Ultralytics YOLO27:
Get Started

YOLOv7 và YOLOv8#

Sự phát triển nhanh chóng của thị giác máy tính đã mang đến nhiều công cụ mạnh mẽ cho developer và nhà nghiên cứu. Khi lựa chọn kiến trúc phù hợp cho pipeline phát hiện vật thể, việc so sánh các model đã được kiểm chứng là điều thiết yếu. Hướng dẫn kỹ thuật này đi sâu vào kiến trúc, chỉ số hiệu năng và các 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 là những bước tiến đáng kể về hiệu năng, nhưng tiếp cận bài toán tối ưu mạng nơ-ron sâu theo những triết lý cấu trúc khác nhau.

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.

Điểm nổi bật về kiến trúc: YOLOv7 chủ yếu sử dụng đầu phát hiện dựa trên anchor (mặc dù đã thử nghiệm các nhánh không dùng anchor) và giới thiệu Mạng tổng hợp lớp hiệu quả mở rộng (E-ELAN). Thiết kế này cải thiện khả năng học của mạng mà không phá vỡ đường dẫn gradient ban đầu. YOLOv7 hoạt động đặc biệt tốt trên các GPU dành cho máy chủ, nên rất phù hợp cho các tác vụ phân tích video chuyên sâu.

Ưu điểm và nhược điểm: YOLOv7 đạt độ trễ rất thấp trên phần cứng chuyên dụng, nhưng hệ sinh thái của model này bị phân mảnh đáng kể. Việc huấn luyện đòi hỏi các tham số dòng lệnh phức tạp, sao chép repository thủ công và quản lý dependency nghiêm ngặt trong PyTorch. Ngoài ra, yêu cầu bộ nhớ trong quá trình huấn luyện có thể vượt quá khả năng của phần cứng phổ thông.

Tìm hiểu thêm về YOLOv7

Ultralytics YOLOv8: Tiêu chuẩn linh hoạt#

Ra mắt vào đầu năm 2023, YOLOv8 định nghĩa lại hoàn toàn trải nghiệm phát triển, không chỉ tập trung vào độ chính xác hiện đại nhất mà còn cung cấp framework thống nhất, sẵn sàng cho production.

Điểm nổi bật về kiến trúc: YOLOv8 giới thiệu head phát hiện không dùng anchor ngay từ đầu, loại bỏ nhu cầu cấu hình thủ công các 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 biệt giữa tác vụ phân loại và hồi quy. Điều này giúp tăng tốc hội tụ đáng kể và cải thiện độ chính xác.

Ưu điểm và nhược điểm: YOLOv8 có hiệu quả về yêu cầu bộ nhớ vượt trội. Model cần ít bộ nhớ CUDA hơn đáng kể trong quá trình huấn luyện so với YOLOv7 và các model Transformer nặng hơn, cho phép developer sử dụng batch size lớn hơn. Ưu điểm chính của model là tính linh hoạt, hỗ trợ nguyên bản phân đoạn instance, phân loại ảnh, ước lượng tư thế và hộp giới hạn định hướng (OBB). Nhược điểm nhỏ duy nhất là các pipeline đời cũ chuyên biệt, chỉ được xây dựng cho tensor YOLOv7, có thể cần một khoảng thời gian ngắn để tái cấu trúc.

Ưu thế hệ sinh thái

Ultralytics YOLOv8 được hưởng lợi từ hệ sinh thái được duy trì tốt. Với Python API trực quan, quá trình phát triển tích cực và sự hỗ trợ vững chắc từ cộng đồng, việc đưa model từ thử nghiệm cục bộ đến triển khai toàn cầu chỉ mất một phần nhỏ thời gian so với các repository độc lập.

So sánh hiệu năng chi tiết#

Bảng sau phân tích các chỉ số hiệu năng theo những kích thước model chính. Hãy lưu ý sự cân bằng hiệu năng rõ rệt mà YOLOv8 đạt được: tối ưu mạnh cho suy luận nhanh trên thiết bị biên mà vẫn duy trì độ chính xác đẳng cấp thế giới.

Modelkích thước
(pixel)		mAPval
50-95		Tốc 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
YOLOv8n64037.380.41.473.28.7
YOLOv8s64044.9128.42.6611.228.6
YOLOv8m64050.2234.75.8625.978.9
YOLOv8l64052.9375.29.0643.7165.1
YOLOv8x64053.9479.114.3768.2257.8

Lưu ý: YOLOv8x đạt mAP cao nhất trong nhóm này, trong khi YOLOv8n vượt trội về hiệu quả tham số và tốc độ suy luận, khiến model trở thành lựa chọn hàng đầu không thể tranh cãi để triển khai thị giác máy tính trên thiết bị AI biên.

Tính dễ sử dụng và hiệu quả huấn luyện#

Về tính dễ sử dụng, Ultralytics YOLOv8 vượt trội hẳn. Các kiến trúc cũ như YOLOv7 đòi hỏi sao chép repository cụ thể và chạy script dòng lệnh dài dòng để cấu hình tập dữ liệu và đường dẫn.

Ngược lại, package ultralytics của YOLOv8 mang đến trải nghiệm phát triển được đơn giản hóa đáng kể. Hiệu quả huấn luyện được tối đa hóa nhờ tự động tải dữ liệu, trọng số pretrained có thể dùng ngay và khả năng export dễ dàng sang các định dạng như ONNX và TensorRT.

Dưới đây là cách tải, huấn luyện và chạy suy luận dễ dàng bằng Ultralytics Python API:

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()
Theo dõi thử nghiệm

YOLOv8 tích hợp nguyên bản với các công cụ MLOps phổ biến như Weights & Biases và ClearML, cho phép bạn theo dõi việc tinh chỉnh siêu tham số 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 hiện có quy mô lớn: Các môi trường đầu tư nhiều vào GPU NVIDIA V100 hoặc A100, nơi cấu hình tensor đặc thù của YOLOv7 được tích hợp sâu vào pipeline C++ cũ.

Khi nào nên chọn YOLOv8#

  • Production đa nền tảng: Lý tưởng cho các nhóm cần triển khai liền mạch trên GPU đám mây, thiết bị di động và trình duyệt.
  • Yêu cầu đa tác vụ: Khi dự án cần vượt ra ngoài bounding box và khai thác mask phân đoạn instance phong phú hoặc keypoint tư thế.
  • Thiết bị biên hạn chế tài nguyên: YOLOv8 Nano (yolov8n) mang lại tỷ lệ độ chính xác/tốc độ ấn tượng cho robot, drone và cảm biến IoT.

Nhìn về phía trước: Bước nhảy thế hệ lên YOLO26#

Dù YOLOv8 vẫn là lựa chọn rất đáng tin cậy, lĩnh vực thị giác máy tính đang phát triển nhanh chóng. Với developer bắt đầu các dự án hiệu năng cao hoàn toàn mới, Ultralytics gần đây đã giới thiệu thế hệ model AI tiếp theo. Bạn nên tìm hiểu cả YOLO11 được cải tiến sâu rộng lẫn YOLO26 vừa ra mắt.

Ra mắt vào tháng 1 năm 2026, YOLO26 mở rộng giới hạn những gì có thể thực hiện trên thiết bị biên:

  • 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) với head one-to-one tùy chọn (nms=False). Điều này giúp pipeline triển khai đơn giản hơn và nhanh hơn đáng kể, không gặp nút thắt độ trễ của các model dự đoán dày truyền thống.
  • Loại bỏ DFL: Bằng cách loại bỏ Distribution Focal Loss, YOLO26 đơn giản hóa đáng kể các tùy chọn triển khai model và cải thiện khả năng tương thích với thiết bị biên.
  • Suy luận trên CPU nhanh hơn tới 43%: Được tối ưu mạnh cho môi trường hạn chế tài nguyên như Raspberry Pi và hệ thống nhúng, model vượt qua mọi thế hệ trước về thông lượng CPU.
  • Optimizer MuSGD: Lấy cảm hứng từ các mô hình huấn luyện Large Language Model (LLM), YOLO26 tích hợp phương pháp kết hợp SGD và Muon. Phương pháp này mang lại độ ổn định khi huấn luyện chưa từng có cùng tốc độ hội tụ cực nhanh.
  • ProgLoss + STAL: Các hàm loss tiên tiến này giúp cải thiện đáng kể khả năng nhận diện vật thể nhỏ, đặc biệt quan trọng đối với ảnh chụp từ trên không, nông nghiệp tự động và robot.

Dù bạn mở rộng quy mô lên các cụm phân tích video khổng lồ với YOLOv8 hay đưa suy luận lên các thiết bị biên siêu nhỏ bằng YOLO26 tiên tiến, Ultralytics Platform đều cung cấp công cụ để quản lý liền mạch toàn bộ vòng đời AI.

Người đóng góp
GLglenn-jocher17

Bình luận