Bắt đầu

YOLOv6-3.0 và YOLOv10

Khi thị giác máy tính ngày càng hoàn thiện, lựa chọn model tối ưu đã trở thành quyết định quan trọng đối với nhà phát triển và kỹ sư machine learning. Khi đánh giá quá trình phát triển của phát hiện đối tượng và các model Ultralytics YOLO, cần hiểu rõ sự đánh đổi giữa các phương pháp kiến trúc khác nhau. Hướng dẫn này cung cấp phần so sánh kỹ thuật toàn diện giữa YOLOv6-3.0 và YOLOv10, hai model có ưu thế riêng cho triển khai công nghiệp và thiết bị biên.

Tìm hiểu YOLOv6-3.0: Thiết kế cho thông lượng công nghiệp#

Được phát triển để tối đa hóa thông lượng trong các ứng dụng công nghiệp phía máy chủ, YOLOv6-3.0 ưu tiên suy luận nhanh trên bộ tăng tốc phần cứng, đặc biệt là GPU. Nhờ sử dụng backbone được tối ưu hóa, model hướng tới sự cân bằng giữa xử lý video tốc độ cao và độ chính xác cạnh tranh.

Điểm nổi bật về kiến trúc#

Điểm cốt lõi của YOLOv6-3.0 là thiết kế thân thiện với phần cứng. Model tích hợp module Bi-directional Concatenation (BiC) trong kiến trúc neck nhằm cải thiện hợp nhất đặc trưng đa tỷ lệ. Ngoài ra, mạng sử dụng chiến lược Anchor-Aided Training (AAT), kết hợp độ ổn định của bộ phát hiện dựa trên anchor trong huấn luyện với tốc độ suy luận của phương pháp không dùng anchor.

Nhờ backbone EfficientRep, model phù hợp với các tác vụ tự động hóa sản xuất cường độ cao, nơi xử lý batch trên phần cứng NVIDIA mạnh (chẳng hạn GPU T4 hoặc A100) là tiêu chuẩn. Model hoạt động tốt trên cụm server, nhưng phụ thuộc vào các tối ưu hóa phần cứng cụ thể có thể làm giảm hiệu quả trên CPU biên công suất thấp.

Tìm hiểu thêm về YOLOv6

Khám phá YOLOv10: Phát hiện thời gian thực không cần NMS#

Được giới thiệu hơn một năm sau đó, YOLOv10 giải quyết một trong những nút thắt dai dẳng nhất của pipeline phát hiện truyền thống: bước hậu xử lý non-maximum suppression (NMS).

Điểm nổi bật về kiến trúc#

Đóng góp lớn của YOLOv10 cho lĩnh vực này là thiết kế đầu-cuối không cần NMS. Bằng cách sử dụng cơ chế gán kép nhất quán trong quá trình huấn luyện, head một-một học cách tạo một bounding box chất lượng cao duy nhất cho mỗi đối tượng, loại bỏ nhu cầu dùng các thao tác NMS dựa trên heuristic khi suy luận (trong Ultralytics, đặt nms=False để sử dụng head này). Điều này giúp giảm độ trễ suy luận đầu-cuối và đơn giản hóa logic triển khai trên thiết bị biên như Neural Processing Unit (NPU).

Ngoài ra, model sử dụng thiết kế toàn diện, cân bằng giữa hiệu quả và độ chính xác. Bằng cách tối ưu nhiều thành phần, YOLOv10 giảm dư thừa tính toán. Nhờ đó, model rất phù hợp với các môi trường hạn chế tài nguyên, bao gồm xe tự hành và robot biên.

Tìm hiểu thêm về YOLOv10

So sánh hiệu năng chi tiết#

Khi benchmark các model này, hiệu năng thường được đo theo độ chính xác, tốc độ và hiệu quả sử dụng tham số. Bảng dưới đây minh họa hiệu năng của các quy mô khác nhau trong những kiến trúc này.

Modelkích thước
(pixel)
mAPval50-95Tốc 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
YOLOv10n64038.5-1.842.36.7
YOLOv10s64046.3-2.497.221.6
YOLOv10m64051.1-4.7415.459.1
YOLOv10b64052.5-5.7419.192.0
YOLOv10l64053.2-7.2824.4120.3
YOLOv10x64054.4-10.7029.5160.4

Phân tích#

YOLOv10 đạt mean average precision (mAP) cao hơn YOLOv6-3.0 ở mỗi kích thước tương đương. Chẳng hạn, YOLOv10n đạt mAP 38.5% chỉ với 2.3 triệu tham số, trong khi YOLOv6-3.0n đạt 37.5% với số tham số nhiều hơn gấp đôi. Tuy nhiên, YOLOv6-3.0n có độ trễ suy luận TensorRT thuần nhanh hơn trên GPU T4 (1.17ms), phản ánh khả năng tối ưu cho phần cứng xử lý song song.

Các yếu tố cần cân nhắc khi triển khai

Mặc dù các chỉ số độ trễ thuần trên GPU có thể hơi nghiêng về YOLOv6 trong các micro-benchmark, việc YOLOv10 không cần NMS thường giúp pipeline end-to-end trong thực tế chạy nhanh hơn, đặc biệt trên phần cứng edge, nơi hậu xử lý có thể tạo nút thắt cho CPU.

Trường hợp sử dụng và khuyến nghị#

Việc chọn YOLOv6 hay YOLOv10 phụ thuộc vào yêu cầu cụ thể của dự án, các ràng buộc triển khai và ưu tiên về hệ sinh thái.

Khi nào nên chọn YOLOv6#

YOLOv6 là lựa chọn phù hợp cho:

  • Triển khai tương thích với phần cứng công nghiệp: Các tình huống mà thiết kế nhận biết phần cứng và tái tham số hóa hiệu quả của model mang lại hiệu năng tối ưu trên phần cứng mục tiêu cụ thể.
  • Detection một giai đoạn tốc độ cao: Các ứng dụng ưu tiên tốc độ suy luận GPU thô để xử lý video thời gian thực trong môi trường được kiểm soát.
  • Tích hợp hệ sinh thái Meituan: Các nhóm đang làm việc trong ngăn xếp công nghệ và hạ tầng triển khai của Meituan.

Khi nào nên chọn YOLOv10#

YOLOv10 được khuyến nghị cho:

  • Phát hiện thời gian thực không cần NMS: Các ứng dụng hưởng lợi từ khả năng phát hiện end-to-end không cần Non-Maximum Suppression, giúp giảm độ phức tạp khi triển khai.
  • Cân bằng giữa tốc độ và độ chính xác: Các dự án cần sự cân bằng tốt giữa tốc độ inference và độ chính xác phát hiện trên nhiều quy mô model.
  • Ứng dụng cần độ trễ ổn định: Các tình huống triển khai yêu cầu thời gian inference có thể dự đoán, chẳng hạn như robotics hoặc hệ thống tự hành.

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.

Lợi thế của Ultralytics: Vì sao chọn YOLO26#

Dù YOLOv6-3.0 và YOLOv10 cung cấp các kiến trúc nền tảng vững chắc, môi trường production hiện đại đòi hỏi model kết hợp độ chính xác cao với tính dễ sử dụng. Đây là điểm mà Ultralytics YOLO26 cải thiện so với các bản phát hành học thuật độc lập.

Ra mắt vào tháng 1 năm 2026, YOLO26 kế thừa các cải tiến từ những model trước trong một hệ sinh thái được duy trì tích cực.

Những cải tiến chính của YOLO26#

  • 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) bỏ qua bước hậu xử lý NMS, tạo ra thời gian suy luận mượt mà và dễ dự đoán hơn, thuận tiện hơn khi đưa vào production.
  • Optimizer MuSGD: Lấy cảm hứng từ các tối ưu hóa cho mô hình ngôn ngữ lớn (LLM) như Kimi K2 của Moonshot AI, phương pháp kết hợp SGD và Muon này giúp huấn luyện ổn định và hội tụ nhanh hơn.
  • Suy luận trên CPU nhanh hơn đến 43%: Các đơn giản hóa kiến trúc cho phép YOLO26n chạy nhanh hơn YOLO11n đến 43% trên CPU, giúp triển khai trên chip IoT và CPU phổ thông hiệu quả hơn.
  • Loại bỏ DFL: Việc loại bỏ Distribution Focal Loss giúp đơn giản hóa quá trình xuất head, cải thiện khả năng tương thích với các engine triển khai công suất thấp như OpenVINO hoặc NCNN.
  • 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, yếu tố quan trọng đối với hoạt động drone UAV và theo dõi đối tượng ở xa.

Ngoài ra, không giống các repository chỉ hỗ trợ một tác vụ, hệ sinh thái Ultralytics xử lý sẵn nhiều tác vụ thị giác, bao gồm phát hiện, phân đoạn instance, phân đoạn ngữ nghĩa, ước lượng độ sâu, phân loại ảnh, ước lượng tư thế và phát hiện oriented bounding box (OBB).

Hiệu quả huấn luyện và tối ưu hóa bộ nhớ#

Một ưu điểm quan trọng của các model Ultralytics YOLO so với kiến trúc phức tạp dựa trên transformer như RT-DETR là mức tiêu thụ bộ nhớ CUDA thấp hơn trong quá trình huấn luyện. Nhà phát triển có thể fine-tune YOLO26 trên GPU phổ thông hoặc thông qua tài nguyên cloud miễn phí.

Ví dụ code: Bắt đầu với YOLO26#

Tính dễ sử dụng của Ultralytics Python API cho phép bạn tải, huấn luyện và kiểm thử model chỉ với vài dòng code.

from ultralytics import YOLO

# Khởi tạo model YOLO26 nano
model = YOLO("yolo26n.pt")

# Huấn luyện model trên bộ dữ liệu COCO8
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)

# Đánh giá hiệu năng model trên dữ liệu validation
metrics = model.val()

# Chạy suy luận thời gian thực không cần NMS trên ảnh đầu vào
predictions = model.predict("https://ultralytics.com/images/bus.jpg", nms=False)

# Export sang định dạng ONNX để triển khai đa nền tảng
model.export(format="onnx")

Kết luận và các lựa chọn thay thế#

Khi lựa chọn giữa YOLOv6-3.0 và YOLOv10, quyết định phụ thuộc vào môi trường triển khai. YOLOv6-3.0 vẫn phù hợp với backend server có thông lượng cao, GPU dồi dào và tập trung xử lý video theo batch. YOLOv10 cung cấp kiến trúc không cần NMS, phù hợp hơn khi cần cân bằng độ chính xác và tích hợp thiết bị biên phức tạp.

Tuy nhiên, với nhà phát triển cần hiệu năng cao cùng tài liệu toàn diện, ghi log trên cloud thông qua Ultralytics Platform và tính linh hoạt đa tác vụ, YOLO26 là lựa chọn được khuyến nghị.

Đối với yêu cầu hạ tầng cũ, các nhóm cũng có thể tìm hiểu thế hệ trước là Ultralytics YOLO11, hoặc khám phá YOLO-World để phát hiện với vocabulary mở.

Người đóng góp

Bình luận

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