YOLOv7 và YOLOv8
Sự phát triển nhanh chóng của thị giác máy tính đã tạo ra nhiều công cụ hữu ích cho nhà phát triển và nhà nghiên cứu. Khi chọn kiến trúc cho pipeline phát hiện đối tượng, việc so sánh các model đã được xác lập là rất cần thiết. Hướng dẫn này xem xét kiến trúc, các chỉ số hiệu năng và trường hợp sử dụng lý tưởng của hai model có ảnh hưởng lớn: YOLOv7 và Ultralytics YOLOv8.
Giới thiệu về các kiến trúc#
Cả hai model đều mang lại những cải thiện hiệu năng đáng kể, nhưng sử dụng các phương pháp thiết kế khác nhau để tối ưu hóa mạng neural sâu.
YOLOv7: Tiên phong với Bag-of-Freebies#
Ra mắt vào giữa năm 2022, YOLOv7 tập trung mạnh vào tối ưu hóa đường truyền gradient của kiến trúc và khái niệm "bag-of-freebies có thể huấn luyện" nhằm đẩy giới hạn phát hiện thời gian thực trên phần cứng cao cấp.
- 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 chủ yếu sử dụng head phát hiện dựa trên anchor (dù từng thử nghiệm các nhánh không anchor) và giới thiệu Extended Efficient Layer Aggregation Networks (E-ELAN). Thiết kế này cải thiện khả năng học của mạng mà không phá hủy đường gradient ban đầu. YOLOv7 hoạt động tốt trên GPU cấp máy chủ, phù hợp với các tác vụ phân tích video chuyên sâu.
Ưu điểm và nhược điểm: Dù YOLOv7 đạt độ trễ thấp trên phần cứng chuyên dụng, bộ công cụ của model này ít được tích hợp hơn. Quá trình huấn luyện yêu cầu clone repository, quản lý dependency PyTorch thủ công và truyền nhiều tham số dòng lệnh. Yêu cầu bộ nhớ khi huấn luyện cũng có thể cao đối với phần cứng phổ thông.
Ultralytics YOLOv8: Tiêu chuẩn linh hoạt#
Ra mắt vào đầu năm 2023, YOLOv8 kết hợp độ chính xác cao với framework thống nhất, sẵn sàng cho môi trường production, phục vụ huấn luyện, đánh giá và triển khai.
- Tác giả: Glenn Jocher, Ayush Chaurasia và Jing Qiu
- Tổ chức: Ultralytics
- Ngày: 2023-01-10
- GitHub: ultralytics/ultralytics
- Nền tảng: Ultralytics YOLOv8
Điểm nổi bật về kiến trúc: YOLOv8 giới thiệu head phát hiện không anchor nguyên bản, loại bỏ nhu cầu cấu hình thủ công anchor box dựa trên bộ dữ liệu MS COCO hoặc phân bố dữ liệu tùy chỉnh. Model tích hợp module C2f để cải thiện luồng gradient và sử dụng cấu trúc head tách rời, phân biệt tác vụ phân loại và hồi quy, nhờ đó tăng tốc hội tụ và cải thiện độ chính xác.
Ưu điểm và nhược điểm: YOLOv8 tiết kiệm bộ nhớ: trong quá trình huấn luyện, model thường cần ít bộ nhớ CUDA hơn YOLOv7 hoặc các model Transformer nặng hơn, cho phép dùng batch size lớn hơn. Ưu điểm chính của YOLOv8 là tính linh hoạt, với hỗ trợ nguyên bản cho phân đoạn đối tượng, phân loại ảnh, ước lượng tư thế và Oriented Bounding Box (OBB). Nhược điểm chính là các pipeline cũ dựa trên tensor đầu ra YOLOv7 có thể cần được tái cấu trúc.
Ultralytics YOLOv8 thuộc một hệ sinh thái được duy trì tích cực. So với các repository nghiên cứu độc lập, Python API, các bản phát hành thường xuyên và sự hỗ trợ của cộng đồng giúp rút ngắn quá trình từ thử nghiệm cục bộ đến triển khai production.
So sánh hiệu năng chi tiết#
Bảng sau phân tích các chỉ số hiệu năng theo những kích thước model chính. YOLOv8 cung cấp nhiều mức đánh đổi giữa tốc độ và độ chính xác, từ model nhỏ gọn cho thiết bị edge đến model lớn hơn có độ chính xác cao nhất trong so sánh này.
| 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 |
| YOLOv8n | 640 | 37.3 | 80.4 | 1.47 | 3.2 | 8.7 |
| YOLOv8s | 640 | 44.9 | 128.4 | 2.66 | 11.2 | 28.6 |
| YOLOv8m | 640 | 50.2 | 234.7 | 5.86 | 25.9 | 78.9 |
| YOLOv8l | 640 | 52.9 | 375.2 | 9.06 | 43.7 | 165.1 |
| YOLOv8x | 640 | 53.9 | 479.1 | 14.37 | 68.2 | 257.8 |
Lưu ý: YOLOv8x đạt mAP cao nhất trong nhóm này, còn YOLOv8n có ít tham số nhất và suy luận nhanh nhất, là lựa chọn phù hợp để triển khai thị giác máy tính trên thiết bị AI edge.
Tính dễ sử dụng và hiệu quả huấn luyện#
Ultralytics YOLOv8 được thiết kế để dễ sử dụng. Các kiến trúc cũ như YOLOv7 yêu cầu clone repository cụ thể và chạy script dòng lệnh dài dòng để cấu hình dataset và đường dẫn.
Ngược lại, package ultralytics của YOLOv8 cung cấp quy trình tinh gọn với tính năng tự động tải dataset, trọng số pretrained sẵn sàng sử dụng và hỗ trợ export tích hợp cho các định dạng như ONNX và TensorRT.
Ví dụ sau tải model, huấn luyện model và chạy suy luận bằng Python API của Ultralytics:
from ultralytics import YOLO
# Tải model YOLOv8 nano pretrained
model = YOLO("yolov8n.pt")
# Huấn luyện model hiệu quả trên bộ dữ liệu COCO8
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)
# Chạy suy luận nhanh trên ảnh kiểm thử
predictions = model("https://ultralytics.com/images/bus.jpg")
# Hiển thị các dự đoán
predictions[0].show()YOLOv8 tích hợp với các công cụ MLOps phổ biến như Weights & Biases và ClearML, giúp bạn theo dõi tinh chỉnh hyperparameter và các chỉ số huấn luyện theo thời gian thực.
Các trường hợp sử dụng phù hợp nhất#
Việc lựa chọn giữa các kiến trúc này thường phụ thuộc vào các yêu cầu cụ thể của môi trường triển khai.
Khi nào nên chọn YOLOv7#
- Đối chuẩn với hệ thống cũ: Phù hợp với nhà nghiên cứu cần baseline cố định để so sánh với các tiêu chuẩn kiến trúc năm 2022.
- Hạ tầng nặng sẵn có: Các môi trường được xây dựng quanh GPU NVIDIA V100 hoặc A100, nơi tensor đầu ra của YOLOv7 được tích hợp trong pipeline C++ cũ.
Khi nào nên chọn YOLOv8#
- Production đa nền tảng: Lý tưởng cho các nhóm cần triển khai trên GPU cloud, thiết bị di động và trình duyệt.
- Yêu cầu đa tác vụ: Khi dự án cần mask phân đoạn đối tượng hoặc keypoint tư thế bên cạnh bounding box.
- Edge hạn chế tài nguyên: YOLOv8 Nano (
yolov8n) mang lại tỷ lệ độ chính xác trên tốc độ cao cho robot, drone và thiết bị IoT.
Nhìn về phía trước: Bước nhảy thế hệ lên YOLO26#
YOLOv8 vẫn là lựa chọn đáng tin cậy, nhưng các model Ultralytics mới hơn hiện có sẵn cho dự án mới: YOLO11 và YOLO26, model hiện được khuyến nghị.
Ra mắt vào tháng 1 năm 2026, YOLO26 được thiết kế để triển khai hiệu quả trên thiết bị edge:
- Thiết kế end-to-end không cần NMS: YOLO26 hỗ trợ suy luận end-to-end nguyên bản, bỏ qua bước hậu xử lý Non-Maximum Suppression (NMS) bằng head one-to-one tùy chọn (
nms=False). Thiết kế này đơn giản hóa pipeline triển khai và loại bỏ độ trễ của bước NMS riêng biệt. - Loại bỏ DFL: Việc loại bỏ Distribution Focal Loss giúp đơn giản hóa head phát hiện, mở rộng các tùy chọn triển khai model và cải thiện khả năng tương thích với edge.
- Suy luận CPU nhanh hơn đến 43%: YOLO26n chạy nhanh hơn YOLO11n đến 43% khi suy luận ONNX trên CPU, phù hợp với các thiết bị hạn chế tài nguyên như Raspberry Pi và các hệ thống nhúng khác.
- Optimizer MuSGD: Lấy cảm hứng từ quá trình huấn luyện model ngôn ngữ lớn (LLM), YOLO26 sử dụng phương pháp kết hợp SGD và Muon để huấn luyện ổn định hơn và hội tụ nhanh hơn.
- ProgLoss + STAL: Progressive Loss và Small-Target-Aware Label Assignment (STAL) cải thiện khả năng phát hiện vật thể nhỏ, yếu tố quan trọng trong ảnh hàng không, nông nghiệp và robot.
Dù triển khai YOLOv8 trên các cụm phân tích video lớn hay YOLO26 trên thiết bị edge nhỏ, Ultralytics Platform đều cung cấp công cụ để gán nhãn dữ liệu, huấn luyện và triển khai model trong toàn bộ vòng đời AI.
Bình luận1
Đặt câu hỏi, chia sẻ kết quả hoặc giúp đỡ người khác.
rosin7596(đã chỉnh sửa)
Well-explained comparison! YOLOv7 continues to perform impressively in terms of speed and accuracy, especially for real-time detection tasks on limited hardware. However, this YOLOv8 comparison shows how v8 introduces improvements like a more modular architecture, better support for multi-task learning, and streamlined training. Both models serve different needs, making the choice highly use-case dependent.