YOLOv7 so với YOLO26#

Sự tiến hóa của thị giác máy tính đã được đánh dấu bằng các cột mốc quan trọng, và việc so sánh các kiến trúc cũ với các mô hình hiện đại tiên tiến mang lại những thông tin chi tiết có giá trị cho các Kỹ sư ML. Soظnh sánh kỹ thuật này đi sâu vào sự khác biệt giữa YOLOv7 có sức ảnh hưởng lớn và Ultralytics YOLO26 mang tính cách mạng, đồng thời làm nổi bật những tiến bộ về kiến trúc, phương pháp đào tạo và hiệu quả triển khai.

YOLOv7: Người tiên phong của "Bag-of-Freebies"#

Được giới thiệu vào giữa năm 2022, YOLOv7 đã đẩy xa các giới hạn về hiệu năng trên phần cứng GPU bằng cách đưa vào nhiều tối ưu hóa kiến trúc giúp cải thiện độ chính xác mà không làm tăng chi phí suy luận.

Chi tiết mô hình

• Tác giả: Chien-Yao Wang, Alexey Bochkovskiy và Hong-Yuan Mark Liao
• Tổ chức: Institute of Information Science, Academia Sinica
• Ngày: 2022-07-06
• Arxiv: 2207.02696
• GitHub: WongKinYiu/yolov7
• Tài liệu: Tài liệu Ultralytics YOLOv7

YOLOv7 đã giới thiệu khái niệm "túi quà tặng" (bag-of-freebies) có thể huấn luyện, tận dụng tối đa các kỹ thuật tái tham số hóa và mở rộng các mạng tổng hợp lớp hiệu quả (E-ELAN). Điều này cho phép mô hình học các đặc trưng đa dạng hơn và liên tục cải thiện năng lực học của mạng mà không phá hủy đường dẫn gradient ban đầu. Mặc dù đạt được mốc chuẩn tiên tiến ấn tượng trên COCO vào thời điểm đó, kiến trúc của nó vẫn phụ thuộc nhiều vào các đầu ra dựa trên anchor và yêu cầu xử lý hậu kỳ Non-Maximum Suppression (NMS) phức tạp, điều có thể gây ra nút cổ chai về độ trễ trong quá trình triển khai.

Tìm hiểu thêm về YOLOv7

YOLO26: Tiêu chuẩn Vision AI hướng tới Edge#

Được phát hành vào tháng 1 năm 2026, Ultralytics YOLO26 đại diện cho một sự thay đổi mô hình, tư duy lại hoàn toàn quy trình phát hiện để ưu tiên sự dễ dàng trong triển khai, độ ổn định khi huấn luyện và hiệu quả phần cứng.

Chi tiết mô hình

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

YOLO26 được xây dựng từ đầu để giải quyết các thách thức kỹ thuật hiện đại. Kiến trúc của nó mang đến nhiều đổi mới quan trọng vượt xa các phiên bản tiền nhiệm:

• Thiết kế không NMS từ đầu đến cuối: YOLO26 loại bỏ nguyên bản việc xử lý hậu kỳ NMS, một phương pháp mang tính đột phá lần đầu tiên xuất hiện trong YOLOv10. Điều này mang lại một pipeline triển khai nhanh hơn, đơn giản hơn nhiều, tránh được độ trễ biến đổi thường do các khung cảnh đông đúc gây ra.
• Loại bỏ DFL: Bằng cách loại bỏ Distribution Focal Loss (DFL), mô hình được đơn giản hóa triệt để để xuất dữ liệu, mang lại khả năng tương thích vượt trội với các thiết bị edge và phần cứng IoT tiêu thụ điện năng thấp.
• Suy luận trên CPU nhanh hơn tới 43%: Nhờ các đơn giản hóa về kiến trúc và cắt tỉa cấu trúc, YOLO26 được tối ưu hóa đặc biệt cho tính toán biên và các thiết bị không có GPU chuyên dụng, dễ dàng vượt qua các kiến trúc cũ trên các bộ vi xử lý tiêu chuẩn.
• Trình tối ưu hóa MuSGD: Lấy cảm hứng từ các kỹ thuật huấn luyện mô hình ngôn ngữ lớn (đặc biệt là Kimi K2 của Moonshot AI), YOLO26 sử dụng trình tối ưu hóa MuSGD—một sự kết hợp lai giữa Stochastic Gradient Descent và Muon. Điều này mang lại sự ổn định huấn luyện chưa từng có và tốc độ hội tụ nhanh hơn nhiều cho các tác vụ thị giác máy tính.
• ProgLoss + STAL: Việc giới thiệu các hàm mất mát tiên tiến này mang lại những cải tiến đáng chú ý trong việc nhận diện đối tượng nhỏ, vốn rất quan trọng đối với hình ảnh trên không, robot 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 các tác vụ phân đoạn, Ước tính log-likelihood phần dư (RLE) cho ước tính tư thế, và các thuật toán mất mát góc chuyên biệt để giải quyết các vấn đề biên trong Hộp bao quanh có hướng (OBB).

Tìm hiểu thêm về YOLO26

So sánh Hiệu năng và Chỉ số#

Khi so sánh dấu chân tính toán, YOLO26 cho thấy sự vượt trội rõ ràng trong việc cân bằng hiệu suất và yêu cầu bộ nhớ. Các mô hình dựa trên Transformer hoặc các kiến trúc nặng nề cũ thường yêu cầu cấp phát bộ nhớ CUDA khổng lồ, nhưng YOLO26 huấn luyện hiệu quả trên các GPU cấp người tiêu dùng.

Như đã thấy ở trên, mô hình YOLO26m đạt độ chính xác tương đương (53.1 mAP) so với mô hình YOLOv7x khổng lồ, nhưng lại có ít hơn một phần ba số tham số (20.4M so với 71.3M) và thời gian suy luận cực kỳ nhanh thông qua TensorRT.

Lợi thế từ hệ sinh thái Ultralytics#

Việc triển khai các mô hình cũ thường đi kèm với việc phải vật lộn với các kho lưu trữ bên thứ ba phức tạp, địa ngục phụ thuộc và các tập lệnh xuất thủ công. Ngược lại, Ultralytics Platform cung cấp một hệ sinh thái gắn kết, được bảo trì tốt, giúp đơn giản hóa toàn bộ vòng đời học máy.

• Dễ sử dụng: Với API Python trực quan và tài liệu đầy đủ, bạn có thể chú thích, huấn luyện và triển khai các mô hình trong vài phút. Việc xuất sang các định dạng như ONNX hay CoreML chỉ yêu cầu một dòng mã duy nhất.
• Yêu cầu bộ nhớ: Các mô hình Ultralytics nổi tiếng với mức tiêu thụ bộ nhớ thấp. Không giống như một số vision transformer cồng kềnh, YOLO26 có thể dễ dàng tinh chỉnh trên phần cứng tiêu chuẩn mà không gặp lỗi hết bộ nhớ (OOM).
• Tính linh hoạt: Trong khi YOLOv7 chủ yếu là một trình nhận diện đối tượng (với một số nhánh thử nghiệm cho các tác vụ khác), YOLO26 là một khung làm việc hợp nhất tự nhiên xử lý việc nhận diện, phân loại, theo dõi, ước tính tư thế và OBB với độ thành thạo tương đương.

Ví dụ mã: Huấn luyện và Triển khai#

Ví dụ sau đây chứng minh sự đơn giản thanh lịch của gói ultralytics. Hãy chú ý giao diện sạch sẽ như thế nào so với việc gọi các đối số dòng lệnh dài cho các mô hình 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")

# 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 phụ thuộc hoàn toàn vào các ràng buộc sản xuất của bạn.

Khi nào nên cân nhắc YOLOv7: YOLOv7 vẫn là một công cụ có giá trị để đánh giá chuẩn học thuật so với các tiêu chuẩn năm 2022. Nếu cơ sở hạ tầng của bạn sử dụng các pipeline CUDA cũ chuyên sâu được mã hóa cứng nhiều vào các đầu ra anchor cụ thể của YOLOv7 và bạn không thể phân bổ tài nguyên để tái cấu trúc, nó sẽ tiếp tục hoạt động như một bộ dò cơ sở mạnh mẽ.

Khi nào nên chọn YOLO26: Đối với bất kỳ dự án mới nào, YOLO26 là sự lựa chọn dứt khoát. Kiến trúc không NMS của nó làm cho nó hoàn hảo cho điều hướng tự động độ trễ thấp và các hệ thống bảo mật thời gian thực. Việc loại bỏ DFL và tăng tốc CPU lớn biến nó thành nhà vô địch không thể tranh cãi cho việc triển khai edge AI, chẳng hạn như triển khai trên Raspberry Pi hoặc bên trong các thiết bị điện tử tiêu dùng. Hơn nữa, các cải tiến ProgLoss + STAL làm cho nó cực kỳ thành thạo trong việc phát hiện các bất thường nhỏ trong đảm bảo chất lượng sản xuất hoặc hình ảnh vệ tinh.

Cuối cùng, YOLO26 cung cấp cho các nhà phát triển sự kết hợp không gì sánh bằng về độ chính xác, tốc độ và sự đơn giản, được hỗ trợ bởi sự hỗ trợ toàn diện của cộng đồng nguồn mở.