YOLO Vision 2026:

So sánh YOLOv6-3.0 và YOLOv9#

Bối cảnh phát hiện đối tượng thời gian thực không ngừng phát triển, được thúc đẩy bởi nhu cầu về độ chính xác cao hơn, độ trễ thấp hơn và khả năng tận dụng phần cứng tốt hơn. Bài so sánh toàn diện này xem xét hai cột mốc quan trọng trong lĩnh vực này: YOLOv6-3.0, được phát triển cho hiệu suất công nghiệp, và YOLOv9, vốn giới thiệu các kiến trúc mới để vượt qua các nút thắt thông tin trong deep learning.

Trong khi cả hai model đều mang đến những cải tiến kiến trúc độc đáo, các developer tìm kiếm sự cân bằng tối ưu giữa hiệu năng và sự đơn giản khi triển khai thường chuyển sang các hệ sinh thái hiện đại. Đối với những ai bắt đầu các dự án mới, Ultralytics YOLO26 mang tính nguyên bản end-to-end là tiêu chuẩn được khuyên dùng, mang lại độ chính xác state-of-the-art với trải nghiệm cho developer được tinh gọn đáng kể.

YOLOv6-3.0: Tối ưu hóa hiệu suất công nghiệp#

Được phát triển bởi Bộ phận Vision AI tại Meituan, YOLOv6-3.0 được thiết kế chuyên sâu để đạt thông lượng tối đa trong các ứng dụng công nghiệp, đặc biệt là trên phần cứng GPU.

  • 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: 13 tháng 1, 2023
  • Arxiv: 2301.05586
  • GitHub: meituan/YOLOv6

Cải tiến kiến trúc#

YOLOv6-3.0 giới thiệu một số sửa đổi chính để tăng cường khả năng hợp nhất đặc trưng và hiệu quả phần cứng. Kiến trúc này kết hợp module Bi-directional Concatenation (BiC) trong phần neck, cung cấp các tín hiệu định vị chính xác hơn. Nó cũng sử dụng chiến lược Anchor-Aided Training (AAT). Cách tiếp cận này kết hợp sự hướng dẫn phong phú của đào tạo dựa trên anchor với tốc độ inference của mô hình không cần anchor (anchor-free), mang lại hiệu năng tốt hơn mà không làm chậm quá trình triển khai.

Phần backbone dựa trên thiết kế EfficientRep, được tối ưu hóa tỉ mỉ để thân thiện với phần cứng cho quá trình suy luận GPU. Điều này làm cho nó có năng lực cao trong các kịch bản industrial manufacturing nơi việc xử lý batch nặng là tiêu chuẩn.

Điểm mạnh và điểm yếu#

Thế mạnh chính của YOLOv6-3.0 nằm ở tốc độ khung hình cao trên các GPU như NVIDIA T4, giúp nó phù hợp cho các luồng video understanding mật độ cao. Tuy nhiên, sự phụ thuộc nặng nề của nó vào các tối ưu hóa phần cứng cụ thể có thể dẫn đến độ trễ dưới mức tối ưu trên các thiết bị edge chỉ dùng CPU. Hơn nữa, việc thiết lập pipeline training của nó có thể phức tạp hơn so với các framework thống nhất hơn.

Tìm hiểu thêm về YOLOv6

YOLOv9: Thông tin Gradient có thể lập trình#

Được phát hành một năm sau đó, YOLOv9 tập trung vào việc giải quyết vấn đề nút thắt cổ chai thông tin vốn có trong các neural network sâu, đẩy giới hạn lý thuyết của các kiến trúc CNN.

Cải tiến kiến trúc#

Đóng góp chính của YOLOv9 là Programmable Gradient Information (PGI), đảm bảo dữ liệu quan trọng được giữ lại khi đi qua nhiều lớp mạng, cho phép cập nhật trọng số đáng tin cậy hơn. Bên cạnh PGI, model này còn có Generalized Efficient Layer Aggregation Network (GELAN). GELAN tối đa hóa hiệu quả tham số, cho phép YOLOv9 đạt được độ chính xác vượt trội với ít FLOPs tính toán hơn nhiều so với các tiền nhiệm.

Điểm mạnh và điểm yếu#

YOLOv9 đạt được mean Average Precision (mAP) xuất sắc trên các dataset chuẩn như COCO, trở thành lựa chọn ưu tiên cho các nhà nghiên cứu ưu tiên độ chính xác thô. Tuy nhiên, giống như YOLOv6, nó vẫn dựa vào Non-Maximum Suppression (NMS) truyền thống cho quá trình hậu xử lý. Điều này làm tăng độ trễ và làm phức tạp pipeline model deployment, đặc biệt khi porting sang các thiết bị edge sử dụng các định dạng như ONNX hoặc TensorRT.

Tìm hiểu thêm về YOLOv9

So sánh hiệu năng#

Khi so sánh các model này, điều cần thiết là phải xem xét sự cân bằng giữa độ chính xác, số lượng tham số và tốc độ inference.

Mô hìnhkích 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
YOLOv9t64038.3-2.32.07.7
YOLOv9s64046.8-3.547.126.4
YOLOv9m64051.4-6.4320.076.3
YOLOv9c64053.0-7.1625.3102.1
YOLOv9e64055.6-16.7757.3189.0

Lợi thế của Ultralytics: Giới thiệu YOLO26#

Trong khi YOLOv6-3.0 và YOLOv9 cung cấp các kiến trúc mạnh mẽ, môi trường production đòi hỏi một hệ sinh thái được bảo trì tốt, yêu cầu bộ nhớ thấp và tính dễ sử dụng đặc biệt. Đây là nơi Ultralytics Platform và các model như YOLO11 cũng như YOLO26 tiên tiến tỏa sáng.

Được phát hành vào đầu năm 2026, YOLO26 định nghĩa lại cơ bản hiệu quả triển khai bằng cách loại bỏ các nút thắt cũ.

Thiết kế End-to-End nguyên bản

YOLO26 có Thiết kế NMS-Free End-to-End, loại bỏ hoàn toàn nhu cầu hậu xử lý Non-Maximum Suppression. Điều này làm giảm đáng kể sự biến thiên độ trễ khi inference và đơn giản hóa logic triển khai trên thiết bị edge.

Những đổi mới chính của YOLO26#

  1. MuSGD Optimizer: Lấy cảm hứng từ việc đào tạo LLM (như Kimi K2 của Moonshot AI), YOLO26 sử dụng sự kết hợp giữa SGD và Muon. Điều này mang lại sự ổn định đào tạo vượt trội và khả năng hội tụ nhanh hơn cho các tác vụ thị giác máy tính.
  2. Tốc độ suy luận CPU nhanh hơn tới 43%: Khác với sự tập trung GPU nặng nề của YOLOv6, YOLO26 được tối ưu hóa mạnh mẽ cho các thiết bị edge. Việc loại bỏ Distribution Focal Loss (DFL) giúp đơn giản hóa phần head, khiến nó có khả năng tương thích cao với các CPU công suất thấp và phần cứng edge computing.
  3. ProgLoss + STAL: Các hàm loss nâng cao cải thiện đáng kể khả năng phát hiện vật thể nhỏ, điều rất quan trọng đối với aerial imagery và robot.
  4. Tính linh hoạt vượt trội: Trong khi YOLOv6 thuần túy là một engine phát hiện, YOLO26 xử lý mượt mà việc instance segmentation, phân loại, pose estimation và phát hiện Oriented Bounding Box (OBB).

Tìm hiểu thêm về YOLO26

Đào tạo liền mạch với Ultralytics#

Việc train các model state-of-the-art không nên đòi hỏi các bash script phức tạp. Ultralytics Python API cung cấp trải nghiệm được tinh gọn với tính năng tải dữ liệu tự động, CUDA memory usage tối thiểu và tính năng tracking tích hợp sẵn.

from ultralytics import YOLO

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

# Train on the COCO8 dataset using the robust MuSGD optimizer natively
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Export the trained model to ONNX with a single command
model.export(format="onnx")

Các trường hợp sử dụng lý tưởng#

Việc lựa chọn kiến trúc phù hợp phụ thuộc hoàn toàn vào môi trường triển khai mục tiêu của bạn:

  • Sử dụng YOLOv6-3.0 cho: Tự động hóa nhà máy và phát hiện lỗi sản phẩm nơi các GPU cấp máy chủ (ví dụ: A100s) dồi dào và việc xử lý theo lô tối đa hóa hiệu suất.
  • Sử dụng YOLOv9 cho: Nghiên cứu học thuật hoặc các cuộc thi nơi việc đạt được mAP cao nhất tuyệt đối trên các tập dữ liệu chuẩn hóa như COCO là mục tiêu chính.
  • Sử dụng YOLO26 cho: Hầu hết mọi ứng dụng thương mại hiện đại. Kiến trúc không cần NMS, dung lượng bộ nhớ thấp và tốc độ suy luận CPU cao khiến nó hoàn hảo cho security alarm systems, smart retail và object tracking thời gian thực trên các thiết bị nhúng.

Bằng cách tận dụng Ultralytics ecosystem toàn diện, các developer có thể dễ dàng thử nghiệm với YOLOv8, YOLO11 và YOLO26 để tìm ra sự cân bằng hiệu năng hoàn hảo cho các thách thức thực tế cụ thể của họ.

Người đóng góp
GLglenn-jocher13

Bình luận