YOLOv6-3.0 và YOLO26
Quá trình phát triển của phát hiện đối tượng thời gian thực đã tạo ra các model ưu tiên thông lượng GPU công nghiệp hoặc khả năng triển khai linh hoạt, tối ưu cho thiết bị biên. Bài so sánh này xem xét YOLOv6-3.0 hướng đến công nghiệp và Ultralytics YOLO26, bổ sung suy luận đầu-cuối không cần NMS tùy chọn.
Dù triển khai trên GPU máy chủ cao cấp hay thiết bị biên tiêu thụ ít điện năng, việc hiểu rõ ưu điểm kiến trúc và trường hợp sử dụng lý tưởng của các model này là điều thiết yếu để tối ưu hóa pipeline thị giác máy tính.
YOLOv6-3.0: Thông lượng công nghiệp#
Được phát triển bởi Bộ phận Vision AI của Meituan, YOLOv6-3.0 được thiết kế như một “bộ phát hiện đối tượng thế hệ tiếp theo cho các ứng dụng công nghiệp”. Model tập trung tối đa hóa thông lượng trên các bộ tăng tốc phần cứng như GPU chuyên dụng, phù hợp cho phân tích video ngoại tuyến tốc độ cao.
- Tác giả: Chuyi Li, Lulu Li, Yifei Geng, Hongliang Jiang, Meng Cheng, Bo Zhang, Zaidan Ke, Xiaoming Xu và Xiangxiang Chu
- Tổ chức: Meituan
- Ngày: 2023-01-13
- arXiv: 2301.05586
- GitHub: meituan/YOLOv6
- Tài liệu: Tài liệu YOLOv6
Trọng tâm kiến trúc#
YOLOv6-3.0 sử dụng module Bi-directional Concatenation (BiC) trong neck để cải thiện hợp nhất đặc trưng, kết hợp với chiến lược Anchor-Aided Training (AAT). Backbone dựa trên EfficientRep, một topology được thiết kế để thân thiện với phần cứng khi suy luận trên GPU. Dù model rất nhanh khi tận dụng NVIDIA TensorRT, độ trễ có thể cao hơn trên thiết bị chỉ có CPU hoặc thiết bị biên thiếu khả năng xử lý song song quy mô lớn.
YOLO26: Chuẩn mực mới cho thiết bị biên và đám mây#
Ra mắt vào tháng 1 năm 2026, Ultralytics YOLO26 biến các bước hậu xử lý phức tạp thành tùy chọn và cung cấp framework đa tác vụ thống nhất, được thiết kế để nhanh hơn, nhỏ gọn hơn và dễ triển khai hơn.
- Tác giả: Glenn Jocher và Jing Qiu
- Tổ chức: Ultralytics
- Ngày: 2026-01-14
- GitHub: ultralytics/ultralytics
- Tài liệu: Tài liệu YOLO26
Các đặc điểm kiến trúc chính#
YOLO26 giới thiệu một số cải tiến so với các thế hệ trước:
- 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, YOLO26 cung cấp head một-một đầu-cuối tùy chọn (
nms=False), bỏ qua bước hậu xử lý Loại bỏ hộp giới hạn không cực đại (NMS), giúp giảm biến thiên độ trễ và đơn giản hóa logic triển khai. - Suy luận trên CPU nhanh hơn đến 43%: Được tối ưu cho điện toán biên, YOLO26n chạy nhanh hơn YOLO11n đến 43% trên CPU, khiến YOLO26 phù hợp với thiết bị không có GPU như điện thoại di động, cảm biến IoT và robot.
- Loại bỏ DFL: Distribution Focal Loss đã được loại bỏ, giúp đơn giản hóa quy trình xuất model và tăng khả năng tương thích với các thiết bị biên tiêu thụ ít điện năng.
- Optimizer MuSGD: Lấy cảm hứng từ các cải tiến trong huấn luyện mô hình ngôn ngữ lớn (LLM), chẳng hạn Kimi K2 của Moonshot AI, optimizer MuSGD mới (kết hợp Stochastic Gradient Descent và Muon) mang lại độ ổn định huấn luyện kiểu LLM cho các tác vụ thị giác và giúp hội tụ nhanh hơn.
- ProgLoss + STAL: Hàm loss tiến triển và chiến lược gán nhãn nhận biết mục tiêu nhỏ cải thiện khả năng nhận diện vật thể nhỏ, một cải tiến quan trọng cho các ứng dụng xử lý ảnh chụp từ trên không và cảnh đông đúc.
Không giống YOLOv6-3.0 chỉ xử lý hộp giới hạn, YOLO26 có các cải tiến chuyên biệt cho từng tác vụ trên nhiều phương diện. Bao gồm loss phân đoạn ngữ nghĩa và proto đa tỷ lệ cho phân đoạn đối tượng, Ước lượng Log-Likelihood phần dư (RLE) cho ước lượng tư thế, cùng loss góc chuyên biệt để khắc phục vấn đề biên của Hộp giới hạn định hướng (OBB).
So sánh hiệu năng chi tiết#
Khi đánh giá model, cần ưu tiên cân bằng tốc độ, độ chính xác và hiệu quả tham số. Bảng dưới đây nêu bật hiệu năng của các model này trên bộ dữ liệu COCO.
| Model | kích thước (pixel) | mAPval50-95 | Tốc độ CPU ONNX (ms) | Tốc độ T4 TensorRT10 (ms) | params (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv6-3.0n | 640 | 37.5 | - | 1.17 | 4.7 | 11.4 |
| YOLOv6-3.0s | 640 | 45.0 | - | 2.66 | 18.5 | 45.3 |
| YOLOv6-3.0m | 640 | 50.0 | - | 5.28 | 34.9 | 85.8 |
| YOLOv6-3.0l | 640 | 52.8 | - | 8.95 | 59.6 | 150.7 |
| YOLO26n | 640 | 40.9 | 38.9 | 1.7 | 2.4 | 5.5 |
| YOLO26s | 640 | 48.6 | 87.2 | 2.5 | 9.5 | 20.9 |
| YOLO26m | 640 | 53.1 | 220.0 | 4.7 | 20.4 | 68.4 |
| YOLO26l | 640 | 55.0 | 286.2 | 6.2 | 24.8 | 86.8 |
| YOLO26x | 640 | 57.5 | 525.8 | 11.8 | 55.7 | 194.4 |
Như dữ liệu cho thấy, YOLO26 đạt độ chính xác cao hơn ở mọi kích thước. Chẳng hạn, YOLO26n đạt mAP cao hơn YOLOv6-3.0n 3.4 điểm với số lượng tham số và FLOPs chỉ bằng khoảng một nửa, dù YOLOv6-3.0n vẫn nhanh hơn trên T4 TensorRT (1.17 ms so với 1.7 ms).
Lợi thế của Ultralytics#
Việc lựa chọn model cần đánh giá hệ sinh thái phần mềm xung quanh. Trong trường hợp này, bộ công cụ Ultralytics có những lợi ích thiết thực so với các repository nghiên cứu:
- Dễ sử dụng: Ultralytics mang đến trải nghiệm phát triển tinh gọn. API Python thống nhất cho phép người dùng chuyển đổi giữa các tác vụ và model chỉ bằng cách thay đổi một tham số chuỗi.
- Hệ sinh thái được duy trì tốt: Thông qua Ultralytics Platform, nhà phát triển có thể quản lý dataset, huấn luyện trên cloud và xuất model sang các định dạng như ONNX và OpenVINO.
- Yêu cầu bộ nhớ: YOLO26 cần ít bộ nhớ hơn trong quá trình huấn luyện và suy luận so với các kiến trúc dựa trên transformer như RT-DETR, vốn cần cấp phát bộ nhớ CUDA lớn hơn nhiều.
- Tính linh hoạt: Hỗ trợ sẵn phát hiện, phân đoạn instance, phân đoạn ngữ nghĩa, ước lượng độ sâu, phân loại, ước lượng tư thế và OBB, YOLO26 đóng vai trò framework duy nhất cho các ứng dụng thị giác đa tác vụ phức tạp.
Nếu bạn đang xây dựng pipeline machine learning tổng quát và muốn tìm hiểu các tùy chọn khác trong hệ sinh thái, Ultralytics YOLO11 vẫn là nền tảng ổn định, được áp dụng rộng rãi cho triển khai doanh nghiệp.
Ví dụ mã: Huấn luyện đơn giản#
Triển khai và huấn luyện bằng thư viện Ultralytics chỉ cần rất ít mã, giúp ẩn đi phần mã mẫu phức tạp thường cần thiết trong các framework dựa trực tiếp trên PyTorch thuần. Đoạn mã dưới đây minh họa cách tải, huấn luyện và xác thực model YOLO26.
from ultralytics import YOLO
# Load the YOLO26 Nano model
model = YOLO("yolo26n.pt")
# Train the model on the COCO8 dataset; optimizer="auto" selects MuSGD for longer runs (>10k iterations)
results = model.train(
data="coco8.yaml",
epochs=100,
imgsz=640,
device=0, # Uses GPU for accelerated training
)
# Validate the trained model's performance
metrics = model.val()
print(f"Validation mAP: {metrics.box.map}")
# Run NMS-free inference on a sample image
prediction = model.predict("https://ultralytics.com/images/bus.jpg", nms=False)Các trường hợp sử dụng phù hợp nhất#
Để chọn kiến trúc phù hợp, cần đối chiếu ưu điểm của model với các ràng buộc thực tế:
- Khi nào nên triển khai YOLOv6-3.0: Lý tưởng cho các hệ thống triển khai tĩnh phía máy chủ, nơi xử lý theo lô là yếu tố quan trọng nhất. Các môi trường như dây chuyền sản xuất tốc độ cao hoặc trung tâm video thành phố thông minh tập trung với GPU A100 hoặc T4 chuyên dụng sẽ tận dụng được backbone EfficientRep.
- Khi nào nên triển khai YOLO26: Đây là lựa chọn được khuyến nghị cho các ứng dụng hiện đại, có khả năng mở rộng. Tốc độ suy luận CPU cao hơn (YOLO26n nhanh hơn YOLO11n đến 43%) và head không cần NMS tùy chọn khiến model phù hợp với phân tích drone, cảm biến IoT từ xa, robot di động và mọi kịch bản điện toán biên cần kết hợp độ trễ thấp với độ chính xác cao trong giới hạn năng lượng nghiêm ngặt.
Kết luận#
Dù YOLOv6-3.0 vẫn hữu ích trong một số pipeline công nghiệp có thông lượng lớn, sử dụng cấu hình TensorRT cũ, Ultralytics YOLO26 là lựa chọn được khuyến nghị cho dự án mới. Bằng cách tích hợp các tối ưu hóa huấn luyện lấy cảm hứng từ LLM (MuSGD) và biến bước hậu xử lý NMS thành tùy chọn, YOLO26 mang lại sự kết hợp hiệu quả giữa tính linh hoạt, tốc độ và độ chính xác. Cùng với hệ sinh thái Ultralytics thân thiện với người dùng, model giúp nhà phát triển xây dựng và triển khai ứng dụng thị giác tiên tiến với ít công sức hơn.
Bình luận
Đặt câu hỏi, chia sẻ kết quả hoặc giúp đỡ người khác.