YOLOv8 so với PP-YOLOE+
Trong lĩnh vực thị giác máy tính phát triển nhanh chóng, việc chọn model phù hợp cho phát hiện đối tượng là yếu tố then chốt để cân bằng tốc độ suy luận và độ chính xác. Hai model nổi bật có ảnh hưởng đáng kể đến ngành là Ultralytics YOLOv8 và PP-YOLOE+. Hướng dẫn này đưa ra so sánh kỹ thuật nhằm giúp nhà phát triển và kỹ sư machine learning hiểu rõ đặc điểm kiến trúc, chỉ số hiệu năng và kịch bản triển khai lý tưởng của chúng.
Ultralytics YOLOv8: Chuẩn mực hệ sinh thái linh hoạt#
Được Ultralytics giới thiệu, YOLOv8 nhanh chóng được sử dụng rộng rãi trong các ứng dụng thị giác production, kế thừa nhiều năm nghiên cứu YOLO để mang lại hiệu năng mạnh mẽ trên nhiều tác vụ.
- Tác giả: Glenn Jocher, Ayush Chaurasia và Jing Qiu
- Tổ chức: Ultralytics
- Ngày: 2023-01-10
- GitHub: Kho lưu trữ Ultralytics
- Tài liệu: Tài liệu YOLOv8
Đổi mới kiến trúc và tính linh hoạt#
YOLOv8 có thiết kế không anchor và tích hợp head tách rời để xử lý độc lập các tác vụ phân loại và hồi quy. Cải tiến cấu trúc này giúp biểu diễn đặc trưng tốt hơn và hội tụ nhanh hơn trong quá trình huấn luyện.
Không giống nhiều model chuyên biệt, YOLOv8 hỗ trợ nhiều tác vụ. Ngoài phát hiện bounding box, cùng một kiến trúc hợp nhất và API còn hỗ trợ sẵn phân đoạn đối tượng, phân loại ảnh, ước tính tư thế và bounding box định hướng (OBB).
Hệ sinh thái Ultralytics hợp nhất cho phép nhà phát triển chuyển đổi giữa các tác vụ phát hiện, phân đoạn và ước tính tư thế bằng cách thay đổi trọng số model, giảm nợ kỹ thuật.
PP-YOLOE+: Phát hiện không dùng anchor trên PaddlePaddle#
PP-YOLOE+ là bước phát triển tiếp theo từ các phiên bản PP-YOLO trước đó, được thiết kế để chạy hiệu quả trên framework PaddlePaddle của Baidu.
- Tác giả: Nhóm tác giả PaddlePaddle
- Tổ chức: Baidu
- Ngày: 2022-04-02
- arXiv: Bài báo PP-YOLOE
- GitHub: Kho lưu trữ PaddleDetection
- Tài liệu: Cấu hình PP-YOLOE+
Trọng tâm kiến trúc#
PP-YOLOE+ giới thiệu backbone CSPRepResNet và triển khai Efficient Task-aligned Head (ET-head) để cải thiện độ chính xác phát hiện. Model phụ thuộc nhiều vào framework deep learning PaddlePaddle. Dù đạt độ chính xác cao trên các dataset benchmark tiêu chuẩn như dataset COCO, cách triển khai gắn chặt với hệ sinh thái PaddlePaddle có thể gây khó khăn khi tích hợp vào các pipeline PyTorch hoặc TensorFlow tiêu chuẩn vốn phổ biến trong cộng đồng AI rộng lớn hơn.
So sánh hiệu năng và chỉ số#
Khi triển khai model lên thiết bị edge hoặc máy chủ đám mây, sự cân bằng giữa độ chính xác (mAP), tốc độ và số lượng tham số là rất quan trọng. Các model Ultralytics nổi tiếng nhờ yêu cầu bộ nhớ huấn luyện thấp và suy luận nhanh.
Dưới đây là bảng so sánh chi tiết các model được đánh giá trên COCO val2017.
| Model | kích thước (pixel) | mAPval50-95 | Tốc độ CPU ONNX (ms) | Tốc độ T4 TensorRT10 (ms) | params (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| 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 |
| PP-YOLOE+t | 640 | 39.9 | - | 2.84 | 4.85 | 19.15 |
| PP-YOLOE+s | 640 | 43.7 | - | 2.62 | 7.93 | 17.36 |
| PP-YOLOE+m | 640 | 49.8 | - | 5.56 | 23.43 | 49.91 |
| PP-YOLOE+l | 640 | 52.9 | - | 8.36 | 52.2 | 110.07 |
| PP-YOLOE+x | 640 | 54.7 | - | 14.3 | 98.42 | 206.59 |
Phân tích các yếu tố đánh đổi#
PP-YOLOE+x nhỉnh hơn YOLOv8x về mAP (54.7 so với 53.9), nhưng cần thêm hơn 30 triệu tham số. Ở kích thước nhỏ và trung bình, hai dòng model có hiệu năng gần nhau; PP-YOLOE+ sử dụng ít FLOPs hơn, còn chỉ YOLOv8 có số liệu tốc độ CPU ONNX trong bảng này. YOLOv8n nhẹ chỉ cần 3.2M tham số và 8.7B FLOPs, là model nhỏ nhất trong phép so sánh này, dù PP-YOLOE+t đạt mAP cao hơn (39.9 so với 37.3) với 4.85M tham số.
Các model YOLO cũng thường sử dụng ít bộ nhớ hơn trong quá trình huấn luyện so với các kiến trúc dựa trên Transformer lớn. Model có mức sử dụng bộ nhớ CUDA cao thường cần phần cứng đắt tiền, trong khi YOLOv8 huấn luyện hiệu quả trên GPU phổ thông.
Hệ sinh thái, tính dễ sử dụng và triển khai#
Trải nghiệm người dùng là điểm khác biệt lớn giữa các kiến trúc này.
Ultralytics Platform và package Python tạo thành một hệ sinh thái được duy trì tốt, giúp giảm trở ngại trong vận hành machine learning. Chúng cung cấp API đơn giản, tài liệu phong phú và công cụ tích hợp sẵn để ghi nhật ký dữ liệu, tinh chỉnh siêu tham số và xuất đa nền tảng. Dù cần triển khai qua ONNX, TensorRT hay CoreML, Ultralytics đều xử lý việc chuyển đổi.
Ngược lại, PP-YOLOE+ thường đòi hỏi kiến thức chuyên sâu về framework PaddlePaddle. Việc chuyển đổi các model này để chạy hiệu quả trên GPU NVIDIA phổ thông hoặc thiết bị edge bên ngoài hệ sinh thái Paddle có thể cần nhiều bước, do thiếu tính năng tự động hóa xuất model có trong các công cụ Ultralytics.
Hiệu quả huấn luyện với Ultralytics#
Huấn luyện model Ultralytics chỉ cần rất ít mã boilerplate. Ví dụ sau huấn luyện model YOLOv8 bằng Python và xuất model cho TensorRT:
from ultralytics import YOLO
# Tải model YOLOv8 small đã huấn luyện trước
model = YOLO("yolov8s.pt")
# Huấn luyện model trên dataset ví dụ COCO8
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)
# Xuất nhanh model đã huấn luyện để triển khai bằng TensorRT
model.export(format="engine", device=0)Trường hợp sử dụng và khuyến nghị#
Việc lựa chọn giữa YOLOv8 và PP-YOLOE+ phụ thuộc vào yêu cầu cụ thể của dự án, các ràng buộc khi triển khai và hệ sinh thái bạn ưu tiên.
Khi nào nên chọn YOLOv8#
YOLOv8 là lựa chọn phù hợp cho:
- Triển khai đa tác vụ linh hoạt: Các dự án cần một model đã được kiểm chứng để thực hiện phát hiện, phân đoạn, phân loại và ước lượng tư thế trong hệ sinh thái Ultralytics.
- Hệ thống sản xuất đã thiết lập: Các môi trường sản xuất hiện có được xây dựng trên kiến trúc YOLOv8 với quy trình triển khai ổn định, đã được kiểm thử kỹ lưỡng.
- Hỗ trợ cộng đồng và hệ sinh thái rộng rãi: Các ứng dụng hưởng lợi từ kho hướng dẫn phong phú, tích hợp bên thứ ba và tài nguyên cộng đồng tích cực của YOLOv8.
Khi nào nên chọn PP-YOLOE+#
PP-YOLOE+ được khuyến nghị trong các trường hợp:
- Tích hợp hệ sinh thái PaddlePaddle: Các tổ chức có hạ tầng hiện hữu được xây dựng trên framework và bộ công cụ PaddlePaddle của Baidu.
- Triển khai biên bằng Paddle Lite: Triển khai lên phần cứng có kernel suy luận được tối ưu hóa cao, dành riêng cho Paddle Lite hoặc inference engine Paddle.
- Phát hiện độ chính xác cao phía máy chủ: Các kịch bản ưu tiên độ chính xác phát hiện tối đa trên máy chủ GPU mạnh, nơi sự phụ thuộc vào framework không phải vấn đề đáng lo ngại.
Khi nào nên chọn Ultralytics (YOLO26)#
Với hầu hết dự án mới, Ultralytics YOLO26 mang đến sự kết hợp tốt nhất giữa hiệu năng và trải nghiệm dành cho nhà phát triển:
- Triển khai edge không cần NMS: Các ứng dụng cần suy luận ổn định, độ trễ thấp mà không phải xử lý sự phức tạp của bước hậu xử lý Non-Maximum Suppression (NMS).
- Môi trường chỉ có CPU: Các thiết bị không có tăng tốc GPU chuyên dụng, nơi tốc độ inference CPU nhanh hơn tới 43% của YOLO26 (YOLO26n so với YOLO11n) mang lại lợi thế đáng kể.
- Phát hiện vật thể nhỏ: Các tình huống khó như ảnh chụp từ drone trên không hoặc phân tích cảm biến IoT, nơi ProgLoss và STAL cải thiện độ chính xác đối với vật thể rất nhỏ.
Nhìn về phía trước: Ưu thế của YOLO26#
Với các ứng dụng mới, Ultralytics YOLO26, ra mắt vào tháng 1 năm 2026, thay thế cả YOLOv8 và YOLO11 với các tính năng sau:
- Thiết kế end-to-end không cần NMS: Head one-to-one tùy chọn của YOLO26 (
nms=False) loại bỏ nhu cầu hậu xử lý NMS, giảm biến động độ trễ và đơn giản hóa logic triển khai. - Bộ tối ưu MuSGD: Đưa các kỹ thuật huấn luyện LLM vào AI thị giác, giải pháp lai giữa SGD và Muon này giúp quá trình huấn luyện ổn định hơn và hội tụ nhanh hơn.
- Suy luận CPU nhanh hơn tới 43%: Sau khi loại bỏ Distribution Focal Loss (DFL) và làm nhẹ head phát hiện, YOLO26n chạy nhanh hơn YOLO11n tới 43% trên CPU, rất phù hợp với các ứng dụng IoT và di động.
- ProgLoss + STAL: Hàm mất mát lũy tiến và Gán nhãn có nhận biết đối tượng nhỏ (STAL) cải thiện khả năng phát hiện vật thể nhỏ, một yêu cầu thiết yếu đối với phân tích dữ liệu drone và ảnh chụp từ trên không.
YOLOv8 vẫn là lựa chọn mạnh mẽ với mức hỗ trợ tốt, nhưng YOLO26 là kiến trúc được khuyến nghị cho các dự án enterprise và nghiên cứu mới, mang lại độ chính xác cao hơn, suy luận CPU nhanh hơn và xử lý end-to-end tích hợp sẵn.
Kết luận#
YOLOv8 và PP-YOLOE+ đều thúc đẩy sự phát triển của khả năng phát hiện thời gian thực. Tuy nhiên, với hầu hết nhà phát triển và nhà nghiên cứu, Ultralytics YOLOv8 và phiên bản kế nhiệm YOLO26 là lựa chọn thực tế hơn: API trực quan, cộng đồng mã nguồn mở năng động, yêu cầu bộ nhớ huấn luyện thấp hơn và framework đa tác vụ hợp nhất giúp đơn giản hóa quy trình từ tạo dataset đến triển khai production.
Bình luận1
Đặt câu hỏi, chia sẻ kết quả hoặc giúp đỡ người khác.
godm4352(đã chỉnh sửa)
Very informative comparison! PP-YOLOE+ is known for its powerful backbone and enhanced post-processing strategies, delivering strong performance on benchmark datasets. However, this YOLOv8 comparison highlights v8’s advantages in terms of model simplicity, faster inference speed, and ease of integration into production pipelines. Both models have their own strengths depending on whether the focus is on raw accuracy or real-time deployment.