Bắt đầu

YOLOv7 và YOLOX

Sự phát triển của thị giác máy tính được đánh dấu bằng những tiến bộ nhanh chóng trong phát hiện đối tượng thời gian thực. Hai cột mốc quan trọng là YOLOv7 và YOLOX. Dù cả hai model đều cải thiện tốc độ và độ chính xác, chúng áp dụng các hướng tiếp cận kiến trúc khác nhau. Hướng dẫn này cung cấp so sánh kỹ thuật giữa hai model để giúp bạn chọn kiến trúc phù hợp cho dự án thị giác máy tính.

Giới thiệu các model#

Hiểu rõ nguồn gốc và các lựa chọn thiết kế chính của những model này rất quan trọng để triển khai hiệu quả trong các hoạt động machine learning hiện đại.

Thông tin YOLOv7#

Được phát triển bởi các nhà nghiên cứu từng duy trì kiến trúc CSPNet và Scaled-YOLOv4, YOLOv7 giới thiệu phương pháp “bag-of-freebies” có thể huấn luyện để tối đa hóa độ chính xác mà không làm tăng chi phí suy luận.

Tìm hiểu thêm về YOLOv7

Thông tin chi tiết về YOLOX#

YOLOX chọn hướng đi khác bằng cách quay lại với phát hiện không anchor, đơn giản hóa kiến trúc head mà vẫn duy trì hiệu năng mạnh.

Tìm hiểu thêm về YOLOX

Khác biệt và cải tiến về kiến trúc#

Khác biệt cốt lõi giữa YOLOv7 và YOLOX nằm ở cách tiếp cận trích xuất đặc trưng, dự đoán hộp giới hạn và gán nhãn.

YOLOX: Tiên phong không cần anchor#

YOLOX mang thiết kế không anchor vào dòng YOLO. Detector dựa trên anchor truyền thống cần tinh chỉnh heuristic cho việc phân cụm anchor box, vốn phụ thuộc nhiều vào dataset. Bằng cách loại bỏ anchor box, YOLOX giảm đáng kể số lượng tham số thiết kế. YOLOX cũng sử dụng head tách rời, phân chia tác vụ phân loại và định vị thành các nhánh mạng riêng. Cách này giảm xung đột giữa việc phân loại đối tượng và hồi quy tọa độ không gian. YOLOX còn tích hợp các chiến lược gán nhãn nâng cao như SimOTA, phân bổ mẫu dương động trong quá trình huấn luyện.

YOLOv7: Tổng hợp lớp hiệu quả mở rộng#

YOLOv7, ra mắt một năm sau đó, vẫn giữ thiết kế dựa trên anchor nhưng giới thiệu Mạng tổng hợp lớp hiệu quả mở rộng (E-ELAN). E-ELAN tối ưu độ dài đường truyền gradient để mạng học hiệu quả ở các độ sâu khác nhau. Kiến trúc này dựa nhiều vào tái tham số hóa, hợp nhất các layer tích chập khi suy luận để tăng tốc mà không hy sinh độ chính xác. Chiến lược “bag-of-freebies” của YOLOv7 bao gồm các phép tích chập tái tham số hóa được hoạch định trước và phương pháp gán nhãn có hướng dẫn từ lead theo coarse-to-fine, giúp tăng Độ chính xác trung bình (mAP) của model.

Dựa trên anchor và không anchor

YOLOX đơn giản hóa pipeline triển khai bằng thiết lập không anchor, nhưng các kiến trúc Ultralytics hiện đại đã tiếp tục hoàn thiện phương pháp này, loại bỏ nhu cầu về các box được xác định trước trong những thế hệ mới hơn.

So sánh hiệu năng#

Khi đánh giá các model này để đưa vào production, việc cân bằng độ chính xác với hiệu quả tính toán là điều cần thiết. Bảng dưới đây minh họa những đánh đổi và in đậm các chỉ số có hiệu năng tốt nhất.

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
YOLOXnano41625.8--0.911.08
YOLOXtiny41632.8--5.066.45
YOLOXs64040.5-2.569.026.8
YOLOXm64046.9-5.4325.373.8
YOLOXl64049.7-9.0454.2155.6
YOLOXx64051.1-16.199.1281.9

Như trên, YOLOv7x đạt mAP cao nhất trong phép so sánh này, trở thành lựa chọn chính xác nhất cho các dataset phức tạp. Ngược lại, YOLOX-Nano hướng đến các thiết bị có tài nguyên cực kỳ hạn chế. Cả hai dòng model đều có thể cần nhiều bộ nhớ huấn luyện hơn các kiến trúc Ultralytics mới hơn.

Phương pháp huấn luyện và hệ sinh thái#

Một yếu tố quan trọng đối với nhà nghiên cứu và developer là mức độ dễ triển khai. Trước đây, các phiên bản YOLO cũ thường cần script huấn luyện tùy chỉnh và quản lý dependency phức tạp.

Lợi thế của hệ sinh thái Ultralytics#

YOLOv7 và YOLOX không được hỗ trợ gốc trong package Python của Ultralytics; với dự án mới, hướng đi hiệu quả nhất là sử dụng model Ultralytics YOLO trong hệ sinh thái Ultralytics được duy trì tốt. Ultralytics cung cấp API Python thống nhất, giúp đơn giản hóa quá trình huấn luyện, validation và triển khai.

  • Dễ sử dụng: Chỉ cần vài dòng code để bắt đầu huấn luyện, giảm độ khó khi làm quen so với các triển khai PyTorch thuần.
  • Hiệu quả huấn luyện: Model Ultralytics YOLO thường dùng ít bộ nhớ hơn trong quá trình huấn luyện so với model Transformer như RT-DETR, cho phép sử dụng batch size lớn hơn trên phần cứng phổ thông.
  • Tính linh hoạt: Ngoài hộp giới hạn, cùng một API còn hỗ trợ các tác vụ như phân đoạn đối tượng và ước lượng tư thế.

Ví dụ có thể chạy dưới đây huấn luyện và export model bằng API Ultralytics:

from ultralytics import YOLO

# Tải model đã huấn luyện trước
model = YOLO("yolov8n.pt")  # Trọng số có sẵn để nhanh chóng thực hiện transfer learning

# Huấn luyện model hiệu quả trên dữ liệu tùy chỉnh của bạn
results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    batch=16,
    device="0",  # Sử dụng GPU CUDA đầu tiên
)

# Xuất sang ONNX hoặc TensorRT
model.export(format="onnx")

Với pipeline export tiêu chuẩn hóa, developer có thể chuyển đổi trọng số sang các định dạng như TensorRT hoặc ONNX để suy luận nhanh trên phần cứng mục tiêu.

Trường hợp sử dụng lý tưởng và ứng dụng thực tế#

Việc lựa chọn giữa YOLOX và YOLOv7 phần lớn phụ thuộc vào mục tiêu triển khai:

  • YOLOX cho Edge AI: Các biến thể YOLOX-Nano và YOLOX-Tiny rất phù hợp để triển khai trên các thiết bị tiêu thụ ít điện năng. Nếu bạn đang xây dựng camera an ninh thông minh trên Raspberry Pi, các phép tích chập không anchor đơn giản của YOLOX dễ dàng chuyển đổi sang các bộ tăng tốc biên.
  • YOLOv7 cho phân tích độ trung thực cao: Nếu bạn xử lý ảnh vệ tinh độ phân giải cao hoặc thực hiện kiểm soát chất lượng sản xuất phức tạp, mAP cao của YOLOv7x trên GPU NVIDIA cao cấp giúp phát hiện các bất thường nhỏ.

Tương lai: Nâng cấp lên Ultralytics YOLO26#

YOLOv7 và YOLOX có ảnh hưởng lớn khi ra mắt, nhưng lĩnh vực này đã tiến bộ đáng kể kể từ đó. Với các triển khai mới, Ultralytics đề xuất Ultralytics YOLO26, ra mắt vào tháng 1 năm 2026, kế thừa những bài học kiến trúc này trong một model sẵn sàng cho production.

Các cải tiến chính gồm:

  • Thiết kế đầu-cuối không cần NMS: Head một-một tùy chọn của YOLO26 (nms=False) loại bỏ bước Loại bỏ hộp giới hạn không cực đại (NMS) trong khâu hậu xử lý. YOLOv10 đã giới thiệu phương pháp này cho các model YOLO; phương pháp giúp duy trì độ trễ thấp ổn định và đơn giản hóa việc triển khai trên các thiết bị không hỗ trợ NMS hiệu quả.
  • Loại bỏ DFL: Loại bỏ Distribution Focal Loss giúp tăng khả năng tương thích với thiết bị biên công suất thấp và đơn giản hóa quá trình export ONNX.
  • Optimizer MuSGD: Lấy cảm hứng từ huấn luyện LLM, YOLO26 sử dụng MuSGD, phương pháp lai giữa SGD và Muon, để hội tụ nhanh hơn và huấn luyện ổn định hơn.
  • Suy luận trên CPU nhanh hơn tới 43%: YOLO26n chạy suy luận ONNX trên CPU nhanh hơn YOLO11n tới 43%, nhờ đó hoạt động hiệu quả trên CPU tiêu chuẩn mà không cần hạ tầng GPU chuyên dụng.
  • ProgLoss + STAL: Progressive Loss và phương pháp gán nhãn nhận biết đối tượng nhỏ cải thiện khả năng phát hiện vật thể nhỏ, yếu tố quan trọng đối với ảnh hàng không như dataset VisDrone và mạng camera IoT.

Với các nhóm làm việc trên phát hiện đối tượng, phân đoạn và các tác vụ khác, Ultralytics Platform cung cấp một nơi duy nhất để gán nhãn dữ liệu, huấn luyện và triển khai model.

Kết luận#

YOLOX và YOLOv7 đều giới thiệu các kỹ thuật định hình AI thị giác mã nguồn mở. YOLOX chứng minh tính khả thi của head tách rời không anchor, còn YOLOv7 cho thấy giá trị của thiết kế đường truyền gradient và tái tham số hóa. Ngày nay, hệ sinh thái Ultralytics cho phép bạn phát triển dựa trên những ý tưởng này bằng các model Ultralytics YOLO hiện đại; YOLO26 là lựa chọn được đề xuất cho các ứng dụng thị giác máy tính mới.

Người đóng góp

Bình luận

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