YOLOv6-3.0 và YOLOv9
Phát hiện đối tượng thời gian thực tiếp tục phát triển nhằm đáp ứng nhu cầu về độ chính xác cao hơn, độ trễ thấp hơn và tận dụng phần cứng tốt hơn. Bài so sánh này xem xét hai cột mốc quan trọng trong lĩnh vực: YOLOv6-3.0, được phát triển cho thông lượng công nghiệp, và YOLOv9, giới thiệu các kiến trúc mới nhằm khắc phục nút thắt thông tin trong deep learning.
Dù cả hai model đều có những cải tiến kiến trúc riêng, nhà phát triển muốn cân bằng tốt nhất giữa hiệu năng và sự đơn giản khi triển khai thường chuyển sang các hệ sinh thái hiện đại. Với dự án mới, Ultralytics YOLO26 là model được khuyến nghị nhờ head đầu-cuối không cần NMS tùy chọn, độ chính xác tiên tiến và trải nghiệm phát triển tinh gọn hơn.
YOLOv6-3.0: Tối ưu hóa thông lượng công nghiệp#
Được phát triển bởi Bộ phận Vision AI của Meituan, YOLOv6-3.0 được thiết kế chuyên sâu để đạt thông lượng tối đa trong các ứng dụng công nghiệp, đặc biệt 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
Các cải tiến kiến trúc#
YOLOv6-3.0 giới thiệu một số thay đổi quan trọng nhằm tăng cường hợp nhất đặc trưng và hiệu quả phần cứng. Kiến trúc tích hợp module Ghép nối hai chiều (BiC) trong neck, cung cấp tín hiệu định vị chính xác hơn. Model cũng sử dụng chiến lược Huấn luyện có hỗ trợ anchor (AAT). Phương pháp này kết hợp hướng dẫn phong phú từ huấn luyện dựa trên anchor với tốc độ suy luận của phương pháp không dùng anchor, giúp tăng hiệu năng mà không làm chậm quá trình triển khai.
Backbone dựa trên thiết kế EfficientRep, được tối ưu để thân thiện với phần cứng khi suy luận trên GPU. Điều này giúp model hoạt động hiệu quả trong các kịch bản sản xuất công nghiệp, nơi xử lý batch nặng là thông lệ.
Ưu điểm và nhược điểm#
Ưu điểm chính của YOLOv6-3.0 là tốc độ khung hình cao trên GPU như NVIDIA T4, phù hợp với các luồng hiểu video mật độ cao. Tuy nhiên, việc phụ thuộc nhiều vào các tối ưu hóa phần cứng cụ thể có thể dẫn đến độ trễ chưa tối ưu trên thiết bị edge chỉ có CPU. Ngoài ra, việc thiết lập pipeline huấn luyện có thể phức tạp hơn so với các framework thống nhất hơn.
YOLOv9: Thông tin gradient có thể lập trình#
Ra mắt một năm sau đó, YOLOv9 tập trung giải quyết vấn đề nút thắt thông tin vốn có trong mạng neural tích chập sâu (CNN).
- Tác giả: Chien-Yao Wang và Hong-Yuan Mark Liao
- Tổ chức: Viện Khoa học Thông tin, Academia Sinica
- Ngày: 21 tháng 2, 2024
- arXiv: 2402.13616
- GitHub: WongKinYiu/yolov9
Các cải tiến kiến trúc#
Đóng góp lớn của YOLOv9 là Programmable Gradient Information (PGI), giúp duy trì thông tin quan trọng khi truyền qua nhiều lớp mạng, từ đó cập nhật trọng số đáng tin cậy hơn. Cùng với PGI, model có Generalized Efficient Layer Aggregation Network (GELAN). GELAN tối đa hóa hiệu quả tham số, giúp YOLOv9 đạt độ chính xác cao hơn với ít FLOPs hơn nhiều thế hệ trước.
Ưu điểm và nhược điểm#
YOLOv9 đạt mean Average Precision (mAP) cao trên các dataset benchmark như COCO, nên được các nhà nghiên cứu ưu tiên độ chính xác thuần túy ưa chuộng. Tuy nhiên, tương tự YOLOv6, model vẫn dựa vào Non-Maximum Suppression (NMS) truyền thống để hậu xử lý. Điều này làm tăng độ trễ và phức tạp hóa pipeline triển khai model, đặc biệt khi chuyển sang thiết bị biên sử dụng các định dạng như ONNX hoặc TensorRT.
So sánh hiệu năng#
Khi so sánh các model này, cần xem xét sự cân bằng giữa độ chính xác, số lượng tham số và tốc độ suy luận.
| 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 |
| YOLOv9t | 640 | 38.3 | - | 2.3 | 2.0 | 7.7 |
| YOLOv9s | 640 | 46.8 | - | 3.54 | 7.2 | 26.7 |
| YOLOv9m | 640 | 51.4 | - | 6.43 | 20.1 | 76.8 |
| YOLOv9c | 640 | 53.0 | - | 7.16 | 25.5 | 102.8 |
| YOLOv9e | 640 | 55.6 | - | 16.77 | 58.1 | 192.5 |
Ưu thế của Ultralytics: Giới thiệu YOLO26#
Dù YOLOv6-3.0 và YOLOv9 cung cấp kiến trúc vững chắc, môi trường production đòi hỏi hệ sinh thái được duy trì tốt, yêu cầu bộ nhớ thấp và tính dễ sử dụng. Ultralytics Platform cùng các model như YOLO11 và YOLO26 mới hơn được thiết kế để đáp ứng những nhu cầu này.
Ra mắt vào tháng 1 năm 2026, YOLO26 cải thiện hiệu quả triển khai bằng cách loại bỏ một số nút thắt cũ.
YOLO26 có Thiết kế đầu-cuối không cần NMS: head một-một tùy chọn (nms=False) loại bỏ nhu cầu hậu xử lý Non-Maximum Suppression. Điều này giảm biến động độ trễ suy luận và đơn giản hóa logic triển khai trên thiết bị biên.
Những cải tiến chính của YOLO26#
- Optimizer MuSGD: Lấy cảm hứng từ quá trình huấn luyện mô hình ngôn ngữ lớn (LLM), chẳng hạn Kimi K2 của Moonshot AI, YOLO26 sử dụng phương pháp kết hợp SGD và Muon. Phương pháp này giúp huấn luyện ổn định và hội tụ nhanh hơn trong các tác vụ thị giác máy tính.
- Suy luận trên CPU nhanh hơn đến 43%: Khác với YOLOv6 tập trung nhiều vào GPU, YOLO26 được tối ưu cho thiết bị biên: YOLO26n chạy nhanh hơn YOLO11n đến 43% trên CPU. Việc loại bỏ Distribution Focal Loss (DFL) giúp đơn giản hóa head, tương thích với CPU công suất thấp và phần cứng điện toán biên.
- ProgLoss + STAL: Hàm loss tiến triển và chiến lược gán nhãn nhận biết mục tiêu nhỏ cải thiện khả năng phát hiện vật thể nhỏ, yếu tố quan trọng đối với ảnh chụp từ trên không và robot.
- Tính linh hoạt: Trong khi YOLOv6 chỉ là engine phát hiện, YOLO26 còn xử lý phân đoạn instance, phân đoạn ngữ nghĩa, ước lượng độ sâu, phân loại, ước lượng tư thế và phát hiện Oriented Bounding Box (OBB).
Huấn luyện với Ultralytics#
Huấn luyện model hiện đại hàng đầu không nên đòi hỏi các bash script phức tạp. Ultralytics Python API cung cấp trải nghiệm tinh gọn với khả năng tự động tải dữ liệu, mức sử dụng bộ nhớ CUDA tối thiểu và chức năng tracking tích hợp.
from ultralytics import YOLO
# Tải model YOLO26 nano
model = YOLO("yolo26n.pt")
# Huấn luyện trên dataset COCO8 (optimizer='auto' chọn MuSGD cho các lượt huấn luyện dài hơn)
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Export model đã huấn luyện sang ONNX bằng một lệnh duy nhất
model.export(format="onnx")Các trường hợp sử dụng phù hợp nhất#
Việc chọn kiến trúc phù hợp hoàn toàn phụ thuộc vào môi trường triển khai mục tiêu của bạn:
- Dùng YOLOv6-3.0 cho: Tự động hóa nhà máy và phát hiện lỗi trong môi trường có nhiều GPU cấp máy chủ (ví dụ A100), nơi xử lý theo lô giúp tối đa hóa thông lượng.
- Sử dụng YOLOv9 cho: Nghiên cứu học thuật hoặc các cuộc thi mà mục tiêu chính là đạt mAP cao nhất có thể trên những dataset tiêu chuẩn như COCO.
- Sử dụng YOLO26 cho: Hầu hết ứng dụng thương mại hiện đại. Suy luận không cần NMS tùy chọn, dung lượng bộ nhớ thấp và tốc độ suy luận CPU cao khiến model phù hợp với hệ thống báo động an ninh, bán lẻ thông minh và theo dõi đối tượng thời gian thực trên thiết bị nhúng.
Tận dụng hệ sinh thái Ultralytics toàn diện, nhà phát triển có thể dễ dàng thử nghiệm YOLOv8, YOLO11 và YOLO26 để tìm ra sự cân bằng hiệu năng phù hợp với các thách thức thực tế cụ thể.
Bình luận
Đặt câu hỏi, chia sẻ kết quả hoặc giúp đỡ người khác.