YOLOv5 và YOLOv7
Lĩnh vực thị giác máy tính đã phát triển nhanh chóng trong vài năm qua, được thúc đẩy bởi nhu cầu phát hiện vật thể theo thời gian thực nhanh và chính xác hơn. Khi chọn kiến trúc phù hợp cho dự án, việc hiểu rõ khác biệt giữa các model phổ biến như Ultralytics YOLOv5 và YOLOv7 rất quan trọng. Phần so sánh kỹ thuật này trình bày kiến trúc, phương pháp huấn luyện, chỉ số hiệu năng và tình huống triển khai lý tưởng của hai model để giúp bạn đưa ra quyết định sáng suốt.
Tổng quan nhanh: Nguồn gốc model#
Hiểu rõ nguồn gốc và triết lý thiết kế của các model này giúp làm sáng tỏ những lựa chọn kiến trúc của chúng.
Thông tin về YOLOv5:
- Tác giả: Glenn Jocher
- Tổ chức: Ultralytics
- Ngày: 2020-06-26
- GitHub: Kho lưu trữ YOLOv5
- Tài liệu: Tài liệu YOLOv5
Chi tiết YOLOv7:
- Tác giả: Chien-Yao Wang, Alexey Bochkovskiy và Hong-Yuan Mark Liao
- Tổ chức: Viện Khoa học Thông tin, Academia Sinica, Đài Loan
- Ngày: 2022-07-06
- arXiv: Bài báo YOLOv7
- GitHub: Kho lưu trữ YOLOv7
- Tài liệu: Tài liệu YOLOv7
Bạn muốn biết các model này so sánh thế nào với những model khác? Hãy xem các bài so sánh như YOLOv5 và YOLO11 hoặc YOLOv7 và EfficientDet để hiểu sâu hơn về hệ sinh thái phát hiện vật thể.
Đổi mới và khác biệt về kiến trúc#
YOLOv5: Tiêu chuẩn về tính dễ tiếp cận#
Được Ultralytics giới thiệu vào năm 2020, YOLOv5 được xây dựng nguyên bản trên framework PyTorch, giúp hạ thấp đáng kể rào cản tiếp cận đối với nhà nghiên cứu và nhà phát triển. Kiến trúc của model dựa trên backbone Modified CSPDarknet53, tích hợp mạng Cross Stage Partial (CSP) để giảm số lượng tham số mà vẫn duy trì luồng gradient.
Một trong những thế mạnh lớn nhất của YOLOv5 là yêu cầu bộ nhớ thấp. So với các bộ phát hiện hai giai đoạn đời cũ hoặc model Transformer nặng như RT-DETR, YOLOv5 cần ít bộ nhớ CUDA hơn đáng kể trong quá trình huấn luyện, cho phép tăng kích thước batch trên GPU phổ thông. Model này cũng có Tính linh hoạt: repository YOLOv5 gốc hỗ trợ phát hiện vật thể, phân đoạn instance và phân loại ảnh.
YOLOv7: Đẩy giới hạn độ chính xác theo thời gian thực#
Ra mắt vào giữa năm 2022, YOLOv7 tập trung nâng cao độ chính xác tiên tiến cho tác vụ phát hiện theo thời gian thực trên benchmark MS COCO. Các tác giả giới thiệu Extended Efficient Layer Aggregation Network (E-ELAN), giúp cải thiện khả năng học của mạng mà không phá vỡ đường dẫn gradient ban đầu.
YOLOv7 còn nổi tiếng với “trainable bag-of-freebies”, đặc biệt là các kỹ thuật tái tham số hóa trong quá trình huấn luyện, chuyển nhiều module thành một lớp tích chập duy nhất khi suy luận để tăng tốc độ mà không làm giảm độ chính xác. Tuy nhiên, phương pháp huấn luyện phức tạp này thường khiến quá trình làm quen khó hơn và pipeline xuất model kém đơn giản hơn so với hệ sinh thái Ultralytics nguyên bản.
So sánh hiệu năng#
Khi đánh giá các model này, yếu tố then chốt là Cân bằng hiệu năng giữa tốc độ, độ chính xác và chi phí tính toán. Dưới đây là phần so sánh chi tiết các chỉ số hiệu năng dựa trên tập dữ liệu MS COCO val2017.
| Model | kích thước (pixel) | mAPval50-95 | Tốc độ CPU ONNX (ms) | Tốc độ T4 TensorRT10 (ms) | params (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv5n | 640 | 28.0 | - | 1.12 | 1.9 | 4.5 |
| YOLOv5s | 640 | 37.4 | - | 1.92 | 7.2 | 16.5 |
| YOLOv5m | 640 | 45.4 | - | 4.03 | 21.2 | 49.0 |
| YOLOv5l | 640 | 49.0 | - | 6.61 | 46.5 | 109.1 |
| YOLOv5x | 640 | 50.7 | - | 11.89 | 86.7 | 205.7 |
| YOLOv7l | 640 | 51.4 | - | 6.84 | 36.9 | 104.7 |
| YOLOv7x | 640 | 53.1 | - | 11.57 | 71.3 | 189.9 |
Dù YOLOv7 đạt điểm mAP tuyệt đối cao hơn ở các biến thể lớn, YOLOv5 cung cấp dải kích thước model rộng hơn, từ Nano gọn nhẹ (YOLOv5n) cho thiết bị biên đến Extra-Large (YOLOv5x) cho suy luận trên cloud.
Lợi thế của hệ sinh thái Ultralytics#
Giá trị của một model không chỉ nằm ở kiến trúc thuần túy; hệ sinh thái xung quanh quyết định tốc độ đưa model vào production. Đây là điểm mạnh của các model Ultralytics.
- Dễ sử dụng: Nền tảng Ultralytics và API Python thống nhất mang đến trải nghiệm người dùng tinh gọn, cú pháp đơn giản và tài liệu phong phú. Huấn luyện trên tập dữ liệu tùy chỉnh chỉ cần rất ít mã lệnh mẫu rập khuôn.
- Hệ sinh thái được duy trì tốt: Ultralytics được hưởng lợi từ quá trình phát triển tích cực, các bản cập nhật thường xuyên và sự hỗ trợ mạnh mẽ từ cộng đồng. Các tích hợp với công cụ như Comet và Weights & Biases được tích hợp sẵn.
- Hiệu quả huấn luyện: Data loader, bộ nhớ đệm thông minh và hỗ trợ nhiều GPU giúp các model Ultralytics huấn luyện hiệu quả. Trọng số pretrained có sẵn giúp tăng tốc học chuyển giao.
Ví dụ code: Bắt đầu#
Với Ultralytics, bạn chỉ cần vài dòng code để triển khai một model. Đoạn code Python sau minh họa việc tải, huấn luyện và chạy suy luận đơn giản như thế nào bằng package được khuyến nghị ultralytics.
from ultralytics import YOLO
# Tải model YOLOv5s đã được huấn luyện trước
model = YOLO("yolov5su.pt") # YOLOv5u: weight YOLOv5 không anchor dành cho package ultralytics
# Huấn luyện model trên dataset ví dụ COCO8
# Ultralytics tự động xử lý việc tải dữ liệu và augmentation
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Chạy suy luận trên ảnh mẫu
predictions = model("https://ultralytics.com/images/bus.jpg")
# Hiển thị các dự đoán
predictions[0].show()Ngược lại, sử dụng repository YOLOv7 gốc thường đòi hỏi phải clone các repository phức tạp, quản lý dependency thủ công và dùng các đối số dòng lệnh dài.
Ứng dụng thực tế và trường hợp sử dụng phù hợp#
Khi nào nên chọn YOLOv7#
YOLOv7 vẫn là lựa chọn phù hợp cho benchmark học thuật hoặc các pipeline GPU cũ cụ thể, trong đó mAP tối đa là mục tiêu duy nhất và hệ thống đã được tùy chỉnh cho tensor đầu ra dựa trên anchor. Các nhà nghiên cứu phân tích đường dẫn gradient thường dùng YOLOv7 làm baseline.
Khi nào nên chọn YOLOv5#
YOLOv5 được sử dụng rộng rãi trong môi trường production nhờ tính ổn định. Đây là lựa chọn hàng đầu cho:
- Điện toán di động và biên: Triển khai YOLOv5n lên iOS qua CoreML hoặc Android qua LiteRT.
- Startup linh hoạt: Các nhóm cần lặp lại nhanh chóng được hưởng lợi từ khả năng tích hợp Nền tảng Ultralytics để quản lý tập dữ liệu và huấn luyện trên cloud.
- Môi trường đa nhiệm: Các hệ thống kết hợp phát hiện vật thể, phân đoạn và phân loại.
Tương lai: Chuyển sang YOLO26#
Dù so sánh YOLOv5 và YOLOv7 là cách tuyệt vời để hiểu sự phát triển của AI thị giác, công nghệ tiên tiến nhất vẫn tiếp tục tiến bộ. Ra mắt vào tháng 1 năm 2026, Ultralytics YOLO26 là lựa chọn được khuyến nghị để bắt đầu các dự án mới.
YOLO26 có một số ưu điểm so với cả YOLOv5 và YOLOv7:
- Thiết kế NMS-Free End-to-End: Bằng cách tùy chọn bỏ qua bước hậu xử lý Non-Maximum Suppression (
nms=False), YOLO26 giúp triển khai đơn giản hơn và độ trễ nhất quán hơn. - Bộ tối ưu MuSGD: Lấy cảm hứng từ những đổi mới LLM của Moonshot AI, bộ tối ưu lai này giúp huấn luyện ổn định và hội tụ nhanh hơn.
- Suy luận biên nhanh hơn: Được tối ưu hóa cho môi trường biên, YOLO26n chạy nhanh hơn YOLO11n tới 43% trên CPU, một phần nhờ loại bỏ Distribution Focal Loss (DFL).
- Độ chính xác cao hơn: Các kỹ thuật huấn luyện mới như ProgLoss + STAL cải thiện khả năng nhận diện vật thể nhỏ, hữu ích cho video drone và robot.
Dù bạn duy trì pipeline YOLOv5 hiện có hay áp dụng YOLO26, Nền tảng Ultralytics đều cung cấp công cụ chú giải, huấn luyện và triển khai.
Bình luận
Đặt câu hỏi, chia sẻ kết quả hoặc giúp đỡ người khác.