Ultralytics YOLO27:
Get Started

YOLOv6-3.0 và YOLO26#

Quá trình phát triển của phát hiện vật thể thời gian thực đã mang lại những đổi mới đáng kinh ngạc, thường khiến trọng tâm phân hóa giữa thông lượng GPU công nghiệp và kiến trúc linh hoạt được tối ưu cho thiết bị biên. Trong phần so sánh toàn diện này, chúng ta tìm hiểu những điểm khác biệt tinh tế giữa hai model hàng đầu: YOLOv6-3.0 tập trung vào công nghiệp và Ultralytics YOLO26 mới ra mắt, được thiết kế end-to-end nguyên bản.

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 Phòng AI Thị giác của Meituan, YOLOv6-3.0 được thiết kế như một “bộ phát hiện vật thể thế hệ tiếp theo dành cho ứng dụng công nghiệp”. Model tập trung mạnh vào việc tối đa hóa thông lượng trên các bộ tăng tốc phần cứng như GPU chuyên dụng, trở thành công cụ mạnh mẽ cho phân tích video ngoại tuyến tốc độ cao.

Trọng tâm kiến trúc#

YOLOv6-3.0 sử dụng module Ghép nối hai chiều (BiC) ở neck để cải thiện khả năng hợp nhất đặc trưng, kết hợp với chiến lược Huấn luyện có hỗ trợ anchor (AAT). Backbone của model dựa trên EfficientRep, một cấu trúc được thiết kế để tương thích cao với phần cứng khi suy luận trên GPU. Điều này giúp model đặc biệt nhanh khi sử dụng NVIDIA TensorRT, nhưng có thể làm tăng độ trễ trên thiết bị chỉ có CPU hoặc thiết bị biên thiếu khả năng xử lý song song quy mô lớn.

Tìm hiểu thêm về YOLOv6-3.0

YOLO26: Chuẩn mực mới cho thiết bị biên và đám mây#

Ra mắt vào tháng 1 năm 2026, Ultralytics YOLO26 đánh dấu một bước chuyển đổi mô hình. Model không còn dựa vào hậu xử lý phức tạp mà áp dụng framework đa tác vụ thống nhất, nhanh hơn, nhỏ gọn hơn và dễ triển khai hơn.

Các đột phá kiến trúc chính#

YOLO26 giới thiệu một số cải tiến tiên phong giúp model khác biệt với các thế hệ trước:

  • Thiết kế end-to-end không cần NMS: Dựa trên các khái niệm lần đầu được tiên phong trong YOLOv10, YOLO26 cung cấp head one-to-one end-to-end tùy chọn (nms=False), bỏ qua bước hậu xử lý Non-Maximum Suppression (NMS), giúp giảm mạnh biến động độ trễ và đơn giản hóa đáng kể logic triển khai.
  • Suy luận CPU nhanh hơn đến 43%: Được tối ưu riêng cho điện toán biên, YOLO26 hoạt động xuất sắc trên các thiết bị không có GPU, phù hợp với 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.
  • Bộ tối ưu MuSGD: Lấy cảm hứng từ những đổi mới trong huấn luyện LLM như Kimi K2 của Moonshot AI, bộ tối ưu MuSGD mới (kết hợp Stochastic Gradient Descent và Muon) mang lại độ ổn định ở quy mô lớn cho các tác vụ thị giác, đồng thời đảm bảo hội tụ nhanh hơn.
  • ProgLoss + STAL: Các hàm loss tiên tiến mang lại cải thiện đáng kể trong nhận diện vật thể nhỏ, một nâng cấp quan trọng cho các ứng dụng xử lý ảnh chụp từ trên không và cảnh đông đúc.
Khả năng đa tác vụ

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.

Modelkích thước
(pixel)		mAPval
50-95		Tốc độ
CPU ONNX
(ms)		Tốc độ
T4 TensorRT10
(ms)		params
(M)		FLOPs
(B)
YOLOv6-3.0n64037.5-1.174.711.4
YOLOv6-3.0s64045.0-2.6618.545.3
YOLOv6-3.0m64050.0-5.2834.985.8
YOLOv6-3.0l64052.8-8.9559.6150.7
YOLO26n64040.938.91.72.45.5
YOLO26s64048.687.22.59.520.9
YOLO26m64053.1220.04.720.468.4
YOLO26l64055.0286.26.224.886.8
YOLO26x64057.5525.811.855.7194.4

Như dữ liệu cho thấy, YOLO26 luôn đạt sự cân bằng hiệu năng vượt trội. Chẳng hạn, YOLO26n có mAP cao hơn YOLOv6-3.0n 3,4 điểm, đồng thời chỉ cần khoảng một nửa số tham số và FLOPs.

Lợi thế của Ultralytics#

Việc chọn model đòi hỏi đánh giá hệ sinh thái phần mềm xung quanh. Trong lĩnh vực này, bộ công cụ Ultralytics mang lại những lợi ích rõ rệt so với các kho nghiên cứu tĩnh:

  • Dễ sử dụng: Ultralytics mang đến trải nghiệm phát triển từ “chưa biết gì đến thành thạo”. 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 sử dụng môi trường được cập nhật thường xuyên, hỗ trợ quản lý bộ dữ liệu liên tục, huấn luyện trên cloud và xuất model liền mạch sang các định dạng như ONNX và OpenVINO.
  • Yêu cầu bộ nhớ: YOLO26 có phương pháp huấn luyện hiệu quả cao, với yêu cầu bộ nhớ thấp hơn đáng kể trong cả huấn luyện lẫn suy luận. Đây là ưu điểm so với các kiến trúc dựa trên Transformer như RT-DETR, vốn đòi hỏi cấp phát lượng lớn bộ nhớ CUDA.
  • Tính linh hoạt: Với khả năng hỗ trợ nguyên bản phát hiện, phân đoạn, phân loại, ước lượng tư thế và OBB, YOLO26 là giải pháp toàn diện cho các ứng dụng thị giác đa tác vụ phức tạp.
Khám phá các lựa chọn thay thế

Nếu bạn đang xây dựng pipeline machine learning tổng quát và muốn tìm hiểu các lựa chọn mạnh mẽ khác trong hệ sinh thái, Ultralytics YOLO11 vẫn là nền tảng cực kỳ 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 highly efficient, end-to-end 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,  # Utilizes 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: Lựa chọn hàng đầu cho các ứng dụng hiện đại, có khả năng mở rộng. Tốc độ suy luận CPU nhanh hơn 43% và kiến trúc không cần NMS khiến model phù hợp với phân tích bằng drone, cảm biến IoT từ xa, robot di động và mọi kịch bản điện toán biên cần đồng thời đảm bảo độ trễ thấp, độ chính xác cao trong giới hạn điện năng nghiêm ngặt.

Kết luận#

Dù YOLOv6-3.0 vẫn hữu ích trong một số pipeline công nghiệp có thông lượng cao, sử dụng cấu hình TensorRT cũ, Ultralytics YOLO26 đánh dấu tương lai của thị giác máy tính. Bằng cách đưa các tối ưu hóa huấn luyện lấy cảm hứng từ LLM (MuSGD) vào model và loại bỏ các nút thắt của hậu xử lý, YOLO26 mang đến tính linh hoạt, tốc độ và độ chính xác vượt trội. Kết hợp với hệ sinh thái Ultralytics mạnh mẽ, thân thiện với người dùng, model giúp nhà phát triển xây dựng và triển khai các ứng dụng thị giác tiên tiến dễ dàng hơn bao giờ hết.

Người đóng góp
GLglenn-jocher9PDpderrenger1

Bình luận