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 thị giác máy tính, việc hiểu rõ khác biệt giữa các model phổ biến như Ultralytics YOLOv5 và YOLOv7 là rất quan trọng. Bài so sánh kỹ thuật toàn diện này phân tích sâu kiến trúc, phương pháp huấn luyện, chỉ số hiệu năng và các tình huống triển khai lý tưởng của hai model, 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 với những model khác ra sao? Hãy xem các bài so sánh như YOLOv5 và YOLO11 hoặc YOLOv7 và EfficientDet để hiểu thêm 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 tạo ra bước ngoặt khi sử dụng trực tiếp framework PyTorch, giúp giảm đáng kể rào cản gia nhập đối với các nhà nghiên cứu và nhà phát triển. Kiến trúc của model dựa trên backbone Modified CSPDarknet53, tích hợp các mạng Cross Stage Partial (CSP) để giảm số lượng tham số mà vẫn duy trì luồng gradient.
Một trong những ưu điểm lớn nhất của model là yêu cầu bộ nhớ. So với các detector hai giai đoạn cũ hơn hoặc các model Transformer nặng như RT-DETR, YOLOv5 cần ít bộ nhớ CUDA hơn đáng kể trong quá trình huấn luyện, cho phép sử dụng batch size lớn hơn trên các GPU phổ thông. Ngoài ra, tính linh hoạt được tích hợp sẵn hỗ trợ liền mạch phân loại ảnh, phát hiện vật thể và phân đoạn ảnh.
YOLOv7: Đẩy giới hạn độ chính xác theo thời gian thực#
Ra mắt vào giữa năm 2022, YOLOv7 tập trung đẩy xa giới hạn hiện đại nhất trong phát hiện theo thời gian thực trên các benchmark MS COCO. Các tác giả giới thiệu Mạng tổng hợp lớp hiệu quả mở rộng (E-ELAN), giúp cải thiện khả năng học của mạng mà không phá vỡ đường dẫn gradient ban đầu.
YOLOv7 cũng 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, giúp tăng tốc mà không làm giảm độ chính xác. Tuy nhiên, phương pháp huấn luyện phức tạp này thường khiến quá trình học khó hơn và quy trình export kém trực quan hơn so với hệ sinh thái Ultralytics gốc.
So sánh hiệu năng#
Khi đánh giá các model này, sự cân bằng hiệu năng giữa tốc độ, độ chính xác và chi phí tính toán là yếu tố then chốt. 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) | mAPval 50-95 | 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 mAP tuyệt đối cao hơn ở các biến thể lớn, YOLOv5 cung cấp dải model đa dạng vượt trội—từ Nano siêu nhẹ (YOLOv5n) dành cho thiết bị biên cực nhỏ đến Extra-Large (YOLOv5x) dành 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: Ultralytics Platform và Python API hợp nhất mang đến trải nghiệm người dùng liền mạch, cú pháp đơn giản và tài liệu toàn diện. Huấn luyện trên dataset tùy chỉnh không cần viết mã boilerplate.
- Hệ sinh thái được duy trì tốt: Ultralytics được hưởng lợi từ quá trình phát triển tích cực, cập nhật thường xuyên và sự hỗ trợ mạnh mẽ từ cộng đồng. Các tích hợp với công cụ như Comet ML và Weights & Biases được tích hợp sẵn.
- Hiệu quả huấn luyện: Data loader, caching thông minh và hỗ trợ multi-GPU giúp huấn luyện model Ultralytics cực kỳ hiệu quả. Các pretrained weight có sẵn giúp tăng tốc đáng kể quá trình transfer learning.
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 ưa chuộng rộng rãi trong môi trường production nhờ độ ổn định vượt trội. 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 chu kỳ lặp nhanh sẽ hưởng lợi từ khả năng tích hợp liền mạch với Ultralytics Platform để quản lý dataset và huấn luyện trên cloud.
- Môi trường đa tác vụ: Các hệ thống cần đồng thời phát hiện vật thể, phân loại và phân đoạn.
Tương lai: Chuyển sang YOLO26#
So sánh YOLOv5 và YOLOv7 là cách tuyệt vời để hiểu sự phát triển của AI thị giác, nhưng công nghệ tiên tiến nhất vẫn không ngừng tiến bộ. Ra mắt vào tháng 1 năm 2026, Ultralytics YOLO26 đánh dấu bước tiến vượt bậc, khiến các kiến trúc cũ phần lớn không còn phù hợp cho dự án mới.
Đối với các nhà phát triển muốn đạt hiệu năng tối đa, YOLO26 mang đến một số ưu điểm đột phá so với cả YOLOv5 và YOLOv7:
- Thiết kế đầu-cuối không cần NMS: Bằng cách tùy chọn bỏ qua bước hậu xử lý Non-Maximum Suppression (
nms=False), YOLO26 giúp triển khai đơn giản hơn đáng kể và cho độ trễ nhanh, ổn định. - Optimizer MuSGD: Lấy cảm hứng từ những đổi mới LLM của Moonshot AI, optimizer lai này mang lại quá trình huấn luyện ổn định và hội tụ nhanh.
- Tốc độ biên vượt trội: Được tối ưu riêng cho môi trường biên, biến thể nano có tốc độ suy luận trên CPU nhanh hơn đến 43% nhờ loại bỏ Distribution Focal Loss (DFL).
- Độ chính xác vượt trội: Các hàm loss mới như ProgLoss + STAL cải thiện đáng kể khả năng nhận diện vật thể nhỏ, khiến model trở nên lý tưởng cho video drone và robotics.
Dù bạn đang duy trì pipeline YOLOv5 hiện có hay muốn triển khai YOLO26 tiên tiến nhất, Ultralytics Platform cung cấp mọi công cụ cần thiết để thành công trong lĩnh vực thị giác máy tính hiện đại.