YOLOv7 và YOLOv6-3.0
Lĩnh vực thị giác máy tính không ngừng phát triển, với các model phát hiện đối tượng mới liên tục cải thiện tốc độ và độ chính xác. YOLOv7 và YOLOv6-3.0 là hai cột mốc đáng chú ý trong quá trình này. Cả hai model đều giới thiệu những cải tiến kiến trúc độc đáo nhằm tối đa hóa thông lượng và độ chính xác cho các ứng dụng thực tế. Trang này phân tích kỹ thuật chuyên sâu cả hai kiến trúc, so sánh hiệu năng, phương pháp huấn luyện và trường hợp sử dụng lý tưởng để giúp bạn đưa ra quyết định sáng suốt cho dự án trí tuệ nhân tạo tiếp theo.
YOLOv7: Tiên phong với Bag-of-Freebies#
Ra mắt vào giữa năm 2022, YOLOv7 giới thiệu một số chiến lược đổi mới nhằm tối ưu kiến trúc mạng mà không làm tăng chi phí suy luận. Model tập trung mạnh vào "bag-of-freebies" có thể huấn luyện để cải thiện độ chính xác mà vẫn duy trì hiệu năng thời gian thực.
- Tác giả: Chien-Yao Wang, Alexey Bochkovskiy và Hong-Yuan Mark Liao
- Tổ chức: Viện Khoa học Thông tin, Academia Sinica, Đài Loan
- Ngày: 2022-07-06
- arXiv: 2207.02696
- GitHub: WongKinYiu/yolov7
- Tài liệu: Tài liệu Ultralytics YOLOv7
Điểm nổi bật về kiến trúc#
YOLOv7 được đặc trưng bởi Extended Efficient Layer Aggregation Network (E-ELAN). Kiến trúc này cho phép model học các đặc trưng đa dạng hơn bằng cách kiểm soát đường gradient ngắn nhất và dài nhất. Ngoài ra, YOLOv7 sử dụng các kỹ thuật tái tham số hóa cấu trúc trong quá trình suy luận để hợp nhất các lớp tích chập, qua đó giảm số lượng tham số và thời gian tính toán mà không làm mất các biểu diễn đã học.
Model còn có chiến lược huấn luyện head phụ độc đáo. Bằng cách dùng "head chính" để đưa ra dự đoán cuối cùng và "head phụ" để hướng dẫn quá trình huấn luyện ở các lớp giữa, YOLOv7 đạt khả năng hội tụ tốt hơn và trích xuất đặc trưng phong phú hơn, đặc biệt hữu ích khi xử lý các tác vụ phát hiện vật thể khó.
YOLOv6-3.0: Thông lượng cấp công nghiệp#
Được phát triển bởi Bộ phận AI Thị giác của Meituan, YOLOv6-3.0 được thiết kế rõ ràng như một "model phát hiện vật thể thế hệ mới cho ứng dụng công nghiệp". Ra mắt vào đầu năm 2023, model tập trung tối đa hóa mức sử dụng phần cứng, đặc biệt trên GPU NVIDIA.
- Tác giả: Chuyi Li, Lulu Li, Yifei Geng, và cộng sự.
- Tổ chức: Meituan
- Ngày: 2023-01-13
- arXiv: 2301.05586
- GitHub: meituan/YOLOv6
- Tài liệu: Tài liệu Ultralytics YOLOv6
Điểm nổi bật về kiến trúc#
YOLOv6-3.0 sử dụng backbone EfficientRep, được tối ưu cho xử lý song song trên GPU. Nhờ đó, model rất hiệu quả trong xử lý batch quy mô lớn. Phiên bản 3.0 giới thiệu module Bi-directional Concatenation (BiC) trong neck để tăng cường hợp nhất đặc trưng giữa các tỷ lệ khác nhau, cải thiện khả năng phát hiện vật thể với nhiều kích thước.
Ngoài ra, YOLOv6-3.0 sử dụng chiến lược Anchor-Aided Training (AAT). Phương pháp này kết hợp ưu điểm của huấn luyện dựa trên anchor với suy luận không anchor, duy trì độ ổn định của anchor trong giai đoạn học và tận dụng tốc độ cùng sự đơn giản của thiết kế không anchor khi triển khai.
So sánh hiệu năng#
Khi đánh giá model cho production, việc cân bằng độ chính xác (mAP) với tốc độ suy luận và chi phí tính toán (FLOPs) là yếu tố then chốt. Dưới đây là phần so sánh chi tiết các biến thể tiêu chuẩn của cả hai model.
| Model | kích thước (pixel) | mAPval50-95 | Tốc độ CPU ONNX (ms) | Tốc độ T4 TensorRT10 (ms) | params (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv7l | 640 | 51.4 | - | 6.84 | 36.9 | 104.7 |
| YOLOv7x | 640 | 53.1 | - | 11.57 | 71.3 | 189.9 |
| YOLOv6-3.0n | 640 | 37.5 | - | 1.17 | 4.7 | 11.4 |
| YOLOv6-3.0s | 640 | 45.0 | - | 2.66 | 18.5 | 45.3 |
| YOLOv6-3.0m | 640 | 50.0 | - | 5.28 | 34.9 | 85.8 |
| YOLOv6-3.0l | 640 | 52.8 | - | 8.95 | 59.6 | 150.7 |
YOLOv6-3.0 phù hợp với môi trường GPU có thông lượng cao (chẳng hạn như TensorRT), còn YOLOv7 là lựa chọn cân bằng cho các hệ thống ưu tiên giữ lại đặc trưng.
Lợi thế của Ultralytics#
Các repository độc lập của YOLOv7 và YOLOv6-3.0 rất mạnh, nhưng hệ sinh thái Ultralytics giúp đơn giản hóa trải nghiệm nhà phát triển. Package Python ultralytics chuẩn hóa nhiều kiến trúc khác nhau trong một framework trực quan duy nhất.
- Dễ sử dụng: API Ultralytics cho phép bạn xây dựng, huấn luyện và triển khai model YOLOv6 (từ cấu hình YAML của model) hoặc các model hiện đại như YOLO26 với lượng code khung tối thiểu. YOLOv7 không được hỗ trợ nguyên bản; trước tiên cần export checkpoint YOLOv7 nguồn sang ONNX hoặc TensorRT. Bạn có thể chuyển đổi giữa các kiến trúc được hỗ trợ bằng cách thay đổi file model.
- Hệ sinh thái được duy trì tốt: Ultralytics cung cấp một môi trường được duy trì tích cực với các bản cập nhật thường xuyên, đảm bảo khả năng tương thích nguyên bản với các bản phân phối PyTorch và phiên bản CUDA mới nhất.
- Hiệu quả huấn luyện: Pipeline huấn luyện được tối ưu để sử dụng tài nguyên GPU hiệu quả. Ngoài ra, các model YOLO của Ultralytics thường cần ít bộ nhớ hơn khi huấn luyện so với các model nặng dựa trên Transformer (như RT-DETR), cho phép sử dụng batch size lớn hơn trên phần cứng phổ thông.
- Tính linh hoạt: Ngoài phát hiện bounding box tiêu chuẩn, framework Ultralytics hỗ trợ các tác vụ như phân đoạn đối tượng, phân loại ảnh, ước lượng tư thế và bounding box định hướng trên các họ model tương thích; đây là tính năng thường thiếu trong các repository nghiên cứu độc lập.
Ví dụ mã: Huấn luyện và suy luận#
Tích hợp các model này vào pipeline Python rất đơn giản. Đảm bảo dataset của bạn sử dụng định dạng phát hiện YOLO (như trong dataset COCO), rồi chạy lệnh sau:
from ultralytics import YOLO
# Tạo model YOLOv6n từ cấu hình YAML (không có trọng số YOLOv6 pretrained)
model = YOLO("yolov6n.yaml")
# Huấn luyện model với tính năng quản lý siêu tham số tích hợp sẵn
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Chạy suy luận trên URL ảnh hoặc đường dẫn cục bộ
predictions = model("https://ultralytics.com/images/bus.jpg")
# Trực quan hóa kết quả phát hiện
predictions[0].show()Các trường hợp sử dụng phù hợp nhất#
Khi nào nên chọn YOLOv7#
YOLOv7 phát huy hiệu quả trong các tình huống đòi hỏi độ chính xác cao và khả năng trích xuất đặc trưng dày đặc.
- Giám sát phức tạp: Khả năng bảo toàn chi tiết tinh vi khiến model phù hợp để giám sát các cảnh đông đúc hoặc phát hiện bất thường nhỏ trong hạ tầng thành phố thông minh.
- Đối chuẩn học thuật: Thường được dùng làm baseline mạnh trong nghiên cứu nhờ triết lý thiết kế "bag-of-freebies" toàn diện.
Khi nào nên chọn YOLOv6-3.0#
YOLOv6-3.0 là lựa chọn chủ lực cho các pipeline thông lượng cao, tăng tốc bằng GPU.
- Tự động hóa công nghiệp: Phù hợp với dây chuyền nhà máy và phát hiện lỗi sản xuất, nơi GPU cấp máy chủ xử lý nhiều luồng video đồng thời.
- Phân tích thông lượng cao: Hữu ích khi xử lý kho lưu trữ video offline, trong đó mục tiêu chính là tối đa hóa số khung hình mỗi giây.
Tương lai: YOLO26#
Dù YOLOv7 và YOLOv6-3.0 có năng lực cao, tốc độ đổi mới nhanh chóng trong lĩnh vực trí tuệ nhân tạo đòi hỏi hiệu quả cao hơn nữa. Ra mắt vào tháng 1 năm 2026, Ultralytics YOLO26 giải quyết nhiều hạn chế của các kiến trúc cũ.
Nếu bắt đầu dự án mới, YOLO26 được khuyến nghị thay cho các thế hệ trước. Model này giới thiệu một số tính năng chính:
- Thiết kế end-to-end không cần NMS: Dựa trên nền tảng do YOLOv10 đặt ra, head one-to-one tùy chọn của YOLO26 (
nms=False) bỏ qua Non-Maximum Suppression (NMS). Điều này giảm chi phí hậu xử lý, đơn giản hóa việc triển khai trên ứng dụng di động và duy trì độ trễ suy luận thấp, ổn định. - Optimizer MuSGD: Lấy cảm hứng từ các kỹ thuật huấn luyện LLM tiên tiến (chẳng hạn những kỹ thuật được dùng trong Kimi K2 của Moonshot AI), YOLO26 sử dụng optimizer lai kết hợp SGD và Muon. Phương pháp này giúp quá trình huấn luyện ổn định hơn và hội tụ nhanh hơn.
- Suy luận CPU nhanh hơn đến 43%: Bằng cách loại bỏ Distribution Focal Loss (DFL), YOLO26n chạy trên CPU nhanh hơn YOLO11n đến 43%. Điều này khiến YOLO26 phù hợp với môi trường edge như Raspberry Pi và các cảm biến IoT ở vùng xa.
- ProgLoss + STAL: Hàm loss tăng dần và cơ chế gán nhãn nhận biết mục tiêu nhỏ được thiết kế để cải thiện khả năng nhận diện vật thể nhỏ, vốn là điểm yếu lâu nay của các bộ phát hiện một giai đoạn.
Kết hợp những cải tiến này với Ultralytics Platform, YOLO26 mang lại hiệu năng mạnh mẽ, tính linh hoạt đa tác vụ và khả năng triển khai đơn giản cho kỹ sư machine learning.
Bình luận
Đặt câu hỏi, chia sẻ kết quả hoặc giúp đỡ người khác.