YOLOv5 so với YOLOv8
Khi xây dựng các ứng dụng thị giác máy tính có khả năng mở rộng và hiệu quả, việc lựa chọn kiến trúc phù hợp là yếu tố then chốt. Hệ sinh thái Ultralytics liên tục cải thiện tốc độ và độ chính xác, cung cấp cho nhà phát triển các công cụ mạnh mẽ để triển khai trong thực tế. Phần so sánh kỹ thuật này xem xét khác biệt giữa YOLOv5 và YOLOv8, phân tích kiến trúc, sự đánh đổi về hiệu năng và các trường hợp sử dụng lý tưởng, giúp bạn đưa ra quyết định sáng suốt cho dự án AI tiếp theo.
Cả hai model đều là những cột mốc quan trọng trong lịch sử phát hiện vật thể theo thời gian thực, đồng thời đều được hưởng lợi từ yêu cầu bộ nhớ thấp và dễ sử dụng—những đặc điểm tiêu biểu của hệ sinh thái Ultralytics.
YOLOv5: Tiêu chuẩn công nghiệp đáng tin cậy#
Ra mắt vào năm 2020, YOLOv5 nhanh chóng trở thành tiêu chuẩn được áp dụng rộng rãi nhờ khả năng phát hiện vật thể nhanh, dễ tiếp cận và đáng tin cậy. Việc tận dụng triển khai PyTorch nguyên bản giúp model này tinh gọn toàn bộ vòng đời huấn luyện và triển khai cho các kỹ sư trên toàn thế giới.
- Tác giả: Glenn Jocher
- Tổ chức: Ultralytics
- Ngày: 2020-06-26
- GitHub: ultralytics/yolov5
- Tài liệu: Tài liệu YOLOv5
Điểm mạnh kiến trúc#
YOLOv5 sử dụng phương pháp phát hiện dựa trên anchor, dựa vào các anchor box được định nghĩa trước để dự đoán ranh giới vật thể. Kiến trúc của model tích hợp backbone mạng Cross-Stage Partial (CSP), tối ưu luồng gradient và giảm dư thừa tính toán. Nhờ đó, model có dung lượng bộ nhớ nhỏ và huấn luyện nhanh ngay cả trên GPU phổ thông.
Các trường hợp sử dụng phù hợp nhất#
YOLOv5 phù hợp với các dự án ưu tiên thông lượng tối đa và mức sử dụng tài nguyên tối thiểu. Model này hoạt động xuất sắc trong môi trường AI biên, chẳng hạn như triển khai trên Raspberry Pi hoặc thiết bị di động. Nhờ độ trưởng thành, YOLOv5 đã được kiểm chứng trong hàng nghìn lần triển khai thương mại, mang lại hành vi ổn định cho các quy trình phát hiện vật thể truyền thống.
YOLOv8: Framework thị giác hợp nhất#
Ra mắt vào tháng 1 năm 2023, YOLOv8 đánh dấu bước chuyển đổi lớn về kiến trúc, từ một bộ phát hiện vật thể chuyên dụng thành framework thị giác đa nhiệm linh hoạt.
- Tác giả: Glenn Jocher, Ayush Chaurasia và Jing Qiu
- Tổ chức: Ultralytics
- Ngày: 2023-01-10
- GitHub: ultralytics/ultralytics
- Tài liệu: Tài liệu YOLOv8
Các cải tiến kiến trúc#
Khác với phiên bản tiền nhiệm, YOLOv8 giới thiệu head phát hiện không dùng anchor. Điều này loại bỏ nhu cầu tinh chỉnh thủ công cấu hình anchor theo phân bố tập dữ liệu, cải thiện khả năng khái quát hóa trên nhiều tập dữ liệu, từ tập dữ liệu COCO phổ biến đến dữ liệu tùy chỉnh đa dạng.
Kiến trúc này cũng nâng cấp backbone bằng module C2f (nút thắt Cross-Stage Partial với hai phép tích chập), thay thế module C3 cũ. Cải tiến này nâng cao khả năng biểu diễn đặc trưng mà không làm tăng đáng kể mức sử dụng bộ nhớ. Ngoài ra, head tách rời—phân chia tác vụ phân loại và hồi quy—giúp cải thiện hội tụ trong quá trình huấn luyện model.
Tính linh hoạt và Python API#
YOLOv8 giới thiệu API Python ultralytics hiện đại, chuẩn hóa quy trình trên nhiều tác vụ thị giác máy tính. Dù thực hiện phân đoạn instance, phân loại ảnh hay ước lượng tư thế, API thống nhất chỉ yêu cầu thay đổi cấu hình nhỏ.
from ultralytics import YOLO
# Tải model YOLOv8 đã được huấn luyện trước
model = YOLO("yolov8n.pt")
# Huấn luyện trên dataset tùy chỉnh với hiệu quả bộ nhớ tích hợp sẵn
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Chạy suy luận và dễ dàng phân tích kết quả
predictions = model("https://ultralytics.com/images/bus.jpg")
predictions[0].show()So sánh hiệu năng chi tiết#
Khi so sánh hai thế hệ, có một sự đánh đổi kinh điển: YOLOv8 đạt độ chính xác trung bình trung bình (mAP) cao hơn trên mọi phương diện, trong khi YOLOv5 vẫn nhỉnh hơn về tốc độ suy luận thô và số lượng tham số ở các biến thể nhỏ nhất.
Dưới đây là so sánh chi tiết các chỉ số hiệu năng của chúng trên dataset COCO với kích thước ảnh 640 pixel.
| 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 |
| YOLOv8n | 640 | 37.3 | 80.4 | 1.47 | 3.2 | 8.7 |
| YOLOv8s | 640 | 44.9 | 128.4 | 2.66 | 11.2 | 28.6 |
| YOLOv8m | 640 | 50.2 | 234.7 | 5.86 | 25.9 | 78.9 |
| YOLOv8l | 640 | 52.9 | 375.2 | 9.06 | 43.7 | 165.1 |
| YOLOv8x | 640 | 53.9 | 479.1 | 14.37 | 68.2 | 257.8 |
Dữ liệu cho thấy YOLOv8 cải thiện đáng kể độ chính xác. Ví dụ, YOLOv8s đạt 44.9 mAP so với 37.4 mAP của YOLOv5s, tăng 7.5 điểm—mức cải thiện hữu ích trong cảnh dày đặc và khi xử lý vật thể nhỏ. Tuy nhiên, trong môi trường có nhiều giới hạn, YOLOv5n vẫn là lựa chọn hiệu quả nhất nhờ số lượng tham số và FLOPs thấp nhất.
Cả hai model đều được tối ưu cao để sử dụng ít bộ nhớ CUDA hơn trong quá trình huấn luyện so với các kiến trúc nặng hơn như model Transformer. Nhờ đó, người dùng có thể sử dụng batch size lớn hơn trên GPU tiêu chuẩn, đẩy nhanh chu kỳ nghiên cứu.
Lợi thế hệ sinh thái#
Chọn YOLOv5 hoặc YOLOv8 giúp nhà phát triển tiếp cận Nền tảng Ultralytics được bảo trì tốt. Môi trường tích hợp này cung cấp các công cụ đơn giản để gán nhãn dataset, huấn luyện trên cloud và giám sát model, trong khi package ultralytics bổ sung tính năng tinh chỉnh hyperparameter tích hợp. Quá trình phát triển tích cực và sự hỗ trợ mạnh mẽ từ cộng đồng bảo đảm nhà phát triển có thể nhanh chóng xử lý sự cố và tích hợp với các công cụ bên ngoài như Weights & Biases và ClearML.
Dù các framework khác có thể khó học hơn, Ultralytics ưu tiên trải nghiệm người dùng tinh gọn, đảm bảo sự đánh đổi thuận lợi giữa tốc độ và độ chính xác, phù hợp với nhiều tình huống triển khai thực tế.
Sau v8: Khám phá YOLO11 và YOLO26#
Dù YOLOv8 là một framework rất mạnh, lĩnh vực trí tuệ nhân tạo vẫn phát triển nhanh chóng. Nhà phát triển quan tâm đến hiệu năng tiên tiến nên tìm hiểu thêm YOLO11, model kế thừa v8 với độ chính xác và tốc độ được cải thiện.
Với dự án mới, Ultralytics khuyến nghị Ultralytics YOLO26. Ra mắt vào tháng 1 năm 2026, YOLO26 giới thiệu một số cải tiến:
- Thiết kế đầu-cuối không cần NMS: Dựa trên phương pháp huấn luyện không cần NMS mà YOLOv10 đã giới thiệu cho các model YOLO, head một-một tùy chọn của YOLO26 (
nms=False) loại bỏ bước hậu xử lý Loại bỏ hộp giới hạn không cực đại, giúp pipeline triển khai đơn giản và nhanh hơn. - Bộ tối ưu MuSGD: Lấy cảm hứng từ những đổi mới trong huấn luyện LLM ở các model như Kimi K2, YOLO26 sử dụng bộ tối ưu lai giúp huấn luyện ổn định hơn và hội tụ nhanh hơn.
- Điện toán biên: YOLO26n chạy nhanh hơn YOLO11n tới 43% trên CPU, khiến YOLO26 rất phù hợp với các thiết bị không có GPU chuyên dụng.
- Độ chính xác được nâng cao: Sử dụng hàm loss tăng dần mới và cơ chế gán nhãn có xét đến mục tiêu nhỏ (ProgLoss + STAL), model cải thiện khả năng nhận diện vật thể nhỏ—yếu tố quan trọng đối với robot và ảnh chụp từ drone trên không.
Dù duy trì hệ thống cũ với YOLOv5, mở rộng ứng dụng linh hoạt bằng YOLOv8 hay áp dụng YOLO26 cho dự án mới, hệ sinh thái Ultralytics đều cung cấp công cụ để huấn luyện, triển khai và duy trì các giải pháp AI thị giác hiện đại.
Bình luận1
Đặt câu hỏi, chia sẻ kết quả hoặc giúp đỡ người khác.
EllaSophia(đã chỉnh sửa)
Excellent breakdown of YOLOv5 vs. YOLOv8! It's clear how YOLOv8 introduces major improvements in model architecture, task flexibility, and training pipeline. This YOLOv8 comparison really helps in understanding how far the framework has evolved, especially for those upgrading from YOLOv5.