So sánh YOLOv5 và YOLOv7#
Cảnh quan thị giác máy tính đã phát triển nhanh chóng trong vài năm qua, được thúc đẩy bởi nhu cầu phát hiện đối tượng thời gian thực nhanh hơn và chính xác hơn. Khi lựa chọn kiến trúc phù hợp cho dự án thị giác máy tính của bạn, việc hiểu rõ các điểm tinh tế giữa các mô hình phổ biến như Ultralytics YOLOv5 và YOLOv7 là rất quan trọng. So sánh kỹ thuật toàn diện này đi sâu vào kiến trúc, phương pháp đào tạo, chỉ số hiệu suất và các kịch bản triển khai lý tưởng để giúp bạn đưa ra quyết định sáng suốt.
Sơ lược: Nguồn gốc của các Model#
Việc hiểu rõ nguồn gốc và triết lý thiết kế đằng sau những model này cung cấp bối cảnh cho các lựa chọn kiến trúc của chúng.
Chi tiết về YOLOv5:
- Tác giả: Glenn Jocher
- Tổ chức: Ultralytics
- Ngày: 2020-06-26
- GitHub: YOLOv5 Repository
- Tài liệu: YOLOv5 Documentation
Thông tin chi tiết về YOLOv7:
- Tác giả: Chien-Yao Wang, Alexey Bochkovskiy và Hong-Yuan Mark Liao
- Tổ chức: Institute of Information Science, Academia Sinica, Taiwan
- Ngày: 2022-07-06
- Arxiv: YOLOv7 Paper
- GitHub: YOLOv7 Repository
- Docs: YOLOv7 Documentation
Bạn quan tâm đến việc các mô hình này so sánh như thế nào với các mô hình khác? Hãy xem các so sánh của chúng tôi như YOLOv5 vs YOLO11 hoặc YOLOv7 vs EfficientDet để mở rộng hiểu biết của bạn về hệ sinh thái phát hiện đối tượng.
Đổi mới và Khác biệt về Kiến trúc#
YOLOv5: Tiêu chuẩn về khả năng tiếp cận#
Được Ultralytics giới thiệu vào năm 2020, YOLOv5 mang lại sự thay đổi mô hình bằng cách sử dụng nguyên bản framework PyTorch, làm giảm đáng kể rào cản gia nhập cho các nhà nghiên cứu và nhà phát triển. Kiến trúc của nó dựa trên backbone Modified CSPDarknet53, tích hợp các mạng Cross Stage Partial (CSP) để giảm số lượng tham số trong khi vẫn duy trì luồng gradient.
Một trong những điểm mạnh lớn nhất của nó là Yêu cầu bộ nhớ. So với các bộ dò hai giai đoạn cũ hơn hoặc các mô hình transformer nặng như RT-DETR, YOLOv5 yêu cầu ít bộ nhớ CUDA hơn đáng kể trong quá trình đào tạo, cho phép kích thước batch lớn hơn trên các GPU tiêu chuẩn dành cho người tiêu dùng. Hơn nữa, Tính linh hoạt được tích hợp nguyên bản của nó hỗ trợ phân loại hình ảnh, phát hiện đối tượng và phân đoạn hình ảnh một cách mượt mà.
YOLOv7: Vượt qua giới hạn của độ chính xác thời gian thực#
Được phát hành vào giữa năm 2022, YOLOv7 tập trung vào việc đẩy mạnh các giới hạn hiện đại nhất cho khả năng phát hiện thời gian thực trên các benchmark MS COCO. Các tác giả đã giới thiệu Extended Efficient Layer Aggregation Network (E-ELAN), giúp cải thiện khả năng học của mạng mà không làm hỏng đường truyền gradient ban đầu.
YOLOv7 cũng nổi tiếng với "trainable bag-of-freebies", đặc biệt là các kỹ thuật tái tham số hóa (re-parameterization) trong quá trình huấn luyện, giúp chuyển đổi nhiều module thành một lớp tích chập duy nhất để suy luận, từ đó tăng tốc độ mà không làm giảm độ chính xác. Tuy nhiên, phương pháp huấn luyện phức tạp này thường dẫn đến đường cong học tập dốc hơn và các quy trình xuất (export) không trực quan bằng so với hệ sinh thái Ultralytics gốc.
So sánh hiệu năng#
Khi đánh giá các model này, Cân bằng hiệu suất giữa tốc độ, độ chính xác và chi phí tính toán là quan trọng nhất. Dưới đây là bảng so sánh chi tiết các chỉ số hiệu suất của chúng dựa trên tập dữ liệu MS COCO val2017.
| 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 |
| YOLOv7l | 640 | 51.4 | - | 6.84 | 36.9 | 104.7 |
| YOLOv7x | 640 | 53.1 | - | 11.57 | 71.3 | 189.9 |
Trong khi YOLOv7 đạt điểm mAP tuyệt đối cao hơn trên các biến thể lớn hơn, YOLOv5 cung cấp một dải model vô song—từ Nano (YOLOv5n) siêu nhẹ cho các thiết bị biên cực hạn đến Extra-Large (YOLOv5x) cho suy luận trên đám mây.
Lợi thế từ hệ sinh thái Ultralytics#
Tiện ích của một model không chỉ nằm ở kiến trúc thô của nó; hệ sinh thái xung quanh nó quyết định tốc độ triển khai vào môi trường production. Đây là nơi các model của Ultralytics tỏa sáng.
- Dễ sử dụng: Ultralytics Platform và API Python thống nhất của nó cung cấp trải nghiệm người dùng tinh gọn, cú pháp đơn giản và tài liệu phong phú. Việc đào tạo một dataset tùy chỉnh không yêu cầu mã boilerplate nào.
- Hệ sinh thái được bảo trì tốt: Ultralytics hưởng lợi từ sự phát triển tích cực, các bản cập nhật thường xuyên và hỗ trợ cộng đồng mạnh mẽ. Các tích hợp với các công cụ như Comet ML và Weights & Biases được tích hợp sẵn ngay bên trong.
- Hiệu quả đào tạo: Data loader, bộ nhớ đệm thông minh và hỗ trợ đa GPU giúp các mô hình Ultralytics cực kỳ hiệu quả để đào tạo. Trọng lượng được huấn luyện trước sẵn có giúp đẩy nhanh đáng kể học chuyển giao.
Ví dụ mã: Bắt đầu#
Sử dụng Ultralytics, việc triển khai một mô hình chỉ yêu cầu một vài dòng mã. Đoạn mã Python sau đây minh họa mức độ đơn giản khi tải, huấn luyện và chạy suy luận bằng cách sử dụng gói ultralytics được khuyến nghị.
from ultralytics import YOLO
# Load a pretrained YOLOv5s model
model = YOLO("yolov5s.pt")
# Train the model on the COCO8 example dataset
# Ultralytics automatically handles data downloading and augmentation
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Run inference on a sample image
predictions = model("https://ultralytics.com/images/bus.jpg")
# Display the predictions
predictions[0].show()Ngược lại, việc sử dụng kho lưu trữ YOLOv7 gốc thường đòi hỏi phải clone các repo phức tạp, quản lý thủ công các dependency và sử dụng các đối số dòng lệnh dài dòng.
Các ứng dụng thực tế và trường hợp sử dụng lý tưởng#
Khi nào nên chọn YOLOv7#
YOLOv7 vẫn là một ứng cử viên mạnh mẽ cho các benchmark học thuật hoặc các đường ống (pipeline) GPU cũ, nơi mục tiêu duy nhất là đạt mAP tối đa và hệ thống đã được tinh chỉnh cho các tensor đầu ra dựa trên anchor. Các nhà nghiên cứu khám phá phân tích đường truyền gradient thường sử dụng YOLOv7 làm baseline.
Khi nào nên chọn YOLOv5#
YOLOv5 được ưa chuộng cho các môi trường production nhờ sự ổn định đặc biệt. Đây là lựa chọn hàng đầu cho:
- Điện toán di động và biên: Triển khai YOLOv5n lên iOS thông qua CoreML hoặc Android thông qua TFLite.
- Các startup linh hoạt: Các nhóm cần chu kỳ lặp lại nhanh chóng sẽ hưởng lợi từ việc tích hợp Ultralytics Platform mượt mà cho việc quản lý dataset và đào tạo trên đám mây.
- Môi trường đa nhiệm: Các hệ thống yêu cầu đồng thời khả năng phát hiện, phân loại và phân đoạn vật thể.
Tương lai: Chuyển sang YOLO26#
Mặc dù việc so sánh YOLOv5 và YOLOv7 là một bài tập xuất sắc để hiểu sự tiến hóa của AI thị giác, công nghệ tiên tiến đã tiếp tục tiến bộ. Được phát hành vào tháng 1 năm 2026, Ultralytics YOLO26 đại diện cho một bước nhảy vọt mang tính hoành tráng, khiến các kiến trúc cũ phần lớn trở nên lỗi thời đối với các dự án mới.
Đối với các nhà phát triển đang tìm kiếm đỉnh cao của hiệu suất, YOLO26 mang lại một vài lợi thế đột phá so với cả YOLOv5 và YOLOv7:
- Thiết kế NMS-Free đầu-cuối (End-to-End): Bằng cách loại bỏ xử lý hậu kỳ Non-Maximum Suppression, YOLO26 mang lại khả năng triển khai đơn giản hơn đáng kể cùng độ trễ nhất quán và nhanh hơn.
- Bộ tối ưu hóa MuSGD: Lấy cảm hứng từ những đổi mới trong LLM từ Moonshot AI, bộ tối ưu hóa hybrid này mang lại quá trình huấn luyện ổn định và hội tụ nhanh chóng.
- Tốc độ biên chưa từng có: Được tối ưu hóa đặc biệt cho các môi trường biên, biến thể nano có khả năng suy luận CPU nhanh hơn tới 43% bằng cách 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 dạng vật thể nhỏ, làm cho nó trở nên lý tưởng cho các thước phim drone và robot.
Cho dù bạn đang duy trì một pipeline YOLOv5 hiện có hay đang tìm cách triển khai YOLO26 tiên tiến nhất, Ultralytics Platform cung cấp tất cả các công cụ cần thiết để thành công trong thị giác máy tính hiện đại.