YOLOv7 so với YOLO26#

Sự phát triển của thị giác máy tính đã được đánh dấu bởi những cột mốc quan trọng, và việc so sánh các kiến trúc cũ với những model hiện đại tiên tiến nhất mang lại nhiều insight giá trị cho các Kỹ sư ML. Bài so sánh kỹ thuật này đi sâu vào sự khác biệt giữa YOLOv7, một model có ảnh hưởng lớn, và Ultralytics YOLO26 mang tính cách mạng, đồng thời làm nổi bật những tiến bộ về kiến trúc, phương pháp training và hiệu quả triển khai.

YOLOv7: Tiên phong của "Bag-of-Freebies"#

Được giới thiệu vào giữa năm 2022, YOLOv7 đã mở rộng giới hạn của những gì có thể thực hiện trên phần cứng GPU bằng cách đưa vào một số tối ưu hóa kiến trúc, giúp cải thiện độ chính xác mà không làm tăng chi phí suy luận.

Thông tin chi tiết về 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 đã giới thiệu khái niệm "bag-of-freebies" có thể training, tận dụng mạnh mẽ các kỹ thuật tái tham số hóa và mở rộng các mạng tổng hợp layer hiệu quả (E-ELAN). Điều này cho phép model học được các feature đa dạng hơn và liên tục cải thiện khả năng học của network mà không phá hủy đường gradient ban đầu. Mặc dù đạt được benchmark tiên tiến nhất ấn tượng trên COCO vào thời điểm đó, kiến trúc của model vẫn phụ thuộc nhiều vào đầu ra dựa trên anchor và yêu cầu hậu xử lý Non-Maximum Suppression (NMS) phức tạp, có thể gây ra các điểm nghẽn latency trong quá trình triển khai.

Tìm hiểu thêm về YOLOv7

YOLO26: Tiêu chuẩn AI thị giác ưu tiên Edge#

Được phát hành vào tháng 1 năm 2026, Ultralytics YOLO26 đại diện cho một sự chuyển đổi mô hình, hoàn toàn suy nghĩ lại pipeline detection nhằm ưu tiên tính dễ triển khai, độ ổn định khi training và hiệu quả phần cứng.

Thông tin chi tiết về 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 trội đáng kể so với các thế hệ trước:

• Thiết kế end-to-end không cần NMS: YOLO26 loại bỏ native bước hậu xử lý NMS, một phương pháp đột phá lần đầu được tiên phong trong YOLOv10. Điều này tạo ra một pipeline triển khai nhanh hơn, đơn giản hơn nhiều, tránh latency biến động 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 các thiết bị edge và phần cứng IoT công suất thấp.
• Suy luận CPU nhanh hơn tới 43%: Nhờ các đơn giản hóa kiến trúc và pruning cấu trúc, YOLO26 được tối ưu riêng cho edge computing và các thiết bị không có GPU chuyên dụng, dễ dàng vượt trội so với các kiến trúc cũ trên các processor tiêu chuẩn.
• Optimizer MuSGD: Lấy cảm hứng từ các kỹ thuật training language model lớn (cụ thể là Kimi K2 của Moonshot AI), YOLO26 sử dụng optimizer MuSGD—a hybrid của Stochastic Gradient Descent và Muon. Điều này mang lại độ ổn định training chưa từng có và khả năng hội tụ nhanh hơn nhiều cho các tác vụ thị giác máy tính.
• ProgLoss + STAL: Việc đưa vào các hàm loss nâng cao này mang lại những cải thiện đáng kể trong việc nhận diện các object nhỏ, yếu tố then chốt đối với ảnh chụp từ trên không, robotics và kiểm tra chất lượng tự động.
• Cải tiến theo từng task: Ngoài object detection tiêu chuẩn, YOLO26 còn giới thiệu proto đa scale và loss semantic segmentation chuyên biệt cho các task segmentation, Residual Log-Likelihood Estimation (RLE) cho pose estimation, cùng các thuật toán angle loss chuyên biệt để giải quyết các vấn đề về biên trong Oriented Bounding Boxes (OBB).

So sánh hiệu năng và các chỉ số#

Khi so sánh footprint 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 những kiến trúc cũ nặng thường yêu cầu lượng cấp phát bộ nhớ CUDA khổng lồ, nhưng YOLO26 training hiệu quả trên các GPU phổ thông.

Như đã thấy ở trên, model YOLO26m đạt độ chính xác tương đương (53.1 mAP) với YOLOv7x có quy mô lớn, nhưng chỉ sử dụng chưa đến một phần ba số parameter (20.4M so với 71.3M) và có thời gian suy luận cực nhanh thông qua TensorRT.

Lợi thế từ hệ sinh thái Ultralytics#

Việc triển khai các model cũ thường đòi hỏi phải xử lý các repository bên thứ ba phức tạp, dependency hell và các script export thủ công. Ngược lại, Ultralytics Platform cung cấp một ecosystem thống nhất, 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 annotate, train và deploy model chỉ trong vài phút. Việc export sang các format như ONNX hoặc CoreML chỉ cần một dòng code.
• Yêu cầu bộ nhớ: Các model Ultralytics nổi tiếng nhờ mức sử dụng bộ nhớ thấp. Không giống một số vision Transformer cồng kềnh, YOLO26 có thể dễ dàng fine-tune trên phần cứng tiêu chuẩn mà không gặp lỗi hết bộ nhớ (OOM).
• Tính linh hoạt: Trong khi YOLOv7 chủ yếu là một object detector (với một số branch thử nghiệm cho các task khác), YOLO26 là một framework thống nhất native, xử lý detection, classification, tracking, pose và OBB với năng lực tương đương.

Ví dụ code: Training và triển khai#

Ví dụ sau đây minh họa sự đơn giản tinh tế của package ultralytics. Hãy chú ý interface này gọn gàng hơn như thế nào so với việc gọi các command-line argument dài 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")

# 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 trong thực tế#

Việc lựa 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 một công cụ có giá trị để benchmark học thuật theo các tiêu chuẩn năm 2022. Nếu infrastructure của bạn sử dụng nhiều CUDA pipeline legacy được hardcode sâu với các output anchor riêng của YOLOv7 và bạn không thể phân bổ tài nguyên để refactor, model này vẫn sẽ tiếp tục hoạt động như một detector baseline mạnh mẽ.

Khi nào nên chọn YOLO26: Đối với mọi project mới, YOLO26 là lựa chọn dứt khoát. Kiến trúc không cần NMS khiến model trở nên lý tưởng cho điều hướng tự động có latency thấp và các hệ thống bảo mật thời gian thực. Việc loại bỏ DFL cùng mức tăng tốc CPU lớn khiến model trở thành lựa chọn hàng đầu cho các triển khai AI edge, chẳng hạn như triển khai trên Raspberry Pi hoặc bên trong các thiết bị điện tử tiêu dùng. Ngoài ra, các cải tiến ProgLoss + STAL giúp model đặc biệt hiệu quả trong việc phát hiện các bất thường nhỏ trong kiểm soát chất lượng sản xuất hoặc ảnh vệ tinh.

Sau cùng, YOLO26 mang đến cho các developer sự kết hợp vượt trội giữa độ chính xác, tốc độ và tính đơn giản, được hỗ trợ bởi cộng đồng open-source toàn diện.