YOLOv7 và YOLO26#

Lịch sử phát triển của thị giác máy tính ghi nhận nhiều cột mốc quan trọng; việc so sánh kiến trúc cũ với các model tiên tiến hiện đại mang lại nhiều thông tin giá trị cho kỹ sư ML. Bài so sánh kỹ thuật này đi sâu vào những khác biệt giữa YOLOv7 có ảnh hưởng lớn và Ultralytics YOLO26 mang tính đột phá, đồng thời nêu bật những tiến bộ về kiến trúc, phương pháp huấn luyện và hiệu quả triển khai.

YOLOv7: Tiên phong với “Bag-of-Freebies”#

Được giới thiệu vào giữa năm 2022, YOLOv7 mở rộng giới hạn hiệu năng trên phần cứng GPU bằng cách đưa ra một số tối ưu hóa kiến trúc, giúp cải thiện độ chính xác mà không làm tăng chi phí suy luận.

Thông tin model

• Tác giả: Chien-Yao Wang, Alexey Bochkovskiy và Hong-Yuan Mark Liao
• Tổ chức: Viện Khoa học Thông tin, Academia Sinica
• Ngày: 2022-07-06
• Arxiv: 2207.02696
• GitHub: WongKinYiu/yolov7
• Tài liệu: Tài liệu Ultralytics YOLOv7

YOLOv7 giới thiệu khái niệm “bag-of-freebies” có thể huấn luyện, tận dụng mạnh mẽ các kỹ thuật tái tham số hóa và mạng tổng hợp lớp hiệu quả mở rộng (E-ELAN). Nhờ đó, model có thể học các đặc trưng đa dạng hơn và liên tục cải thiện khả năng học của mạng mà không phá vỡ đường đi gradient ban đầu. Dù đạt benchmark tiên tiến ấn tượng trên COCO vào thời điểm đó, kiến trúc này vẫn phụ thuộc nhiều vào đầu ra dùng anchor và cần bước hậu xử lý Non-Maximum Suppression (NMS) phức tạp, có thể gây nghẽn độ trễ khi triển khai.

Tìm hiểu thêm về YOLOv7

YOLO26: Tiêu chuẩn AI thị giác ưu tiên thiết bị biên#

Ra mắt vào tháng 1 năm 2026, Ultralytics YOLO26 đánh dấu sự thay đổi mô hình, tái tư duy toàn diện pipeline phát hiện để ưu tiên tính dễ triển khai, độ ổn định khi huấn luyện và hiệu quả phần cứng.

Thông tin model

• Tác giả: Glenn Jocher và Jing Qiu
• Tổ chức: Ultralytics
• Ngày: 2026-01-14
• GitHub: ultralytics/ultralytics
• Nền tảng: Ultralytics YOLO26 trên Platform

YOLO26 được xây dựng từ đầu để giải quyết các thách thức kỹ thuật hiện đại. Kiến trúc của model mang đến một số cải tiến then chốt, giúp vượt xa các phiên bản tiền nhiệm:

• Thiết kế end-to-end không cần NMS: YOLO26 có head một-một tùy chọn (nms=False) giúp bỏ qua bước hậu xử lý NMS, một phương pháp đột phá được YOLOv10 tiên phong. Nhờ vậy, pipeline triển khai nhanh hơn và đơn giản hơn nhiều, đồng thời tránh được độ trễ biến thiên thường do các cảnh đông đối tượng gây ra.
• Loại bỏ DFL: Bằng cách loại bỏ Distribution Focal Loss (DFL), model được đơn giản hóa đáng kể để export, mang lại khả năng tương thích tốt hơn nhiều với thiết bị biên và phần cứng IoT công suất thấp.
• Suy luận CPU nhanh hơn đến 43%: Nhờ đơn giản hóa kiến trúc, YOLO26 được tối ưu đặc biệt cho điện toán biên và thiết bị không có GPU chuyên dụng, dễ dàng vượt trội hơn các kiến trúc cũ trên bộ xử lý tiêu chuẩn.
• MuSGD Optimizer: Lấy cảm hứng từ các kỹ thuật huấn luyện mô hình ngôn ngữ lớn (cụ thể là Kimi K2 của Moonshot AI), YOLO26 sử dụng MuSGD optimizer—kết hợp giữa giảm gradient ngẫu nhiên và Muon. Phương pháp này mang lại độ ổn định huấn luyện vượt trội và tốc độ hội tụ nhanh hơn nhiều cho các tác vụ thị giác máy tính.
• ProgLoss + STAL: Việc áp dụng các hàm mất mát tiên tiến này giúp cải thiện đáng kể khả năng nhận diện đối tượng nhỏ, yếu tố then chốt trong ảnh chụp từ trên không, robotics và kiểm tra chất lượng tự động.
• Cải tiến theo từng tác vụ: Ngoài phát hiện đối tượng tiêu chuẩn, YOLO26 giới thiệu proto đa tỷ lệ và hàm mất mát phân đoạn ngữ nghĩa chuyên biệt cho tác vụ phân đoạn, Ước tính hợp lý log dư (RLE) cho ước tính tư thế và các thuật toán hàm mất mát góc chuyên biệt để xử lý vấn đề đường biên trong bounding box định hướng (OBB).

So sánh hiệu năng và chỉ số#

Khi so sánh mức tiêu thụ tài nguyên tính toán, YOLO26 cho thấy ưu thế rõ rệt trong việc cân bằng hiệu năng và yêu cầu bộ nhớ. Các model dựa trên Transformer hoặc kiến trúc cũ có kích thước lớn thường cần cấp phát lượng bộ nhớ CUDA khổng lồ, nhưng YOLO26 huấn luyện hiệu quả trên GPU phổ thông.

Như trên minh họa, model YOLO26m đạt độ chính xác tương đương (53,1 mAP) với model YOLOv7x có quy mô lớn, nhưng chỉ sử dụng chưa đến một phần ba số tham số (20,4M so với 71,3M) và có tốc độ suy luận cực nhanh thông qua TensorRT.

Lợi thế của hệ sinh thái Ultralytics#

Việc triển khai model cũ thường đòi hỏi xử lý các kho lưu trữ bên thứ ba phức tạp, xung đột dependency và script export thủ công. Ngược lại, Ultralytics Platform cung cấp một hệ sinh thái đồng bộ, được duy trì tốt, giúp tinh gọn toàn bộ vòng đời machine learning.

• Dễ sử dụng: Với Python API trực quan và tài liệu toàn diện, bạn có thể gán nhãn, huấn luyện và triển khai model chỉ trong vài phút. Việc export sang các định dạng như ONNX hoặc CoreML chỉ cần một dòng code.
• Yêu cầu bộ nhớ: Các model Ultralytics nổi tiếng vì mức sử dụng bộ nhớ thấp. Không như một số vision Transformer cồng kềnh, YOLO26 có thể dễ dàng được fine-tune trên phần cứng tiêu chuẩn mà không gặp lỗi hết bộ nhớ (OOM).
• Tính linh hoạt: YOLOv7 chủ yếu là model phát hiện đối tượng (với một số nhánh thử nghiệm cho các tác vụ khác), trong khi YOLO26 là framework hợp nhất nguyên bản, xử lý phát hiện, phân đoạn, phân loại, ước tính tư thế và OBB, đồng thời hỗ trợ theo dõi nhiều đối tượng.

Ví dụ mã: Huấn luyện và triển khai#

Ví dụ sau minh họa sự đơn giản tinh tế của package ultralytics. Hãy chú ý giao diện gọn gàng như thế nào so với việc gọi các đối số dòng lệnh dài dòng cho những model cũ.

from ultralytics import YOLO

# Load the lightweight YOLO26 nano model
model = YOLO("yolo26n.pt")

# Train the model efficiently on a dataset (e.g., COCO8)
results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    batch=32,  # Efficient memory usage allows larger batch sizes
    device=0,
)

# Run an NMS-free, end-to-end inference on a test image
predictions = model("https://ultralytics.com/images/bus.jpg", nms=False)

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

Các trường hợp sử dụng thực tế#

Việc chọn kiến trúc phù hợp hoàn toàn phụ thuộc vào các ràng buộc trong môi trường production của bạn.

Khi nào nên cân nhắc YOLOv7: YOLOv7 vẫn là công cụ hữu ích để đối chuẩn học thuật theo các tiêu chuẩn năm 2022. Nếu hạ tầng của bạn sử dụng nhiều pipeline CUDA cũ được hardcode chặt chẽ theo các đầu ra anchor riêng của YOLOv7 và bạn không thể phân bổ nguồn lực để tái cấu trúc, YOLOv7 vẫn hoạt động như một model phát hiện cơ sở đáng tin cậy.

Khi nào nên chọn YOLO26: Với mọi dự án mới, YOLO26 là lựa chọn dứt khoát. Kiến trúc không sử dụng NMS khiến YOLO26 trở nên lý tưởng cho điều hướng tự hành có độ trễ thấp và các hệ thống bảo mật thời gian thực. Việc loại bỏ DFL và tăng tốc CPU đáng kể khiến YOLO26 trở thành lựa chọn vượt trội không thể bàn cãi cho các triển khai AI biên, chẳng hạn như triển khai trên Raspberry Pi hoặc trong các thiết bị điện tử tiêu dùng. Hơn nữa, những cải tiến ProgLoss + STAL giúp YOLO26 phát hiện rất tốt các bất thường nhỏ trong công tác đảm bảo chất lượng sản xuất hoặc ảnh vệ tinh.

Tóm lại, YOLO26 mang đến cho nhà phát triển sự kết hợp vượt trội giữa độ chính xác, tốc độ và tính đơn giản, cùng với sự hỗ trợ toàn diện từ cộng đồng nguồn mở.