Bắt đầu

YOLOv5 và YOLOv6-3.0

Lĩnh vực thị giác máy tính không ngừng phát triển, với các kiến trúc mới liên tục mở rộng giới hạn về tốc độ và độ chính xác. Khi chọn model cho dự án AI thị giác tiếp theo, nhà phát triển thường phải cân nhắc giữa framework đa năng đã được kiểm chứng và bộ phát hiện công nghiệp chuyên biệt cao. Phần so sánh này tìm hiểu khác biệt kỹ thuật giữa Ultralytics YOLOv5 và YOLOv6-3.0 của Meituan, giúp bạn chọn công cụ phù hợp nhất với nhu cầu triển khai.

Giới thiệu các model#

Ultralytics YOLOv5: Tiêu chuẩn đa năng#

Ra mắt vào năm 2020, Ultralytics YOLOv5 nhanh chóng trở thành lựa chọn được áp dụng rộng rãi nhờ khả năng phát hiện vật thể hiệu năng cao, dễ tiếp cận. Model này nổi tiếng với tính dễ sử dụng, pipeline huấn luyện mạnh mẽ và khả năng tích hợp triển khai phong phú.

YOLOv5 được thiết kế ngay từ đầu để mang lại trải nghiệm phát triển đơn giản trong hệ sinh thái PyTorch. Model này đạt được sự cân bằng hiệu năng thuận lợi: mAP (độ chính xác trung bình trung bình) cao đồng thời duy trì tốc độ suy luận cao, phù hợp với nhiều tình huống triển khai thực tế, từ thiết bị biên đến máy chủ cloud.

YOLOv6-3.0: Thông lượng công nghiệp#

Được phát triển bởi Bộ phận AI Thị giác của Meituan, YOLOv6-3.0 được thiết kế chuyên biệt cho các ứng dụng công nghiệp, đặc biệt ưu tiên thông lượng thuần trên các bộ tăng tốc phần cứng chuyên dụng.

  • Tác giả: Chuyi Li, Lulu Li, Yifei Geng, và cộng sự.
  • Tổ chức: Meituan
  • Ngày: 2023-01-13
  • arXiv: 2301.05586
  • GitHub: meituan/YOLOv6

YOLOv6 hướng đến tối đa hóa tốc độ xử lý trên GPU như NVIDIA T4. Model sử dụng các phương pháp lượng tử hóa chuyên dụng và backbone đặc thù để đạt hiệu năng cao, là lựa chọn phù hợp cho xử lý trên máy chủ backend, nơi suy luận theo batch được sử dụng nhiều.

Tìm hiểu thêm về YOLOv6

Khác biệt về kiến trúc#

Việc hiểu rõ các lựa chọn kiến trúc đằng sau những model này rất quan trọng để xác định trường hợp sử dụng lý tưởng.

Kiến trúc YOLOv5#

YOLOv5 sử dụng backbone CSPDarknet được tối ưu hóa cao, kết hợp với neck Path Aggregation Network (PANet). Cấu trúc này được tinh chỉnh kỹ lưỡng để giảm thiểu yêu cầu bộ nhớ trong quá trình huấn luyện và suy luận. Khác với các model Transformer lớn đòi hỏi nhiều bộ nhớ CUDA và thời gian huấn luyện dài, YOLOv5 hoạt động hiệu quả trên phần cứng phổ thông.

Hiệu quả sử dụng bộ nhớ

Các model Ultralytics được thiết kế chuyên biệt để huấn luyện hiệu quả. Bạn thường có thể huấn luyện model YOLOv5 trên một GPU tầm trung, giúp model dễ tiếp cận với cả nhà nghiên cứu lẫn startup.

YOLOv5 không chỉ là bộ phát hiện vật thể: repository YOLOv5 gốc mở rộng kiến trúc để hỗ trợ phân đoạn instance và phân loại ảnh.

Kiến trúc YOLOv6-3.0#

YOLOv6-3.0 có backbone EfficientRep được thiết kế thân thiện với phần cứng, đặc biệt là khi chạy trên GPU. Model sử dụng module Bi-directional Concatenation (BiC) trong neck để tăng cường hợp nhất đặc trưng.

Trong quá trình huấn luyện, YOLOv6 sử dụng chiến lược Anchor-Aided Training (AAT) để ổn định quá trình hội tụ, dù khi suy luận model vẫn là detector không dùng anchor. Kiến trúc này hoạt động xuất sắc với các tác vụ tăng tốc bằng GPU, nhưng đôi khi khó điều chỉnh hơn cho nhiều thiết bị biên so với framework YOLOv5 có tính di động cao.

Phân tích hiệu năng#

Khi đánh giá các model này, chỉ số tốc độ thuần và độ chính xác là rất quan trọng. Bảng dưới đây so sánh hiệu năng của các kích thước model khác nhau trên dataset COCO.

Modelkích thước
(pixel)
mAPval50-95Tốc độ
CPU ONNX
(ms)
Tốc độ
T4 TensorRT10
(ms)
params
(M)
FLOPs
(B)
YOLOv5n64028.0-1.121.94.5
YOLOv5s64037.4-1.927.216.5
YOLOv5m64045.4-4.0321.249.0
YOLOv5l64049.0-6.6146.5109.1
YOLOv5x64050.7-11.8986.7205.7
YOLOv6-3.0n64037.5-1.174.711.4
YOLOv6-3.0s64045.0-2.6618.545.3
YOLOv6-3.0m64050.0-5.2834.985.8
YOLOv6-3.0l64052.8-8.9559.6150.7

Dù YOLOv6-3.0 đạt mAP cao hơn ở mọi kích thước tương ứng, YOLOv5 có dung lượng nhẹ hơn. Ví dụ, YOLOv5n cần ít tham số và FLOPs hơn đáng kể so với phiên bản YOLOv6 tương ứng, rất phù hợp với triển khai trên thiết bị di động hoặc bị giới hạn bởi CPU.

Hệ sinh thái và tính dễ sử dụng#

Yếu tố thực sự tạo nên khác biệt đối với nhiều nhóm kỹ thuật là hệ sinh thái xung quanh model.

YOLOv6 là một repository nghiên cứu có năng lực, nhưng việc triển khai model sang nhiều định dạng đòi hỏi nhiều thao tác thủ công hơn. Ngược lại, Ultralytics cung cấp hệ sinh thái được duy trì tốt với trải nghiệm người dùng tinh gọn. Thông qua API Python thống nhất và Nền tảng Ultralytics trực quan, nhà phát triển có thể quản lý tập dữ liệu, huấn luyện chỉ bằng một cú nhấp và xuất trực tiếp sang các định dạng như ONNX và TensorRT.

Ví dụ code: Ultralytics API hợp nhất#

Package pip Ultralytics ultralytics cho phép bạn tải, huấn luyện và triển khai model chỉ bằng vài dòng code.

from ultralytics import YOLO

# Tải model YOLOv5 small đã được huấn luyện trước
model = YOLO("yolov5su.pt")  # YOLOv5u: weight YOLOv5 không anchor dành cho package ultralytics

# Huấn luyện model trên bộ dữ liệu COCO8
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

# Chạy suy luận nhanh trên ảnh
predictions = model("https://ultralytics.com/images/bus.jpg")

# Export sang ONNX để triển khai trên thiết bị biên
model.export(format="onnx")

Trường hợp sử dụng và khuyến nghị#

Việc chọn YOLOv5 hay YOLOv6 tùy thuộc vào yêu cầu cụ thể của dự án, các giới hạn triển khai và lựa chọn hệ sinh thái của bạn.

Khi nào nên chọn YOLOv5#

YOLOv5 là lựa chọn phù hợp cho:

  • Hệ thống production đã được kiểm chứng: Các hệ thống triển khai hiện có, nơi coi trọng bề dày ổn định, tài liệu toàn diện và cộng đồng lớn 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 YOLOv6#

YOLOv6 được khuyến nghị cho:

  • Triển khai tương thích với phần cứng công nghiệp: Các tình huống mà thiết kế nhận biết phần cứng và tái tham số hóa hiệu quả của model mang lại hiệu năng tối ưu trên phần cứng mục tiêu cụ thể.
  • Detection một giai đoạn tốc độ cao: Các ứng dụng ưu tiên tốc độ suy luận GPU thô để xử lý video thời gian thực trong môi trường được kiểm soát.
  • Tích hợp hệ sinh thái Meituan: Các nhóm đang làm việc trong ngăn xếp công nghệ và hạ tầng triển khai của Meituan.

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: 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.

Bước tiếp theo: Ưu thế của YOLO26#

YOLOv5 vẫn là model bền bỉ, đáng tin cậy và YOLOv6-3.0 có thông lượng GPU công nghiệp mạnh mẽ, nhưng công nghệ tiên tiến nhất đã phát triển thêm. Với nhà phát triển bắt đầu dự án mới hiện nay, lựa chọn được khuyến nghị là Ultralytics YOLO26.

Ra mắt vào tháng 1 năm 2026, YOLO26 là bước tiến đáng kể. Model kế thừa tính linh hoạt của hệ sinh thái Ultralytics, đồng thời giới thiệu một số cải tiến kiến trúc:

  • Thiết kế NMS-Free End-to-End: Head không cần NMS tùy chọn của YOLO26 (nms=False) loại bỏ bước hậu xử lý Non-Maximum Suppression, giảm biến động độ trễ và đơn giản hóa logic triển khai.
  • Suy luận CPU nhanh hơn tới 43%: Nhờ loại bỏ DFL và sử dụng head nhẹ hơn, YOLO26n chạy nhanh hơn YOLO11n tới 43% trên CPU, mang lại lợi ích cho thiết bị biên và thiết bị công suất thấp.
  • Bộ tối ưu MuSGD: Tận dụng những đổi mới trong huấn luyện LLM, bộ tối ưu MuSGD mới giúp quá trình huấn luyện ổn định và hội tụ nhanh hơn.
  • Tính linh hoạt nâng cao: YOLO26 xử lý phân đoạn instance và phân đoạn ngữ nghĩa, ước lượng độ sâu, phân loại, ước lượng tư thế và hộp giới hạn định hướng (OBB) bằng head và hàm loss dành riêng cho từng tác vụ, trong khi ProgLoss và STAL cải thiện khả năng nhận diện vật thể nhỏ.

Nếu đang tìm hiểu các lựa chọn khác trong hệ sinh thái Ultralytics, bạn cũng có thể cân nhắc YOLO11 đa dụng hoặc YOLO-World cho tác vụ phát hiện với từ vựng mở.

Kết luận#

Cả YOLOv5 và YOLOv6-3.0 đều tạo ảnh hưởng đáng kể đến lĩnh vực thị giác máy tính. YOLOv6-3.0 mang lại thông lượng xuất sắc trên phần cứng máy chủ cao cấp, phù hợp với phân tích ngoại tuyến chuyên biệt. Tuy nhiên, YOLOv5 vẫn là lựa chọn mạnh mẽ cho nhà phát triển cần một model bền vững, dễ sử dụng và linh hoạt, được hỗ trợ bởi hệ sinh thái Ultralytics.

Để đạt được sự cân bằng tốt nhất giữa độ chính xác, khả năng triển khai không cần NMS tùy chọn và trải nghiệm phát triển, nâng cấp lên YOLO26 thông qua Nền tảng Ultralytics là hướng đi được khuyến nghị cho các giải pháp AI thị giác hiện đại.

Người đóng góp

Bình luận

Đặt câu hỏi, chia sẻ kết quả hoặc giúp đỡ người khác.