YOLOv6-3.0 và YOLOv10#

Bối cảnh thị giác máy tính ngày càng trở nên phức tạp, khiến việc lựa chọn model tối ưu trở thành một quyết định quan trọng đối với các developer và kỹ sư machine learning. Khi đánh giá quá trình phát triển của các model phát hiện đối tượng và Ultralytics YOLO, điều quan trọng là phải hiểu những 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 mang lại những ưu thế riêng cho việc triển khai trong môi trường công nghiệp và edge.

Tìm hiểu YOLOv6-3.0: Được xây dựng cho thông lượng công nghiệp#

Được phát triển để tối đa hóa thông lượng trong các ứng dụng công nghiệp phía server, YOLOv6-3.0 ưu tiên khả năng inference nhanh trên các hardware accelerator, đặc biệt là GPU. Bằng cách sử dụng backbone được tối ưu hóa, model này hướng tới sự cân bằng giữa tốc độ xử lý video cao và độ chính xác cạnh tranh.

• Tác giả: Chuyi Li, Lulu Li, Yifei Geng và cộng sự
• Tổ chức: Meituan
• Ngày: 2023-01-13
• Arxiv: 2301.05586
• GitHub: meituan/YOLOv6

Các điểm nổi bật về kiến trúc#

Cốt lõi của YOLOv6-3.0 nằm ở thiết kế thân thiện với hardware. Model tích hợp module Nối kết hai chiều (BiC) trong kiến trúc neck để tăng cường quá trình hợp nhất feature đa tỷ lệ. Ngoài ra, network còn sử dụng chiến lược Huấn luyện hỗ trợ bởi anchor (AAT), kết hợp khéo léo tính ổn định của detector dựa trên anchor trong quá trình training với tốc độ inference của paradigm không dùng anchor.

Được trang bị backbone EfficientRep, model này thể hiện ưu thế trong các tác vụ tự động hóa sản xuất chuyên sâu, nơi xử lý theo batch trên hardware NVIDIA mạnh (chẳng hạn GPU T4 hoặc A100) là tiêu chuẩn. Mặc dù hoạt động ấn tượng trong các server cluster, sự phụ thuộc vào các tối ưu hóa hardware cụ thể có thể khiến model kém hiệu quả hơn trên các CPU edge công suất thấp.

Tìm hiểu thêm về YOLOv6

Tìm hiểu YOLOv10: Tiên phong không dùng NMS#

Được giới thiệu hơn một năm sau đó, YOLOv10 đã thay đổi paradigm bằng cách giải quyết một trong những điểm nghẽn dai dẳng nhất của các pipeline detection truyền thống: bước hậu xử lý triệt tiêu không cực đại (NMS).

• Tác giả: Ao Wang, Hui Chen, Lihao Liu và cộng sự.
• Tổ chức: Đại học Thanh Hoa
• Ngày: 2024-05-23
• Arxiv: 2405.14458
• GitHub: THU-MIG/yolov10

Các điểm nổi bật về kiến trúc#

Đóng góp lớn của YOLOv10 cho lĩnh vực này là thiết kế end-to-end không dùng NMS. Bằng cách sử dụng cơ chế gán kép nhất quán trong quá trình training, network được buộc phải tạo ra chính xác một bounding box chất lượng cao cho mỗi đối tượng, loại bỏ nhu cầu thực hiện các thao tác NMS dựa trên heuristic trong quá trình inference. Đổi mới này làm giảm đáng kể độ trễ inference end-to-end và đơn giản hóa đáng kể logic triển khai trên các thiết bị edge như các Bộ xử lý thần kinh (NPUs).

Ngoài ra, model còn sở hữu thiết kế tổng thể hướng đến hiệu quả và độ chính xác. Thông qua việc tối ưu hóa toàn diện nhiều layer khác nhau, YOLOv10 cắt giảm mạnh phần tính toán dư thừa. Điều này khiến model đặc biệt phù hợp với các môi trường hạn chế tài nguyên, bao gồm xe tự hành và robot edge.

Tìm hiểu thêm về YOLOv10

So sánh hiệu năng chi tiết#

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

Phân tích#

YOLOv10 liên tục đạt độ chính xác trung bình (mAP) cao hơn YOLOv6-3.0 trong các nhóm kích thước tương đương. Chẳng hạn, YOLOv10n đạt mAP 39.5% chỉ với 2,3 triệu tham số, trong khi YOLOv6-3.0n đạt 37.5% với số lượng tham số nhiều hơn gấp đôi. Tuy nhiên, YOLOv6-3.0n đạt độ trễ inference TensorRT thuần nhanh hơn một chút trên GPU T4 (1.17ms), cho thấy mức độ tối ưu hóa chuyên sâu cho hardware xử lý song song.

Các trường hợp sử dụng và khuyến nghị#

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

Khi nào nên chọn YOLOv6#

YOLOv6 là lựa chọn phù hợp cho:

• Triển khai nhận biết phần cứng công nghiệp: Các kịch bản trong đó thiết kế nhận biết phần cứng và quá trình tái tham số hóa hiệu quả của model mang lại hiệu năng tối ưu trên phần cứng mục tiêu cụ thể.
• Phát hiện một giai đoạn tốc độ cao: Các ứng dụng ưu tiên tốc độ suy luận thô trên GPU để xử lý video thời gian thực trong môi trường được kiểm soát.
• Tích hợp hệ sinh thái Meituan: Các team đã làm việc trong stack 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 đầu cuối mà không cần triệt tiêu cực đại, giúp giảm độ phức tạp khi triển khai.
• Cân bằng giữa tốc độ và độ chính xác: Các project yêu cầu sự cân bằng tốt giữa tốc độ suy luận và độ chính xác phát hiện trên nhiều quy mô model khác nhau.
• Ứng dụng có độ trễ nhất quán: Các kịch bản triển khai mà thời gian suy luận có thể dự đoán là yếu tố quan trọng, chẳng hạn như robotics hoặc các hệ thống tự hành.

Khi nào nên chọn Ultralytics (YOLO26)#

Đối với hầu hết dự án mới, Ultralytics YOLO26 mang đến sự kết hợp tốt nhất giữa hiệu năng và trải nghiệm developer:

• Triển khai edge không cần NMS: Các ứng dụng yêu cầu suy luận nhất quán, độ trễ thấp mà không có sự phức tạp của bước hậu xử lý triệt tiêu cực đại.
• Môi trường chỉ sử dụng CPU: Các thiết bị không có tăng tốc GPU chuyên dụng, nơi khả năng suy luận trên CPU nhanh hơn tới 43% của YOLO26 mang lại lợi thế quyết định.
• Phát hiện đối tượng nhỏ: Các kịch bản đầy thách thức như ảnh chụp từ drone trên không hoặc phân tích cảm biến IoT, trong đó ProgLoss và STAL cải thiện đáng kể độ chính xác trên các đối tượng rất nhỏ.

Lợi thế của Ultralytics: Vì sao YOLO26 là lựa chọn vượt trội#

Mặc dù YOLOv6-3.0 và YOLOv10 cung cấp các kiến trúc nền tảng vững chắc, môi trường production hiện đại đòi hỏi những model kết hợp độ chính xác tối đa với khả năng sử dụng vượt trội. Đây là điểm mà framework model Ultralytics YOLO26 vượt trội căn bản so với các bản phát hành học thuật độc lập.

Được phát hành vào tháng 1 năm 2026, YOLO26 tích hợp những cải tiến tốt nhất của các năm trước và đóng gói chúng trong một hệ sinh thái được duy trì kỹ lưỡng.

Những đổi mới chính của YOLO26#

• Thiết kế end-to-end không dùng NMS: Kế thừa khái niệm do YOLOv10 tiên phong, YOLO26 loại bỏ NMS hậu xử lý ngay trong model, tạo ra thời gian inference mượt mà và dễ dự đoán hơn, đồng thời dễ đưa vào production hơn đáng kể.
• Optimizer MuSGD: Lấy cảm hứng từ các phương pháp tối ưu hóa model ngôn ngữ lớn như Kimi K2 của Moonshot AI, cơ chế lai giữa SGD và Muon này đảm bảo quá trình training cực kỳ ổn định và hội tụ nhanh hơn đáng kể.
• Inference trên CPU nhanh hơn tới 43%: Đối với các thiết bị edge, YOLO26 có những đơn giản hóa kiến trúc cụ thể, giúp model vượt trội hơn hẳn khi triển khai trên chip IoT và CPU dành cho người dùng phổ thông.
• Loại bỏ DFL: Việc loại bỏ Distribution Focal Loss giúp đơn giản hóa quá trình export head, cải thiện đáng kể khả năng tương thích với các deployment engine công suất thấp như OpenVINO hoặc NCNN.
• ProgLoss + STAL: Các formulation loss nâng cao giúp tăng đáng kể độ chính xác khi nhận diện đối tượng nhỏ, yếu tố rất quan trọng đối với hoạt động UAV bằng drone và việc theo dõi các đối tượng ở xa.

Ngoài ra, không giống các repository chỉ phục vụ một task, hệ sinh thái Ultralytics hỗ trợ sẵn một loạt task thị giác rất lớn, bao gồm detection bounding box, instance segmentation, image classification và pose estimation.

Hiệu quả training và tối ưu hóa bộ nhớ#

Một lợi thế quan trọng của các model Ultralytics YOLO so với các kiến trúc dựa trên Transformer phức tạp như RT-DETR là mức tiêu thụ bộ nhớ CUDA cực thấp trong quá trình training. Developer có thể dễ dàng fine-tune YOLO26 trên GPU phổ thông hoặc thông qua các tài nguyên cloud miễn phí, góp phần dân chủ hóa đáng kể hoạt động phát triển AI.

Ví dụ code: Bắt đầu với YOLO26#

Tính dễ sử dụng của Ultralytics Python API cho phép bạn load, train và test model chỉ với vài dòng code.

from ultralytics import YOLO

# Initialize the cutting-edge YOLO26 nano model
model = YOLO("yolo26n.pt")

# Train the model effortlessly on the COCO8 dataset
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)

# Evaluate model performance on validation data
metrics = model.val()

# Run real-time NMS-free inference on a target image
predictions = model.predict("https://ultralytics.com/images/bus.jpg")

# Export to ONNX format for cross-platform deployment
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 các backend server giàu GPU, có thông lượng cao và tập trung vào xử lý video theo batch. YOLOv10 cung cấp kiến trúc thông minh hơn, không dùng NMS, phù hợp hơn với độ chính xác cân bằng và khả năng tích hợp edge phức tạp.

Tuy nhiên, đối với các developer tìm kiếm hiệu năng không thỏa hiệp, được hỗ trợ bởi tài liệu toàn diện, khả năng logging trên cloud thông qua Ultralytics Platform và tính linh hoạt đa task, YOLO26 là khuyến nghị dứt khoát.

Đối với các yêu cầu về hạ tầng legacy, các team cũng có thể xem xét thế hệ trước là Ultralytics YOLO11, hoặc khám phá YOLO-World để sử dụng khả năng detection với vocabulary mở độc đáo.