. Phân tích chuyên sâu về kỹ thuật này tìm hiểu các mô hình kiến trúc, sự đánh đổi về hiệu năng và cách nhà phát triển có thể tận dụng những công cụ này trong môi trường production.

Phân tích chuyên sâu về kiến trúc#

Hiểu rõ khác biệt về cấu trúc giữa các model này là yếu tố thiết yếu để triển khai chúng hiệu quả trong thực tế.

Ultralytics YOLOv5: Tiêu chuẩn ngành#

Do Ultralytics giới thiệu, YOLOv5 từ lâu đã được công nhận nhờ khả năng cân bằng vượt trội giữa tốc độ, độ chính xác và tính dễ tiếp cận.

• Tác giả: Glenn Jocher
• Tổ chức: Ultralytics
• Ngày: 2020-06-26
• GitHub: Kho lưu trữ YOLOv5
• Tài liệu: Tài liệu YOLOv5

YOLOv5 dựa trên cơ chế phát hiện anchor kết hợp với backbone CSPDarknet được tối ưu hóa sâu. Kiến trúc này chủ yếu dựa vào các phép toán tiêu chuẩn được hỗ trợ trên hầu hết mọi inference engine, nhờ đó có tính linh hoạt cao. Điểm mạnh lớn nhất của YOLOv5 nằm ở Ultralytics Python SDK, cung cấp trải nghiệm người dùng tinh gọn, API đơn giản và tài liệu phong phú. Ngoài ra, yêu cầu bộ nhớ thấp hơn so với các model dựa trên Transformer giúp YOLOv5 huấn luyện nhanh trên GPU phổ thông mà không cần nhiều VRAM.

YOLOv10: Thúc đẩy mô hình mới#

Được phát triển bởi các nhà nghiên cứu tại Đại học Thanh Hoa, YOLOv10 hướng đến giải quyết các nút thắt độ trễ cụ thể trong những kiến trúc trước đó.

• Tác giả: Ao Wang, Hui Chen, Lihao Liu và cộng sự
• Tổ chức: Đại học Thanh Hoa
• Ngày: 2024-05-23
• ArXiv: 2405.14458
• GitHub: Kho lưu trữ YOLOv10
• Tài liệu: Tài liệu YOLOv10

Tìm hiểu thêm về YOLOv10

Đặc điểm nổi bật của YOLOv10 là thiết kế NMS-free (ức chế cực đại không) được tích hợp nguyên bản. Bằng cách sử dụng cơ chế gán kép nhất quán trong quá trình huấn luyện, model loại bỏ nhu cầu hậu xử lý NMS trong giai đoạn suy luận. Việc giảm độ trễ về mặt lý thuyết này rất có lợi cho các triển khai chạy trên phần cứng cao cấp được tăng tốc bởi NVIDIA TensorRT, mặc dù có thể tạo ra độ phức tạp về cấu trúc đối với thiết bị edge.

Phân tích hiệu năng#

Khi so sánh các model này, sự cân bằng giữa độ chính xác (mAP) và chi phí tính toán (độ trễ và số lượng parameter) quyết định trường hợp sử dụng phù hợp nhất. Dưới đây là so sánh hiệu năng kỹ thuật trên dataset COCO.

YOLOv10 rõ ràng đạt mAP50-95 cao hơn ở các quy mô model tương đương nhờ thiết kế model hiện đại, tối ưu hóa cân bằng giữa hiệu quả và độ chính xác. Tuy nhiên, YOLOv5 vẫn duy trì độ trễ rất cạnh tranh, đặc biệt ở các cấp Nano và Small, khiến model trở thành lựa chọn đáng tin cậy cho môi trường nhúng bị giới hạn tài nguyên như dòng NVIDIA Jetson hoặc CPU tiêu chuẩn thông qua OpenVINO.

Phương pháp huấn luyện và hệ sinh thái#

Giá trị của một model gắn chặt với hệ sinh thái hỗ trợ model đó. Ultralytics duy trì một hệ sinh thái được bảo trì rất tốt, hỗ trợ nhiều loại tác vụ. Trong khi YOLOv10 chỉ tập trung vào phát hiện đối tượng 2D, Ultralytics hỗ trợ nguyên bản phân đoạn instance, phân loại hình ảnh, ước tính tư thế và hộp giới hạn xoay (OBB).

Hơn nữa, huấn luyện model Ultralytics đòi hỏi bộ nhớ thấp hơn đáng kể so với các phương pháp dựa trên Transformer cạnh tranh, giúp chu kỳ phát triển nhanh chóng và tiết kiệm chi phí.

Thực thi mã liền mạch#

Việc huấn luyện, xác thực và export model được hợp nhất trong một API duy nhất. Bạn có thể chuyển đổi model chỉ bằng cách thay đổi một chuỗi.

from ultralytics import YOLO

# Nạp model YOLOv5 đã huấn luyện trước để kiểm thử baseline
model_v5 = YOLO("yolov5su.pt")  # YOLOv5u: weight YOLOv5 không anchor dành cho package ultralytics

# Nạp model YOLOv10 để so sánh
model_v10 = YOLO("yolov10s.pt")

# Huấn luyện model hiệu quả trên dataset COCO8
results = model_v5.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    device="0",  # Tự động sử dụng khả năng tăng tốc CUDA của PyTorch
    batch=16,
)

# Export sang ONNX để triển khai suy luận trên CPU
model_v5.export(format="onnx", simplify=True)

Trường hợp sử dụng và khuyến nghị#

Việc lựa chọn giữa YOLOv5 và YOLOv10 phụ thuộc vào yêu cầu cụ thể của dự án, các giới hạn triển khai và hệ sinh thái bạn ưu tiên.

Khi nào nên chọn YOLOv5#

YOLOv5 là lựa chọn phù hợp cho:

• Các hệ thống production đã được kiểm chứng: Những triển khai hiện có coi trọng lịch sử ổn định lâu dài, tài liệu phong phú và sự hỗ trợ rộng rãi từ cộng đồng của YOLOv5.
• Huấn luyện với tài nguyên hạn chế: Các môi trường có tài nguyên GPU hạn chế, nơi pipeline huấn luyện hiệu quả và nhu cầu bộ nhớ thấp hơn của YOLOv5 là một lợi thế.
• Hỗ trợ nhiều định dạng export: Các dự án cần triển khai trên nhiều định dạng, bao gồm ONNX, TensorRT, CoreML và LiteRT.

Khi nào nên chọn YOLOv10#

YOLOv10 được khuyến nghị 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 Ultralytics (YOLO26)#

Với hầu hết dự án mới, Ultralytics YOLO26 mang đến sự kết hợp tốt nhất giữa hiệu năng và trải nghiệm dành cho nhà phát triển:

• 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: Các thiết bị không có GPU tăng tốc chuyên dụng, nơi tốc độ CPU inference nhanh hơn đến 43% của YOLO26 mang lại lợi thế rõ rệt.
• Phát hiện vật thể nhỏ: Các tình huống khó 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 khi phát hiện vật thể rất nhỏ.

Tương lai: Ultralytics YOLO26#

YOLOv5 đã mở rộng khả năng tiếp cận và YOLOv10 đã đẩy xa giới hạn của kiến trúc NMS-free, nhưng lĩnh vực này vẫn không ngừng phát triển. Với các dự án mới, chúng tôi đặc biệt đề xuất Ultralytics YOLO26 tiên tiến, ra mắt vào tháng 1 năm 2026.

YOLO26 kết hợp độ tin cậy của hệ sinh thái Ultralytics với những cải tiến đột phá:

• Thiết kế NMS-Free đầu-cuối: Tích hợp trực tiếp mô hình NMS-free vào framework Ultralytics dưới dạng một head one-to-one tùy chọn (nms=False), YOLO26 đơn giản hóa quá trình triển khai và giảm độ trễ.
• Suy luận CPU nhanh hơn đến 43%: Nhờ loại bỏ Distribution Focal Loss (DFL), YOLO26 nhanh hơn đáng kể trên các thiết bị edge không có GPU.
• Optimizer MuSGD: Lấy cảm hứng từ các đổi mới trong huấn luyện LLM của Moonshot AI, optimizer MuSGD mang lại độ ổn định chưa từng có và hội tụ nhanh.
• ProgLoss + STAL: Các hàm loss mới này cải thiện đáng kể khả năng nhận diện vật thể nhỏ, rất quan trọng trong các lĩnh vực như ảnh chụp bằng drone và robot học.

Bạn có thể quản lý, huấn luyện và triển khai YOLO26 trực tiếp thông qua Nền tảng Ultralytics.

Kết luận#

Việc lựa chọn giữa YOLOv5 và YOLOv10 thường phụ thuộc vào những giới hạn cụ thể của dự án. YOLOv10 có mAP rất tốt cho các nhà nghiên cứu và ứng dụng tận dụng thông lượng GPU thô. Ngược lại, YOLOv5 vẫn là model bền bỉ, có khả năng tương thích cao cho các triển khai tiêu chuẩn.

Tuy nhiên, lĩnh vực thị giác máy tính luôn biến động. Để khai thác sự cân bằng tối ưu giữa hiệu năng, tính linh hoạt và khả năng sử dụng, nhà phát triển nên tìm hiểu Ultralytics YOLO26. Model này kết hợp tốc độ suy luận NMS-free với hệ sinh thái Ultralytics mạnh mẽ, được tài liệu hóa đầy đủ, giúp các giải pháp AI thị giác của bạn sẵn sàng cho tương lai. Với các trường hợp sử dụng chuyên biệt, nhà phát triển cũng có thể tìm hiểu YOLO11 nhờ tính ổn định tổng quát, hoặc RT-DETR nhờ độ chính xác dựa trên Transformer.