Bắt đầu

YOLOv7 so với YOLOv5

Khi xây dựng pipeline thị giác máy tính hiện đại, việc chọn đúng kiến trúc phát hiện đối tượng là yếu tố then chốt để cân bằng độ chính xác, tốc độ suy luận và mức sử dụng tài nguyên. Phần so sánh này xem xét hai model có ảnh hưởng trong lĩnh vực thị giác máy tính: YOLOv7 và Ultralytics YOLOv5.

Bằng cách phân tích khác biệt về kiến trúc, các chỉ số hiệu năng và kịch bản triển khai lý tưởng, hướng dẫn này giúp nhà phát triển và nhà nghiên cứu chọn model phù hợp nhất với yêu cầu cụ thể.

Bối cảnh và nguồn gốc của model#

Việc tìm hiểu nguồn gốc của các model này giúp làm rõ triết lý thiết kế và các trường hợp sử dụng mục tiêu.

YOLOv5#

Được Glenn Jocher và nhóm Ultralytics phát hành vào ngày 26 tháng 6 năm 2020 tại Ultralytics, YOLOv5 cung cấp bản triển khai PyTorch nguyên bản, ưu tiên tính dễ sử dụng mà không làm giảm hiệu năng. Model nhanh chóng trở thành tiêu chuẩn trong ngành nhờ hệ sinh thái tinh gọn và động lực huấn luyện đáng tin cậy. Bạn có thể khám phá mã nguồn trong repository YOLOv5 trên GitHub hoặc truy cập trực tiếp model qua Ultralytics Platform.

YOLOv7#

Được Chien-Yao Wang, Alexey Bochkovskiy và Hong-Yuan Mark Liao từ Viện Khoa học Thông tin, Academia Sinica, Đài Loan, giới thiệu vào ngày 6 tháng 7 năm 2022, YOLOv7 tập trung nhiều vào các đổi mới kiến trúc như Mạng tổng hợp lớp hiệu quả mở rộng (E-ELAN) và kỹ thuật “bag-of-freebies” có thể huấn luyện nhằm nâng cao độ chính xác tiên tiến nhất. Thông tin chi tiết có trong bài báo arXiv chính thức và kho GitHub YOLOv7. Để chạy các model YOLOv7 đã xuất bằng Ultralytics, hãy xem tài liệu Ultralytics YOLOv7.

Tìm hiểu thêm về YOLOv7

Hỗ trợ của package Ultralytics

YOLOv5 được tích hợp đầy đủ vào package Python Ultralytics. YOLOv7 không được hỗ trợ nguyên bản để huấn luyện hoặc suy luận PyTorch, nhưng checkpoint YOLOv7 nguồn đã export sang ONNX hoặc TensorRT có thể chạy bằng Ultralytics như mô tả trong tài liệu YOLOv7.

Các cải tiến kiến trúc#

Thiết kế Ultralytics YOLOv5#

YOLOv5 sử dụng backbone CSPDarknet53 đã được chỉnh sửa cùng neck Path Aggregation Network (PANet). Thiết kế này được tối ưu cao cho trích xuất đặc trưng nhanh và tiết kiệm bộ nhớ. Khác với các kiến trúc cũ hoặc model Transformer nặng, YOLOv5 cần ít bộ nhớ CUDA hơn đáng kể khi huấn luyện, cho phép dùng batch size lớn hơn trên GPU phổ thông. Ngoài bounding box tiêu chuẩn, repository YOLOv5 còn bổ sung phân đoạn đối tượng (v7.0) và phân loại ảnh (v6.2).

Thiết kế YOLOv7#

YOLOv7 giới thiệu một số kỹ thuật tái tham số hóa cấu trúc và kiến trúc E-ELAN, cho phép mạng học các đặc trưng đa dạng hơn mà không phá vỡ đường gradient ban đầu. Model cũng triển khai một head phụ để giám sát trung gian trong quá trình huấn luyện. Dù những cải tiến này mang lại độ chính xác trung bình (mAP) cao, chúng thường tạo ra cấu trúc tensor phức tạp, khiến việc xuất sang các định dạng edge như ONNX hoặc TensorRT có thể khó hơn đôi chút so với khả năng xuất tinh gọn vốn có của các model Ultralytics.

Phân tích hiệu năng#

Khi so sánh các model này, nhà phát triển cần cân bằng giữa mAPval50-95, tốc độ suy luận và độ phức tạp tính toán (FLOPs). Bảng bên dưới trình bày hiệu suất của cả hai kiến trúc khi được đánh giá trên bộ dữ liệu COCO.

Modelkích thước
(pixel)
mAPval50-95Tốc độ
CPU ONNX
(ms)
Tốc độ
T4 TensorRT10
(ms)
params
(M)
FLOPs
(B)
YOLOv7l64051.4-6.8436.9104.7
YOLOv7x64053.1-11.5771.3189.9
YOLOv5n64028.0-1.121.94.5
YOLOv5s64037.4-1.927.216.5
YOLOv5m64045.4-4.0321.249.0
YOLOv5l64049.0-6.6146.5109.1
YOLOv5x64050.7-11.8986.7205.7

Điểm chính cần lưu ý#

  • Ngưỡng độ chính xác: YOLOv7x đạt độ chính xác tổng thể cao nhất với 53,1 mAPval50-95, nên có tính cạnh tranh cao trong các tình huống mà mục tiêu chính là tối đa hóa hiệu suất phát hiện.
  • Tốc độ và hiệu quả: Ultralytics YOLOv5n rất hiệu quả, với độ trễ suy luận 1.12 ms trên T4 TensorRT và chỉ 1.9M tham số. Đây là lựa chọn phù hợp cho các triển khai edge bị giới hạn tài nguyên nghiêm ngặt.
  • Cân bằng hiệu năng: Dòng YOLOv5 cung cấp nhiều kích thước model. YOLOv5l là lựa chọn cân bằng tốt, có độ chính xác thấp hơn YOLOv7l một chút nhưng sở hữu pipeline triển khai rất hoàn thiện.

Lợi thế của hệ sinh thái Ultralytics#

Kiến trúc của model chỉ là một nửa bài toán; hệ sinh thái xung quanh quyết định tính khả thi trong thực tế, và các model Ultralytics được xây dựng dựa trên điều đó.

Dễ sử dụng: Ultralytics cung cấp Python API thống nhất, trực quan. Bạn có thể huấn luyện, đánh giá và triển khai model với lượng code khung tối thiểu, cùng tài liệu chính thức phong phú. Hệ sinh thái được duy trì tốt: Quá trình phát triển tích cực mang đến các bản cập nhật, sửa lỗi và tích hợp thường xuyên với công cụ theo dõi hiện đại như Weights & Biases. Hiệu quả huấn luyện: YOLOv5 giảm thời gian huấn luyện nhờ sử dụng data loader được tối ưu và bộ nhớ đệm thông minh. Ngoài ra, trọng số pretrained có thể sử dụng ngay giúp tăng tốc transfer learning trên nhiều lĩnh vực.

Ví dụ mã: Huấn luyện đơn giản hóa#

Với package Ultralytics, cách khởi chạy một lượt huấn luyện giống nhau cho mọi kiến trúc được hỗ trợ.

from ultralytics import YOLO

# Tải model YOLOv5 đã tiền huấn luyện
model = YOLO("yolov5su.pt")  # YOLOv5u: weight YOLOv5 không anchor dành cho package ultralytics

# Huấn luyện model trên dataset ví dụ COCO8
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Export model đã huấn luyện sang định dạng ONNX để triển khai
success = model.export(format="onnx")

Các trường hợp sử dụng phù hợp nhất#

Khi nào nên chọn YOLOv7#

  • Đánh giá benchmark học thuật: Hữu ích cho nhà nghiên cứu cần so sánh kỹ thuật mới với baseline năm 2022 được tài liệu hóa đầy đủ.
  • Xử lý trên cloud GPU cao cấp: Phù hợp khi triển khai trên phần cứng máy chủ mạnh, nơi ưu tiên đạt mAP cao nhất trên cảnh đông đúc hơn tính đơn giản khi export.

Khi nào nên chọn YOLOv5#

  • Triển khai production: Lý tưởng cho các ứng dụng thương mại cần độ ổn định cao, tùy chọn triển khai model đơn giản và khả năng tương thích đa nền tảng rộng.
  • Thiết bị edge: Các biến thể nhỏ hơn (YOLOv5n và YOLOv5s) hoạt động tốt trên điện thoại di động và hệ thống nhúng.
  • Yêu cầu đa tác vụ: Khi dự án cần mở rộng từ phát hiện đơn giản sang phân đoạn đối tượng hoặc phân loại bằng một framework thống nhất.
Khám phá các kiến trúc khác

Bạn đang tìm các phiên bản mới hơn? Hãy khám phá Ultralytics YOLOv8 hoặc Ultralytics YOLO11 để tìm hiểu thêm các cải tiến về phát hiện không anchor và khả năng học đa tác vụ.

Thế hệ tiếp theo: Ultralytics YOLO26#

Dù YOLOv5 và YOLOv7 giữ vị trí quan trọng trong lịch sử AI thị giác máy tính, lĩnh vực này không ngừng phát triển. Ra mắt vào tháng 1 năm 2026, Ultralytics YOLO26 là model mới nhất của Ultralytics, cải thiện độ chính xác, tốc độ CPU và sự đơn giản khi triển khai so với các thế hệ trước.

YOLO26 giới thiệu một số tính năng chính:

  • Thiết kế đầu-cuối không cần NMS: Dựa trên phương pháp huấn luyện không cần NMS mà YOLOv10 đã giới thiệu cho các model YOLO, YOLO26 cung cấp một head đầu-cuối tùy chọn (nms=False), bỏ qua bước hậu xử lý Loại bỏ hộp giới hạn không cực đại (NMS), giúp giảm độ trễ và đơn giản hóa logic triển khai.
  • Optimizer MuSGD: Lấy cảm hứng từ Kimi K2 của Moonshot AI, optimizer lai này kết hợp SGD tiêu chuẩn với Muon, đưa các ý tưởng huấn luyện LLM vào thị giác máy tính để huấn luyện ổn định hơn và hội tụ nhanh hơn.
  • Tăng tốc CPU: Bằng cách loại bỏ Distribution Focal Loss (DFL), YOLO26n đạt tốc độ suy luận trên CPU nhanh hơn tới 43% so với YOLO11n, khiến YOLO26 rất phù hợp để triển khai AI biên và trên các thiết bị IoT công suất thấp.
  • ProgLoss + STAL: Progressive Loss và phương pháp gán nhãn nhận biết đối tượng nhỏ cải thiện khả năng nhận diện vật thể nhỏ, yếu tố quan trọng đối với ảnh hàng không và robot chính xác.
  • Cải tiến theo từng tác vụ: Bao gồm loss phân đoạn ngữ nghĩa để tạo mask, Residual Log-Likelihood Estimation (RLE) cho ước lượng tư thế và loss góc chuyên biệt để khắc phục vấn đề ranh giới của Hộp giới hạn định hướng (OBB).

Kết luận#

YOLOv5 và YOLOv7 đều cung cấp các giải pháp mạnh mẽ cho phát hiện đối tượng theo thời gian thực. YOLOv7 vẫn là lựa chọn nổi bật về độ chính xác thô trên phần cứng có năng lực tính toán cao, trong khi YOLOv5 nổi bật nhờ thân thiện với developer, cân bằng tốt giữa tốc độ và hiệu quả, cùng hệ sinh thái trưởng thành.

Tuy nhiên, với developer muốn chuẩn bị cho tương lai bằng cách kết hợp tốt nhất giữa tốc độ, sự đơn giản và độ chính xác, hướng đi được đề xuất là chuyển sang Ultralytics YOLO26. Model này duy trì tính dễ sử dụng của hệ sinh thái Ultralytics, đồng thời bổ sung các cải tiến kiến trúc đã mô tả ở trên.

Người đóng góp

Bình luận

Đặt câu hỏi, chia sẻ kết quả hoặc giúp đỡ người khác.