Ultralytics YOLO27:
Get Started

YOLOv6-3.0 và YOLOv8#

Lĩnh vực thị giác máy tính đã phát triển vượt bậc, với các model liên tục mở rộng giới hạn về tốc độ và độ chính xác. Khi chọn kiến trúc để triển khai, các nhà phát triển thường so sánh model công nghiệp chuyên biệt với framework đa nhiệm linh hoạt. Bài so sánh kỹ thuật này phân tích chuyên sâu YOLOv6-3.0 và YOLOv8, đánh giá kiến trúc, chỉ số hiệu năng và môi trường triển khai lý tưởng của chúng.

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 làm bộ phát hiện đối tượng có thông lượng cao cho các ứng dụng công nghiệp. Model này tối ưu mạnh cho bộ tăng tốc phần cứng chuyên dụng, tập trung vào tốc độ thuần trong môi trường cấp máy chủ.

Trọng tâm kiến trúc#

YOLOv6-3.0 sử dụng backbone EfficientRep, một kiến trúc thân thiện với phần cứng được thiết kế để tối đa hóa hiệu quả xử lý trên các GPU NVIDIA hiện đại. Neck sử dụng mô-đun Concatenation hai chiều (BiC) để tăng cường hợp nhất đặc trưng ở các tỷ lệ khác nhau.

Trong giai đoạn huấn luyện, YOLOv6 áp dụng chiến lược Huấn luyện có hỗ trợ anchor (AAT). Phương pháp kết hợp này nhằm tận dụng ưu điểm của cả phương pháp dựa trên anchor lẫn không dùng anchor, đồng thời duy trì quy trình suy luận không dùng anchor. Dù rất hiệu quả khi triển khai chuyên biệt bằng TensorRT, cách chuyên biệt hóa này có thể dẫn đến độ trễ cao hơn trên các thiết bị edge chỉ có CPU.

Tìm hiểu thêm về YOLOv6

Ultralytics YOLOv8: Tiêu chuẩn đa nhiệm linh hoạt#

Do Ultralytics phát hành, YOLOv8 đánh dấu bước chuyển đổi mô hình từ các bộ phát hiện bounding box chuyên biệt sang framework thị giác đa nhiệm thống nhất. Model này mang lại sự cân bằng vượt trội giữa độ chính xác, tốc độ và khả năng sử dụng ngay khi cài đặt.

Điểm nổi bật về kiến trúc#

YOLOv8 có sẵn cấu trúc head tách biệt, phân chia riêng tác vụ phân loại và hồi quy, giúp cải thiện đáng kể tốc độ hội tụ. Thiết kế không dùng anchor loại bỏ nhu cầu cấu hình anchor box thủ công, đảm bảo khả năng tổng quát hóa mạnh mẽ trên các dataset thị giác máy tính đa dạng.

Model tích hợp mô-đun C2f tiên tiến (nút thắt cổ chai phân đoạn một phần qua các stage với hai phép tích chập), thay thế các block C3 cũ. Cải tiến này tăng cường luồng gradient và khả năng biểu diễn đặc trưng mà không làm tăng ngân sách tính toán. Quan trọng hơn, YOLOv8 không chỉ là engine phát hiện; model hỗ trợ sẵn các tác vụ phân đoạn instance, phân loại ảnh, ước lượng pose và Bounding Box định hướng (OBB) trong cùng một API.

So sánh hiệu năng#

Đánh giá model trên dataset COCO tiêu chuẩn ngành giúp làm rõ năng lực của chúng. Bảng dưới đây nêu bật các chỉ số chính, trong đó các giá trị tốt nhất ở mỗi cột được đánh dấu in đậm.

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
YOLOv8n64037.380.41.473.28.7
YOLOv8s64044.9128.42.6611.228.6
YOLOv8m64050.2234.75.8625.978.9
YOLOv8l64052.9375.29.0643.7165.1
YOLOv8x64053.9479.114.3768.2257.8
Cân bằng hiệu năng và phần cứng

Dù YOLOv6-3.0 đạt thông lượng GPU nhanh hơn đôi chút trên các kiến trúc cũ như T4, YOLOv8 cần ít tham số và FLOPs hơn đáng kể để đạt độ chính xác tương đương. Mức sử dụng bộ nhớ thấp hơn này rất quan trọng để huấn luyện hiệu quả và triển khai trên các thiết bị Edge AI hạn chế tài nguyên.

Trường hợp sử dụng và khuyến nghị#

Việc chọn YOLOv6 hay YOLOv8 tùy thuộc vào yêu cầu cụ thể của dự án, các giới hạn triển khai và sở thích 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 YOLOv8#

YOLOv8 được khuyến nghị cho:

  • Triển khai đa tác vụ linh hoạt: Các dự án cần một model đã được kiểm chứng cho phát hiện, phân đoạn, phân loại và ước lượng tư thế trong hệ sinh thái Ultralytics.
  • Hệ thống sản xuất đã thiết lập: Các môi trường sản xuất hiện có được xây dựng trên kiến trúc YOLOv8 với quy trình triển khai ổn định, đã được kiểm thử kỹ lưỡng.
  • Hỗ trợ cộng đồng và hệ sinh thái rộng rãi: Các ứng dụng hưởng lợi từ kho hướng dẫn phong phú, tích hợp bên thứ ba và tài nguyên cộng đồng tích cực của YOLOv8.

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: Các thiết bị không có GPU tăng tốc chuyên dụng, nơi tốc độ CPU inference nhanh hơn đến 43% của YOLO26 mang lại lợi thế rõ rệt.
  • Phát hiện vật thể nhỏ: Các tình huống khó 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 khi phát hiện vật thể rất nhỏ.

Lợi thế Ultralytics: Hệ sinh thái và tính dễ sử dụng#

Mặc dù tốc độ suy luận thuần rất quan trọng, vòng đời của một dự án machine learning còn bao gồm quản lý dữ liệu, huấn luyện, export và giám sát. Ultralytics Platform tích hợp mang đến trải nghiệm liền mạch "từ số không đến chuyên gia" mà các repository chỉ phục vụ nghiên cứu khó có thể sánh bằng.

  • Hệ sinh thái được duy trì tốt: Ultralytics phát hành bản cập nhật thường xuyên, đảm bảo khả năng tương thích với các phiên bản PyTorch mới nhất và driver phần cứng.
  • Dễ sử dụng: Python API thống nhất cho phép nhà phát triển huấn luyện và export model sang các định dạng như ONNX và OpenVINO chỉ với một dòng code.
  • Yêu cầu bộ nhớ thấp: Các model Ultralytics được tối ưu hóa cao để giảm thiểu mức sử dụng bộ nhớ CUDA trong quá trình huấn luyện, giúp AI tiên tiến trở nên dễ tiếp cận trên phần cứng phổ thông—trái ngược rõ rệt với các kiến trúc Transformer ngốn bộ nhớ như RT-DETR.

Hướng tới tương lai: Nâng cấp tối ưu lên YOLO26#

Đối với nhà phát triển muốn đạt hiệu năng đỉnh cao và khả năng triển khai hiện đại, Ultralytics YOLO26 (phát hành tháng 1 năm 2026) là tiêu chuẩn được khuyến nghị. Model kế thừa những thành tựu của YOLOv8 và thế hệ YOLO11 trước đó, đồng thời giới thiệu các cải tiến kiến trúc mang tính đột phá:

  • Thiết kế end-to-end không cần NMS: YOLO26 cung cấp head one-to-one tùy chọn (nms=False), bỏ qua bước hậu xử lý Non-Maximum Suppression (NMS), một ý tưởng tiên phong trong YOLOv10. Thiết kế này đơn giản hóa logic triển khai và giảm biến thiên độ trễ.
  • Optimizer MuSGD: Lấy cảm hứng từ các đổi mới trong mô hình ngôn ngữ lớn như Kimi K2 của Moonshot AI, optimizer MuSGD mới (kết hợp SGD và Muon) giúp ổn định quá trình huấn luyện và tăng tốc hội tụ trên nhiều dataset đa dạng.
  • Loại bỏ DFL và tăng tốc CPU: Bằng cách loại bỏ Distribution Focal Loss (DFL), YOLO26 đơn giản hóa đồ thị export. Tối ưu hóa này giúp suy luận CPU nhanh hơn tới 43%, khiến model trở thành lựa chọn hàng đầu cho điện toán edge trên thiết bị di động và IoT.
  • ProgLoss + STAL: Các hàm loss tiên tiến cải thiện đáng kể khả năng nhận diện đối tượng nhỏ, yếu tố then chốt đối với ảnh chụp từ drone trên không và robot.

Ví dụ huấn luyện Python liền mạch#

Tính linh hoạt của Ultralytics API cho phép nâng cấp từ YOLOv8 lên YOLO26 tiên tiến nhất chỉ bằng cách thay đổi một chuỗi ký tự. Đoạn code có thể chạy đầy đủ sau đây minh họa việc sử dụng các model này dễ dàng như thế nào:

from ultralytics import YOLO

# Initialize the state-of-the-art YOLO26 Nano model
model = YOLO("yolo26n.pt")

# Train the model on the COCO8 dataset efficiently
results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    device="cpu",  # Easily switch to '0' for GPU training
)

# Run an inference on a test image
predictions = model.predict("https://ultralytics.com/images/bus.jpg", save=True)

# Export the trained model to ONNX format for deployment
export_path = model.export(format="onnx")
print(f"Model exported successfully to: {export_path}")

Kết luận#

Lựa chọn kiến trúc phù hợp quyết định khả năng bảo trì lâu dài của pipeline. YOLOv6-3.0 là công cụ chuyên biệt dành cho các pipeline công nghiệp sử dụng bộ tăng tốc GPU mạnh. Tuy nhiên, Ultralytics YOLOv8 mang lại sự cân bằng vượt trội giữa tính linh hoạt đa nhiệm, số lượng tham số thấp hơn và hệ sinh thái huấn luyện vô song.

Đối với các triển khai mới, nâng cấp lên YOLO26 thông qua Ultralytics Platform đảm bảo bạn đang sử dụng kiến trúc nhanh nhất hiện nay, hỗ trợ end-to-end nguyên bản và không cần NMS, đồng thời giúp chiến lược triển khai AI luôn sẵn sàng cho tương lai.

Người đóng góp
GLglenn-jocher17PDpderrenger1

Bình luận