YOLOv6-3.0 và YOLOv5
Lĩnh vực phát hiện đối tượng thời gian thực đã phát triển với nhiều kiến trúc được tối ưu cho các tình huống triển khai khác nhau. Bài so sánh này đề cập đến hai model nổi bật: YOLOv6-3.0 tập trung vào công nghiệp và Ultralytics YOLOv5 nền tảng, có tính linh hoạt cao. Việc tìm hiểu các lựa chọn kiến trúc, chỉ số hiệu năng và hỗ trợ hệ sinh thái của mỗi model sẽ giúp bạn chọn framework thị giác máy tính tối ưu cho các ứng dụng thực tế.
YOLOv6-3.0: Thông lượng công nghiệp và tối ưu hóa phần cứng#
Được phát triển bởi Bộ phận Vision AI tại Meituan, YOLOv6-3.0 được thiết kế chuyên biệt cho môi trường công nghiệp có thông lượng cao. Model tập trung tối đa hóa tốc độ khung hình trên bộ tăng tốc phần cứng như GPU NVIDIA chuyên dụng.
- 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
Điểm mạnh kiến trúc#
YOLOv6-3.0 giới thiệu một số tối ưu hóa cấu trúc nhằm tăng tốc độ. Model sử dụng backbone EfficientRep, được thiết kế chuyên biệt để thân thiện với phần cứng khi suy luận trên GPU. Điều này khiến kiến trúc phù hợp với các tác vụ xử lý batch ngoại tuyến.
Trong giai đoạn huấn luyện, model áp dụng chiến lược Huấn luyện có hỗ trợ anchor (AAT). Phương pháp này kết hợp tính ổn định của huấn luyện dựa trên anchor với tốc độ suy luận không dùng anchor. Ngoài ra, kiến trúc neck sử dụng module Nối kết hai chiều (BiC) để cải thiện việc hợp nhất đặc trưng ở nhiều scale. Dù được tối ưu cao cho GPU máy chủ cao cấp bằng TensorRT, cách chuyên biệt hóa này đôi khi có thể làm tăng độ trễ trên CPU hoặc thiết bị biên công suất thấp.
Ultralytics YOLOv5: Tiên phong phổ cập Vision AI#
Được Ultralytics phát hành năm 2020, YOLOv5 được sử dụng rộng rãi nhờ tính dễ dùng, hiệu quả huấn luyện và các tùy chọn triển khai. Model giúp nhiều người tiếp cận khả năng phát hiện đối tượng hiệu năng cao bằng cách tích hợp chặt chẽ với các workflow deep learning hiện đại.
- Tác giả: Glenn Jocher
- Tổ chức: Ultralytics
- Ngày: 2020-06-26
- GitHub: ultralytics/yolov5
- Nền tảng: Ultralytics Platform
Hệ sinh thái và tính linh hoạt#
Đặc điểm nổi bật của YOLOv5 là Tính dễ sử dụng. Được xây dựng trực tiếp trên framework PyTorch, repository cung cấp API Python thống nhất giúp đơn giản hóa vòng đời machine learning. Từ cấu hình dataset đến triển khai cuối cùng, hệ sinh thái tích hợp giúp developer dành ít thời gian hơn để xử lý lỗi môi trường và nhiều thời gian hơn để xây dựng ứng dụng.
YOLOv5 không chỉ giới hạn ở phát hiện đối tượng. Model mang lại Tính linh hoạt, hỗ trợ sẵn phân đoạn instance và phân loại ảnh, cùng với Hiệu quả huấn luyện cao nhờ caching thông minh, bộ nạp dữ liệu tự động và hỗ trợ tích hợp cho huấn luyện phân tán trên nhiều GPU.
Khi so sánh kiến trúc model, mức tiêu thụ bộ nhớ là yếu tố then chốt. Các model YOLO của Ultralytics cần ít VRAM hơn trong cả quá trình huấn luyện lẫn suy luận so với các model Transformer cồng kềnh, giúp developer sử dụng phần cứng phổ thông hoặc notebook đám mây như Google Colab có thể tiếp cận chúng.
So sánh hiệu năng và kiến trúc#
Bảng dưới đây trình bày các chỉ số hiệu năng của cả hai kiến trúc khi đánh giá trên dataset COCO tiêu chuẩn. Hãy chú ý cách các model cân bằng giữa độ chính xác trung bình và tốc độ suy luận trong những môi trường khác nhau.
| 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 |
| YOLOv5n | 640 | 28.0 | - | 1.12 | 1.9 | 4.5 |
| YOLOv5s | 640 | 37.4 | - | 1.92 | 7.2 | 16.5 |
| YOLOv5m | 640 | 45.4 | - | 4.03 | 21.2 | 49.0 |
| YOLOv5l | 640 | 49.0 | - | 6.61 | 46.5 | 109.1 |
| YOLOv5x | 640 | 50.7 | - | 11.89 | 86.7 | 205.7 |
Phân tích#
YOLOv6-3.0 đạt mAP cao hơn ở các kích thước tương đương và được tối ưu mạnh cho pipeline TensorRT trên GPU T4. Tuy nhiên, YOLOv5 có Hệ sinh thái được bảo trì tốt, hỗ trợ export trực tiếp sang nhiều định dạng, bao gồm ONNX, CoreML và LiteRT. Sự cân bằng hiệu năng này giúp YOLOv5 hoạt động ổn định không chỉ trên máy chủ chuyên dụng mà còn trên thiết bị di động và môi trường điện toán biên như Raspberry Pi.
Ví dụ mã: Huấn luyện với Ultralytics#
Một lợi thế chính của hệ sinh thái Ultralytics là trải nghiệm người dùng được tinh gọn. Chỉ cần vài dòng Python để huấn luyện, đánh giá và export model.
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
# API tự động xử lý việc tải dataset và cấu hình hyperparameter
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)
# Chạy suy luận trên một ảnh
predictions = model("https://ultralytics.com/images/bus.jpg")
# Export model sang định dạng ONNX để triển khai linh hoạt
model.export(format="onnx")Trường hợp sử dụng và kịch bản triển khai lý tưởng#
Việc chọn giữa các kiến trúc này thường phụ thuộc vào những giới hạn hạ tầng cụ thể của bạn:
- Khi nào nên triển khai YOLOv6-3.0: Lý tưởng cho dây chuyền sản xuất tự động và phân tích máy chủ thông lượng cao, nơi có sẵn GPU NVIDIA chuyên dụng và cần độ trễ tối thiểu. Kiến trúc này phát huy hiệu quả trong môi trường có thể tận dụng tối đa các tối ưu hóa TensorRT.
- Khi nào nên triển khai YOLOv5: Đây là lựa chọn phù hợp để tạo prototype nhanh, triển khai đa nền tảng và dành cho các nhóm cần một pipeline thống nhất. Khả năng export đa dạng khiến model phù hợp với phân tích bán lẻ trên thiết bị biên và giám sát nông nghiệp bằng drone.
Tương lai của phát hiện đối tượng: YOLO26 ra mắt#
Dù YOLOv5 và YOLOv6 là những cột mốc quan trọng, lĩnh vực thị giác máy tính phát triển nhanh chóng. Đối với developer bắt đầu dự án mới hoặc muốn đạt hiệu năng tiên tiến nhất, Ultralytics khuyến nghị nâng cấp lên Ultralytics YOLO26 (phát hành tháng 1 năm 2026).
YOLO26 được thiết kế cho AI thị giác ưu tiên thiết bị biên và giới thiệu Thiết kế end-to-end không cần NMS tùy chọn. Khi chọn head không cần NMS bằng nms=False, model bỏ qua bước hậu xử lý Non-Maximum Suppression, giúp đơn giản hóa logic triển khai và giảm biến thiên độ trễ.
Các cải tiến chính của YOLO26 bao gồm:
- Optimizer MuSGD: Kết hợp SGD và Muon, đưa tính ổn định trong huấn luyện mô hình ngôn ngữ lớn (LLM) vào thị giác máy tính để giúp hội tụ nhanh hơn và đáng tin cậy hơn.
- Suy luận trên CPU nhanh hơn tới 43%: YOLO26n chạy trên CPU nhanh hơn tới 43% so với YOLO11n, hữu ích trong các môi trường không có accelerator chuyên dụng.
- Loại bỏ DFL: Việc loại bỏ Hàm mất mát tiêu điểm phân phối giúp đơn giản hóa quy trình export và tăng khả năng tương thích với các thiết bị edge công suất thấp.
- ProgLoss + STAL: Hàm loss tiến triển và chiến lược gán nhãn nhận biết đối tượng nhỏ cải thiện khả năng nhận diện vật thể nhỏ, yếu tố thiết yếu đối với ảnh chụp từ trên không và cảm biến IoT trong thành phố thông minh.
Đối với các tác vụ tổng quát, YOLO11 vẫn là lựa chọn được hỗ trợ đầy đủ trong dòng sản phẩm Ultralytics.
Kết luận#
YOLOv6-3.0 và YOLOv5 đều đóng vai trò quan trọng trong việc thúc đẩy phát hiện thời gian thực. YOLOv6-3.0 cung cấp kiến trúc chuyên biệt cao cho thông lượng được tăng tốc bằng GPU, trong khi YOLOv5 mang đến trải nghiệm developer vượt trội nhờ tài liệu toàn diện, tính dễ sử dụng và khả năng đa nhiệm.
Đối với các ứng dụng hiện đại, hệ sinh thái Ultralytics tích hợp cung cấp workflow được bảo trì tích cực. Khi sử dụng các kiến trúc mới nhất như YOLO26, pipeline triển khai của bạn được hưởng lợi từ những cải tiến gần đây về tốc độ, độ chính xác và tính đơn giản.
Bình luận
Đặt câu hỏi, chia sẻ kết quả hoặc giúp đỡ người khác.