Bắt đầu

YOLOv5 và YOLOX

Thị giác máy tính thời gian thực đã trải qua nhiều cột mốc, với các kiến trúc khác nhau không ngừng cải thiện tốc độ và độ chính xác. Hai model có ảnh hưởng lớn trong lĩnh vực này là YOLOv5 và YOLOX. Dù cả hai đều nổi tiếng với hiệu năng phát hiện vật thể cao, chúng sử dụng các phương pháp kiến trúc khác biệt căn bản.

Hướng dẫn này phân tích kỹ thuật hai model, so sánh kiến trúc, metric hiệu năng, phương pháp huấn luyện và các kịch bản triển khai phù hợp để giúp developer và nhà nghiên cứu chọn đúng công cụ cho dự án AI thị giác.

Tổng quan model và khác biệt về kiến trúc#

Ultralytics YOLOv5#

Được Ultralytics giới thiệu, YOLOv5 nhanh chóng trở thành chuẩn mực trong ngành nhờ sự cân bằng tốt giữa hiệu năng, tính dễ sử dụng và hiệu quả bộ nhớ. Được xây dựng nguyên bản trên framework PyTorch, YOLOv5 sử dụng kiến trúc dựa trên anchor. Model dựa vào các hình dạng bounding box được xác định trước để dự đoán vị trí vật thể, nhờ đó hoạt động rất hiệu quả trong các tác vụ phát hiện vật thể tiêu chuẩn.

Một trong những điểm mạnh lớn nhất của YOLOv5 là hệ sinh thái được duy trì tốt. Model cung cấp tài liệu phong phú, Python API đơn giản và tích hợp nguyên bản với Ultralytics Platform. Nhờ đó, developer có thể chuyển trực tiếp từ gán nhãn dataset sang huấn luyện và export sang các định dạng như ONNX và TensorRT.

Ưu thế hệ sinh thái

Các model Ultralytics YOLO thường cần ít GPU memory hơn đáng kể trong quá trình huấn luyện so với các lựa chọn thay thế phức tạp dựa trên Transformer. Mức sử dụng bộ nhớ thấp này giúp YOLOv5 dễ tiếp cận hơn nhiều với các nhà nghiên cứu sử dụng phần cứng phổ thông.

YOLOX của Megvii#

Được các nhà nghiên cứu tại Megvii phát triển, YOLOX đi theo hướng khác khi giới thiệu thiết kế không anchor cho dòng YOLO. Bằng cách loại bỏ các anchor box, YOLOX đơn giản hóa detection head và giảm đáng kể số lượng tham số heuristic cần tinh chỉnh thủ công trong quá trình huấn luyện.

YOLOX cũng tích hợp head tách biệt—chia tác vụ phân loại và hồi quy thành các nhánh mạng riêng—và sử dụng chiến lược gán nhãn SimOTA. Những cải tiến này thu hẹp khoảng cách giữa nghiên cứu học thuật và ứng dụng công nghiệp, giúp YOLOX đặc biệt hiệu quả trong môi trường có kích thước đối tượng rất đa dạng.

Tìm hiểu thêm về YOLOX

Hiệu năng và các chỉ số#

Khi đánh giá các model thị giác máy tính, sự đánh đổi giữa độ chính xác trung bình (mAP) và tốc độ inference là yếu tố then chốt. Cả hai model đều có nhiều kích thước (từ Nano đến Extra-Large) để phù hợp với các giới hạn phần cứng khác nhau.

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
YOLOXnano41625.8--0.911.08
YOLOXtiny41632.8--5.066.45
YOLOXs64040.5-2.569.026.8
YOLOXm64046.9-5.4325.373.8
YOLOXl64049.7-9.0454.2155.6
YOLOXx64051.1-16.199.1281.9

Dù YOLOXx đạt độ chính xác đỉnh cao nhỉnh hơn đôi chút (51.1 mAP), YOLOv5 cung cấp pipeline triển khai hoàn thiện hơn, được kiểm thử rộng rãi trên phần cứng CPU và GPU. YOLOv5 cũng có latency TensorRT trên T4 thấp hơn YOLOX ở cùng kích thước, trở thành lựa chọn đáng tin cậy cho phân tích video thời gian thực.

Phương pháp huấn luyện và tính dễ sử dụng#

Trải nghiệm dành cho nhà phát triển khác biệt đáng kể giữa hai kiến trúc này.

Phương pháp YOLOX#

Huấn luyện YOLOX thường đòi hỏi sao chép kho lưu trữ gốc, quản lý các dependency cụ thể và chạy những script dòng lệnh phức tạp. Dù hỗ trợ các tính năng nâng cao như huấn luyện độ chính xác hỗn hợp và thiết lập đa node thông qua MegEngine, quá trình học có thể khá khó khăn đối với nhà phát triển cần tạo mẫu nhanh.

Lợi thế của Ultralytics#

Ngược lại, Ultralytics ưu tiên trải nghiệm người dùng tinh gọn. Với package Python ultralytics, developer có thể tải, huấn luyện và validation model mà chỉ cần rất ít code khuôn mẫu. Ultralytics tự động xử lý tăng cường dữ liệu và lập lịch learning rate, đồng thời cung cấp tính năng tinh chỉnh hyperparameter tích hợp.

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=100, imgsz=640)

# Đánh giá hiệu năng của model
metrics = model.val()

Tính linh hoạt của YOLOv5 còn vượt ra ngoài tác vụ phát hiện vật thể tiêu chuẩn: repository YOLOv5 ban đầu hỗ trợ phân đoạn instance và phân loại ảnh, còn package ultralytics hỗ trợ các tác vụ này với những model mới hơn như YOLO26.

Triển khai tinh gọn

Khi hoàn tất huấn luyện, việc xuất model YOLOv5 sang ONNX, CoreML, LiteRT hoặc OpenVINO đơn giản như gọi một lệnh duy nhất, chẳng hạn model.export(format="onnx"). Cách này loại bỏ nhu cầu sử dụng các script chuyển đổi của bên thứ ba thường cần có trong những kho lưu trữ tập trung vào nghiên cứu.

Ứng dụng thực tế#

Việc lựa chọn giữa các model này phụ thuộc vào môi trường triển khai và yêu cầu kỹ thuật của bạn:

  • Bán lẻ và quản lý hàng tồn kho: Với các ứng dụng cần nhận diện sản phẩm theo thời gian thực trên thiết bị biên như NVIDIA Jetson, YOLOv5 là lựa chọn phù hợp. Footprint bộ nhớ tối thiểu và tốc độ suy luận TensorRT nhanh hỗ trợ các pipeline đa camera ở tốc độ khung hình thời gian thực.
  • Nghiên cứu học thuật và kiến trúc tùy chỉnh: YOLOX được cộng đồng nghiên cứu đánh giá cao. Head tách biệt và thiết kế không anchor khiến YOLOX trở thành baseline tuyệt vời cho kỹ sư muốn thử nghiệm các chiến lược gán nhãn mới hoặc làm việc với dataset mà anchor box truyền thống không khái quát hóa tốt.
  • AI trong nông nghiệp: Với các tác vụ nông nghiệp chính xác như phát hiện trái cây hoặc nhận diện cỏ dại bằng drone, khả năng huấn luyện và triển khai model YOLOv5 dễ dàng thông qua Ultralytics Platform cho phép chuyên gia lĩnh vực triển khai giải pháp AI mà không cần nền tảng chuyên sâu về kỹ thuật machine learning.

Trường hợp sử dụng và khuyến nghị#

Việc lựa chọn giữa YOLOv5 và YOLOX phụ thuộc vào yêu cầu cụ thể của dự án, giới hạn triển khai và sở thích về hệ sinh thái.

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 YOLOX#

YOLOX được khuyến nghị cho:

  • Nghiên cứu phát hiện không anchor: Nghiên cứu học thuật sử dụng kiến trúc không anchor rõ ràng của YOLOX làm baseline để thử nghiệm các head phát hiện hoặc hàm loss mới.
  • Thiết bị biên siêu nhẹ: Triển khai trên vi điều khiển hoặc phần cứng di động đời cũ, nơi kích thước cực nhỏ của biến thể YOLOX-Nano (0.91M tham số) là yếu tố then chốt.
  • Nghiên cứu gán nhãn SimOTA: Các dự án nghiên cứu tìm hiểu chiến lược gán nhãn dựa trên vận tải tối ưu và ảnh hưởng của chúng đến quá trình hội tụ khi huấn luyện.

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.

Tương lai của AI thị giác: YOLO26 ra mắt#

YOLOv5 và YOLOX đều đã ghi dấu ấn trong lịch sử thị giác máy tính, nhưng lĩnh vực này đang phát triển nhanh chóng. Với developer bắt đầu dự án mới hôm nay, Ultralytics khuyến nghị model mới nhất là YOLO26.

Ra mắt vào tháng 1 năm 2026, YOLO26 là bước tiến đáng kể cả về hiệu năng lẫn tính tiện dụng. Model giới thiệu tùy chọn thiết kế end-to-end không cần NMS (được chọn bằng nms=False), loại bỏ bước hậu xử lý Non-Maximum Suppression. Điều này giảm biến động latency và đơn giản hóa logic triển khai trên thiết bị công suất thấp.

Ngoài ra, YOLO26 sử dụng Optimizer MuSGD, phương pháp kết hợp SGD và Muon lấy cảm hứng từ những đổi mới trong huấn luyện LLM, nhằm đạt hội tụ ổn định và nhanh chóng. Với Loại bỏ DFL (loại bỏ Distribution Focal Loss để đơn giản hóa quá trình export và cải thiện khả năng tương thích với thiết bị biên/thiết bị công suất thấp), YOLO26n suy luận trên CPU nhanh hơn tới 43% so với YOLO11n, khiến YOLO26 trở thành lựa chọn mạnh mẽ cho điện toán biên hiện đại, robotics và ứng dụng IoT. Ngoài ra, ProgLoss + STAL (Progressive Loss và gán nhãn nhận biết mục tiêu nhỏ) mang lại những cải thiện đáng kể trong nhận diện vật thể nhỏ, yếu tố thiết yếu trong IoT, robotics và ảnh hàng không. Người dùng quan tâm đến các thế hệ trước cũng có thể tìm hiểu YOLO11, dù YOLO26 là lựa chọn được khuyến nghị cho dự án mới.

Kết luận#

YOLOv5 và YOLOX đều có năng lực phát hiện vật thể mạnh mẽ. Năm 2021, YOLOX cho thấy thiết kế không cần anchor có thể đạt và vượt qua các phương pháp dựa trên anchor. Tuy nhiên, YOLOv5 vẫn được sử dụng rộng rãi nhờ tính dễ dùng, hệ sinh thái phong phú và yêu cầu bộ nhớ thấp hơn trong quá trình huấn luyện.

Với phần lớn ứng dụng thương mại, hệ sinh thái Ultralytics mang lại lộ trình nhanh nhất từ dataset thô đến model production đã triển khai. Dù sử dụng YOLOv5 đã được kiểm chứng hay nâng cấp lên YOLO26, developer đều được hưởng lợi từ framework được thiết kế để giúp AI thị giác dễ tiếp cận và hiệu quả.

Người đóng góp

Bình luận

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