Link to this sectionSo sánh YOLOv6-3.0 và YOLOv5#

Sự phát triển của công nghệ phát hiện đối tượng thời gian thực đã chứng kiến nhiều kiến trúc được tối ưu hóa cho các kịch bản triển khai khác nhau. Trong bài phân tích chuyên sâu này, chúng tôi so sánh hai mô hình nổi bật: YOLOv6-3.0 tập trung vào công nghiệp và Ultralytics YOLOv5 nền tảng, có tính linh hoạt cao. Hiểu rõ các lựa chọn kiến trúc, chỉ số hiệu suất và hỗ trợ hệ sinh thái của từng mô hình sẽ giúp bạn chọn ra framework computer vision tối ưu cho các ứng dụng thực tế của mình.

Link to this sectionYOLOv6-3.0: Lưu lượng công nghiệp và tối ưu hóa phần cứng#

Được phát triển bởi Vision AI Department tại Meituan, YOLOv6-3.0 được thiết kế đặc biệt cho các môi trường công nghiệp có thông lượng cao. Nó tập trung vào việc tối đa hóa tốc độ khung hình trên các 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
• Docs: Tài liệu YOLOv6

Link to this sectionĐiểm mạnh về kiến trúc#

YOLOv6-3.0 giới thiệu một số tối ưu hóa cấu trúc được thiết kế cho tốc độ. Mô hình sử dụng backbone EfficientRep, được thiết kế riêng để thân thiện với phần cứng trong quá trình suy luận trên GPU. Điều này làm cho kiến trúc đặc biệt mạnh mẽ cho các tác vụ xử lý hàng loạt ngoại tuyến.

Trong giai đoạn huấn luyện, mô hình tích hợp chiến lược Anchor-Aided Training (AAT). Phương pháp này cố gắng kết hợp sự ổn định của huấn luyện dựa trên neo (anchor-based) với tốc độ của suy luận không cần neo (anchor-free). Ngoài ra, kiến trúc neck của nó sử dụng module Bi-directional Concatenation (BiC) để cải thiện khả năng hợp nhất đặc trưng trên các thang đo khác nhau. Mặc dù được tối ưu hóa cao cho các GPU máy chủ cao cấp sử dụng TensorRT, sự chuyên biệt hóa này đôi khi có thể dẫn đến tăng độ trễ trên các thiết bị CPU hoặc thiết bị edge công suất thấp.

Tìm hiểu thêm về YOLOv6

Link to this sectionUltralytics YOLOv5: Người tiên phong của Vision AI dễ tiếp cận#

Được phát hành bởi Ultralytics, YOLOv5 đã thiết lập một tiêu chuẩn mới về tính dễ sử dụng, hiệu quả huấn luyện và khả năng triển khai mạnh mẽ. Nó đã dân chủ hóa việc phát hiện đối tượng hiệu suất cao bằng cách tích hợp sâu với các quy trình học sâu hiện đại.

• Tác giả: Glenn Jocher
• Tổ chức: Ultralytics
• Ngày: 2020-06-26
• GitHub: ultralytics/yolov5
• Nền tảng: Ultralytics Platform

Link to this sectionHệ sinh thái và tính linh hoạt#

Đặc điểm nổi bật của YOLOv5 là Tính dễ sử dụng. Được xây dựng nguyên bản trên framework PyTorch, kho lưu trữ cung cấp Python API thống nhất giúp đơn giản hóa đáng kể vòng đời machine learning. Từ cấu hình tập dữ liệu đến triển khai cuối cùng, hệ sinh thái tích hợp đảm bảo rằng các nhà phát triển dành ít thời gian hơn để gỡ lỗi môi trường và dành nhiều thời gian hơn để xây dựng ứng dụng.

YOLOv5 không chỉ giới hạn ở object detection. Nó tự hào với Tính linh hoạt vượt trội, hỗ trợ nguyên bản image classification và instance segmentation. Hơn nữa, nó cung cấp Hiệu quả huấn luyện vô song, bao gồm bộ nhớ đệm thông minh, bộ tải dữ liệu tự động và hỗ trợ tích hợp cho huấn luyện phân tán đa GPU.

Tìm hiểu thêm về YOLOv5

Link to this sectionSo sánh hiệu suất và kiến trúc#

Bảng dưới đây nêu bật các chỉ số hiệu suất của cả hai kiến trúc khi được đánh giá trên COCO dataset tiêu chuẩn. Hãy chú ý cách các mô hình cân bằng sự đánh đổi giữa độ chính xác trung bình (mAP) và tốc độ suy luận trên các môi trường khác nhau.

Link to this sectionPhân tích#

YOLOv6-3.0 đạt được điểm số mAP ấn tượng và được tối ưu hóa mạnh mẽ cho các pipeline TensorRT trên GPU T4. Tuy nhiên, YOLOv5 phản hồi lại bằng một Hệ sinh thái được duy trì tốt đến mức khó tin, hỗ trợ xuất ngay lập tức sang nhiều định dạng, bao gồm ONNX, CoreML và TFLite. Sự cân bằng hiệu suất này đảm bảo rằng YOLOv5 hoạt động ổn định không chỉ trên các máy chủ chuyên dụng mà còn trên các thiết bị di động và môi trường điện toán edge như Raspberry Pi.

Link to this sectionVí dụ về mã nguồn: Huấn luyện liền mạch với Ultralytics#

Một trong những lợi thế lớn nhất của hệ sinh thái Ultralytics là trải nghiệm người dùng được hợp lý hóa. Việc huấn luyện một mô hình, đánh giá nó và xuất nó chỉ yêu cầu một vài dòng Python.

from ultralytics import YOLO

# Load a pre-trained YOLOv5 small model
model = YOLO("yolov5s.pt")

# Train the model on the COCO8 dataset
# The API automatically handles dataset downloads and hyperparameter configuration
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

# Run inference on an image
predictions = model("https://ultralytics.com/images/bus.jpg")

# Export the model to ONNX format for flexible deployment
model.export(format="onnx")

Link to this sectionCác trường hợp sử dụng lý tưởng và kịch bản triển khai#

Việc lựa chọn giữa các kiến trúc này thường phụ thuộc vào các hạn chế về cơ sở hạ tầng cụ thể của bạn:

• Khi nào nên triển khai YOLOv6-3.0: Lý tưởng cho các dây chuyền sản xuất tự động và phân tích máy chủ thông lượng cao, nơi có sẵn GPU NVIDIA chuyên dụng và độ trễ phải ở mức tối thiểu. Kiến trúc của nó phát triển mạnh trong các môi trường nơi các tối ưu hóa TensorRT có thể được tận dụng triệt để.
• Khi nào nên triển khai YOLOv5: Lựa chọn hoàn hảo cho tạo mẫu nhanh, triển khai đa nền tảng và các nhóm đang tìm kiếm một pipeline thống nhất. Các khả năng xuất đa dạng của nó làm cho nó trở nên lý tưởng cho phân tích bán lẻ trên các thiết bị edge, giám sát bằng máy bay không người lái trong nông nghiệp và pose estimation trong các ứng dụng thể dục.

Link to this sectionTương lai của phát hiện đối tượng: Sự xuất hiện của YOLO26#

Trong khi YOLOv5 và YOLOv6 đại diện cho các cột mốc quan trọng, lĩnh vực computer vision tiến bộ rất nhanh. Đối với các nhà phát triển đang bắt đầu các dự án mới hoặc tìm kiếm công nghệ tiên tiến nhất, chúng tôi thực sự khuyên bạn nên nâng cấp lên Ultralytics YOLO26 (phát hành tháng 1 năm 2026).

YOLO26 định nghĩa lại Vision AI ưu tiên edge bằng cách giới thiệu Thiết kế không NMS đầu-cuối mang tính đột phá. Bằng cách loại bỏ nhu cầu xử lý hậu kỳ Non-Maximum Suppression, nó đơn giản hóa logic triển khai và giảm đáng kể sự thay đổi độ trễ.

Các đổi mới chính trong YOLO26 bao gồm:

• MuSGD Optimizer: Một sự kết hợp giữa SGD và Muon, mang lại sự ổn định huấn luyện LLM tiên tiến cho computer vision để hội tụ nhanh hơn, đáng tin cậy hơn.
• Suy luận CPU nhanh hơn tới 43%: Được tối ưu hóa mạnh mẽ cho các môi trường không có bộ tăng tốc chuyên dụng.
• Loại bỏ DFL: Việc loại bỏ Distribution Focal Loss giúp đơn giản hóa quy trình xuất và tăng cường khả năng tương thích với các thiết bị edge công suất thấp.
• ProgLoss + STAL: Các hàm mất mát tiên tiến giúp tăng cường đáng kể khả năng nhận diện vật thể nhỏ, rất quan trọng cho hình ảnh trên không và cảm biến IoT thành phố thông minh.

Đối với các tác vụ mục đích chung, YOLO11 cũng vẫn là một lựa chọn tuyệt vời, được hỗ trợ đầy đủ trong gia đình Ultralytics.

Tìm hiểu thêm về YOLO26

Link to this sectionKết luận#

Cả YOLOv6-3.0 và YOLOv5 đều đóng vai trò then chốt trong việc thúc đẩy phát hiện thời gian thực. YOLOv6-3.0 cung cấp kiến trúc chuyên biệt cao cho thông lượng tăng tốc GPU, trong khi YOLOv5 cung cấp trải nghiệm nhà phát triển vô song thông qua tài liệu mở rộng, tính dễ sử dụng và các khả năng đa tác vụ.

Đối với các ứng dụng hiện đại, việc tận dụng hệ sinh thái Ultralytics tích hợp đảm bảo một quy trình làm việc sẵn sàng cho tương lai. Bằng cách áp dụng các kiến trúc mới nhất như YOLO26, bạn đảm bảo rằng các pipeline triển khai của mình được hưởng lợi từ những đột phá mới nhất về tốc độ, độ chính xác và sự đơn giản về thuật toán.