YOLOv7 so với YOLOv10#

Lĩnh vực thị giác máy tính đã chứng kiến những tiến bộ đáng kể trong vài năm qua, trong đó dòng model YOLO (chỉ nhìn một lần) dẫn đầu về phát hiện đối tượng theo thời gian thực. Việc lựa chọn architecture phù hợp cho các dự án thị giác máy tính đòi hỏi hiểu biết sâu về các tùy chọn hiện có. Trong bài so sánh kỹ thuật toàn diện này, chúng ta sẽ tìm hiểu những khác biệt chính giữa hai architecture mang tính bước ngoặt: YOLOv7 và YOLOv10.

Giới thiệu về các Model#

Cả hai model này đều là những cột mốc quan trọng trong lịch sử trí tuệ nhân tạo, nhưng chúng sử dụng những cách tiếp cận hoàn toàn khác nhau để giải quyết các thách thức trong phát hiện đối tượng.

YOLOv7: Tiên phong của Bag-of-Freebies#

Được phát hành vào ngày 6 tháng 7 năm 2022 bởi các nhà nghiên cứu Chien-Yao Wang, Alexey Bochkovskiy và Hong-Yuan Mark Liao từ Institute of Information Science, Academia Sinica, YOLOv7 đã tạo ra một bước chuyển paradigm trong cách tối ưu hóa mạng neural. Nghiên cứu gốc, được trình bày chi tiết trong bài báo học thuật và đăng trên repository GitHub chính thức của họ, tập trung mạnh vào việc tái tham số hóa architecture và một “bag-of-freebies” có thể huấn luyện.

YOLOv7 tận dụng mạng tổng hợp layer hiệu quả mở rộng (E-ELAN) để định hướng cho network học các đặc trưng đa dạng mà không phá hủy đường dẫn gradient ban đầu. Điều này khiến nó trở thành lựa chọn mạnh mẽ cho các benchmark nghiên cứu học thuật và những hệ thống phụ thuộc nhiều vào GPU high-end tiêu chuẩn.

Tìm hiểu thêm về YOLOv7

YOLOv10: Phát hiện End-to-End theo thời gian thực#

Được phát triển bởi Ao Wang và nhóm của ông tại Tsinghua University, YOLOv10 được phát hành vào ngày 23 tháng 5 năm 2024. Như được trình bày trong ấn phẩm arxiv và repository GitHub của Tsinghua, model này loại bỏ một nút thắt tồn tại lâu nay trong phát hiện đối tượng: Non-Maximum Suppression (NMS).

YOLOv10 đã giới thiệu cơ chế gán kép nhất quán cho quá trình huấn luyện không cần NMS, làm thay đổi căn bản pipeline hậu xử lý. Bằng cách triển khai chiến lược thiết kế model tổng thể dựa trên hiệu quả và độ chính xác, YOLOv10 giảm dư thừa tính toán. Kết quả là một architecture được thiết kế đặc biệt cho các edge device yêu cầu độ trễ cực thấp.

Tìm hiểu thêm về YOLOv10

So sánh hiệu năng và các chỉ số#

Khi phân tích hiệu năng của model, việc đánh giá các đánh đổi giữa độ chính xác, tốc độ và mức độ tiêu tốn tài nguyên tính toán là rất quan trọng. Bảng sau cho thấy các kích thước khác nhau của những model này so sánh với nhau như thế nào.

Phân tích các đánh đổi#

Các metric trên cho thấy khoảng cách thế hệ rõ rệt. Mặc dù YOLOv7x đạt mAP^val rất cao ở mức 53.1%, model này cần 71.3M parameter và 189.9B FLOPs. Ngược lại, YOLOv10l vượt qua độ chính xác đó (53.3% mAP) trong khi chỉ cần chưa đến một nửa số parameter (29.5M) và ít FLOPs hơn đáng kể (120.3B). Hơn nữa, YOLOv10n được tối ưu hóa cao mang lại tốc độ inference đáng kinh ngạc ở mức 1.56ms, khiến nó trở nên lý tưởng cho phân tích video theo thời gian thực và các ứng dụng mobile.

Các trường hợp sử dụng trong thực tế#

Những khác biệt về architecture giữa các model này quyết định các trường hợp sử dụng tối ưu của chúng.

Khi nào nên sử dụng YOLOv7#

Nhờ khả năng biểu diễn đặc trưng phong phú, YOLOv7 hoạt động xuất sắc trong các môi trường có độ phức tạp cao. Những trường hợp sử dụng như giám sát luồng giao thông tại các khu vực đô thị đông đúc, phân tích ảnh vệ tinh hoặc xác định lỗi trong tự động hóa sản xuất quy mô lớn đều hưởng lợi từ khả năng tái tham số hóa cấu trúc mạnh mẽ của model. Model này cũng được ưu tiên sử dụng trong các môi trường legacy đã tích hợp sâu với những pipeline PyTorch 1.12 cụ thể.

Khi nào nên sử dụng YOLOv10#

Thiết kế nhẹ, không cần NMS của YOLOv10 phát huy hiệu quả trong các môi trường hạn chế tài nguyên. Model này đặc biệt được khuyến nghị cho các thiết bị edge computing như NVIDIA Jetson Nano hoặc Raspberry Pi. Hiệu năng có độ trễ thấp khiến nó trở nên hoàn hảo cho các ứng dụng chuyển động nhanh như phân tích thể thao, điều hướng drone tự động và phân loại robot tốc độ cao trên băng chuyền.

Lợi thế từ hệ sinh thái Ultralytics#

Mặc dù cả hai model đều có nền tảng học thuật vững chắc, tiềm năng thực sự của chúng được khai thác khi sử dụng trong Ultralytics Platform thống nhất. Việc phát triển model thị giác máy tính từ đầu nổi tiếng là khó, nhưng hệ sinh thái Ultralytics mang lại trải nghiệm vượt trội cho các kỹ sư machine learning.

• Dễ sử dụng: Ultralytics Python API cung cấp một interface thống nhất. Bạn có thể train, validate và export model chỉ với vài dòng code, tránh những vấn đề dependency phức tạp thường gặp trong các repository học thuật.
• Hệ sinh thái được duy trì tốt: Ultralytics đảm bảo code nền tảng luôn được phát triển tích cực. Người dùng được hưởng lợi từ các tích hợp liền mạch với những công cụ ML phổ biến như Weights & Biases để logging hoặc Hugging Face cho các bản demo web nhanh.
• Yêu cầu bộ nhớ: Các bộ phát hiện đối tượng dựa trên Transformer thường tiêu tốn lượng CUDA memory rất lớn trong quá trình train. Ngược lại, các model Ultralytics YOLO cần ít memory hơn nhiều, cho phép sử dụng batch size lớn hơn đáng kể trên phần cứng phổ thông.
• Tính linh hoạt: Pipeline Ultralytics không bị giới hạn ở các bounding box tiêu chuẩn. Pipeline này hỗ trợ liền mạch ước lượng pose, phân đoạn instance và bounding box định hướng trên các dòng model được hỗ trợ như YOLO11 và YOLOv8.

Ví dụ về quy trình Train tinh gọn#

Việc chạy một pipeline train với Ultralytics cực kỳ đơn giản. Dù bạn đang tận dụng tính mạnh mẽ đã được kiểm chứng của YOLOv7 hay tốc độ không cần NMS của YOLOv10, cú pháp vẫn nhất quán:

from ultralytics import YOLO

# Load the preferred model (e.g., YOLOv10 Nano)
model = YOLO("yolov10n.pt")

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

# Run an inference prediction on a sample image
predictions = model.predict("https://ultralytics.com/images/bus.jpg")

# Export to an edge-friendly format like ONNX
model.export(format="onnx")

Các trường hợp sử dụng và khuyến nghị#

Việc lựa chọn giữa YOLOv7 và YOLOv10 phụ thuộc vào yêu cầu cụ thể của dự án, các ràng buộc triển khai và ưu tiên về hệ sinh thái của bạn.

Khi nào nên chọn YOLOv7#

YOLOv7 là lựa chọn mạnh mẽ cho:

• Benchmarking học thuật: Tái tạo các kết quả state-of-the-art thời kỳ năm 2022 hoặc nghiên cứu ảnh hưởng của E-ELAN và các kỹ thuật bag-of-freebies có thể training.
• Nghiên cứu tái tham số hóa: Nghiên cứu các convolution được tái tham số hóa theo kế hoạch và các chiến lược mở rộng model kết hợp.
• Pipeline tùy chỉnh hiện có: Các dự án có pipeline được tùy chỉnh sâu, xây dựng xoay quanh kiến trúc cụ thể của YOLOv7 và không thể dễ dàng refactor.

Khi nào nên chọn YOLOv10#

YOLOv10 được khuyến nghị cho:

• Phát hiện thời gian thực không cần NMS: Các ứng dụng hưởng lợi từ khả năng phát hiện đầu cuối mà không cần triệt tiêu cực đại, giúp giảm độ phức tạp khi triển khai.
• Cân bằng giữa tốc độ và độ chính xác: Các project yêu cầu sự cân bằng tốt giữa tốc độ suy luận và độ chính xác phát hiện trên nhiều quy mô model khác nhau.
• Ứng dụng có độ trễ nhất quán: Các kịch bản triển khai mà thời gian suy luận có thể dự đoán là yếu tố quan trọng, chẳng hạn như robotics hoặc các hệ thống tự hành.

Khi nào nên chọn Ultralytics (YOLO26)#

Đối với hầu hết dự án mới, Ultralytics YOLO26 mang đến sự kết hợp tốt nhất giữa hiệu năng và trải nghiệm developer:

• Triển khai edge không cần NMS: Các ứng dụng yêu cầu suy luận nhất quán, độ trễ thấp mà không có sự phức tạp của bước hậu xử lý triệt tiêu cực đại.
• Môi trường chỉ sử dụng CPU: Các thiết bị không có tăng tốc GPU chuyên dụng, nơi khả năng suy luận trên CPU nhanh hơn tới 43% của YOLO26 mang lại lợi thế quyết định.
• Phát hiện đối tượng nhỏ: Các kịch bản đầy thách thức như ảnh chụp từ drone trên không hoặc phân tích cảm biến IoT, trong đó ProgLoss và STAL cải thiện đáng kể độ chính xác trên các đối tượng rất nhỏ.

Tương lai: Giới thiệu YOLO26#

Mặc dù YOLOv7 và YOLOv10 là những cột mốc ấn tượng, frontier của AI luôn tiếp tục phát triển. Được phát hành vào tháng 1 năm 2026, Ultralytics YOLO26 là tiêu chuẩn mới không thể tranh cãi về hiệu quả và độ chính xác trên mọi kịch bản triển khai edge và cloud.

Nếu hôm nay bạn bắt đầu một dự án thị giác máy tính mới, YOLO26 là architecture được khuyến nghị. Model này kế thừa nền tảng của các thế hệ trước bằng cách tích hợp một số cải tiến mang tính đột phá:

• Thiết kế End-to-End không cần NMS: Lấy cảm hứng từ YOLOv10, YOLO26 loại bỏ native bước hậu xử lý NMS, đảm bảo inference có độ trễ cực thấp cho robotics thời gian thực mang tính tất định.
• Inference trên CPU nhanh hơn tới 43%: Bằng cách loại bỏ có chiến lược module Distribution Focal Loss (DFL), YOLO26 tăng tốc đáng kể quá trình thực thi trên phần cứng edge computing không có GPU, biến nó thành một giải pháp mạnh mẽ cho thiết bị IoT.
• Optimizer MuSGD: Lấy cảm hứng từ những cải tiến gần đây trong quá trình train large language model, YOLO26 tích hợp một cơ chế kết hợp giữa SGD và Muon, ổn định các pathway train và đảm bảo hội tụ nhanh hơn.
• ProgLoss + STAL: Các hàm loss nâng cao này mang lại những cải thiện đáng kể trong việc nhận diện đối tượng nhỏ, khắc phục một điểm yếu lâu nay của các thế hệ YOLO cũ.
• Tính linh hoạt vượt trội: YOLO26 có các tối ưu hóa native, chuyên biệt theo task như Residual Log-Likelihood Estimation (RLE) cho pose tracking và các hàm loss góc chuyên biệt để phát hiện OBB chính xác trong ảnh chụp từ trên không.

Đối với các kỹ sư tìm kiếm sự cân bằng tối ưu giữa tốc độ, độ chính xác và tính đơn giản khi triển khai, chuyển đổi từ các model legacy sang YOLO26 mang lại lợi thế cạnh tranh tức thời và có thể đo lường.