YOLOv8 và YOLO26#

Lĩnh vực thị giác máy tính đã đạt được những tiến bộ đáng kể trong vài năm qua. Trong số các kiến trúc phổ biến nhất dành cho ứng dụng thời gian thực có các model do Ultralytics phát triển. Hướng dẫn toàn diện này so sánh kỹ thuật chi tiết giữa Ultralytics YOLOv8, model tạo đột phá, và Ultralytics YOLO26 tiên tiến nhất hiện nay. Chúng ta sẽ phân tích kiến trúc, chỉ số hiệu năng và trường hợp sử dụng lý tưởng để giúp bạn chọn model phù hợp cho việc triển khai.

Tổng quan về model#

YOLOv8 và YOLO26 đều là những cột mốc quan trọng trong họ model YOLO. Cả hai cùng chia sẻ triết lý cốt lõi của Ultralytics: cung cấp các model nhanh, chính xác và cực kỳ dễ sử dụng thông qua môi trường Python và API thống nhất.

YOLOv8: Tiêu chuẩn linh hoạt#

Ra mắt vào đầu năm 2023, YOLOv8 đã mang đến một cuộc đại tu lớn cho framework YOLO, giới thiệu thiết kế không anchor và hỗ trợ mạnh mẽ cho nhiều tác vụ thị giác máy tính.

• 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

YOLOv8 nhanh chóng trở thành tiêu chuẩn ngành nhờ sự cân bằng hiệu năng xuất sắc và tích hợp sâu vào hệ sinh thái Ultralytics. Model hỗ trợ gốc phát hiện đối tượng, phân đoạn đối tượng, ước lượng tư thế và phân loại ảnh. Tuy nhiên, model dựa vào Non-Maximum Suppression (NMS) tiêu chuẩn để hậu xử lý, điều này có thể tạo ra nút thắt độ trễ trong các môi trường edge bị giới hạn tài nguyên nghiêm ngặt.

YOLO26: Sức mạnh edge thế hệ tiếp theo#

Ra mắt vào tháng 1 năm 2026, YOLO26 kế thừa nền tảng do các phiên bản tiền nhiệm xây dựng và tối ưu mạnh mẽ cho các kịch bản triển khai hiện đại, đặc biệt là AI edge và thiết bị công suất thấp.

• Tác giả: Glenn Jocher và Jing Qiu
• Tổ chức: Ultralytics
• Ngày: 2026-01-14
• GitHub: Kho lưu trữ Ultralytics
• Tài liệu: Tài liệu YOLO26

YOLO26 giới thiệu một số cải tiến kỹ thuật mang tính thay đổi mô hình. Đáng chú ý nhất là Thiết kế đầu-cuối không cần NMS. Kiến trúc này được tiên phong lần đầu bởi YOLOv10, loại bỏ nhu cầu hậu xử lý NMS, giúp đơn giản hóa đáng kể quy trình export và giảm biến thiên độ trễ. Hơn nữa, việc loại bỏ Distribution Focal Loss (DFL) giúp tinh gọn detection head, khiến model đặc biệt phù hợp để triển khai trên phần cứng AI edge.

Đổi mới kiến trúc và huấn luyện#

YOLO26 mang đến một số cải tiến bên trong giúp nâng cấp đáng kể nền tảng YOLOv8.

Tối ưu huấn luyện với MuSGD#

Hiệu quả huấn luyện là đặc trưng của các model Ultralytics, vốn thường có yêu cầu bộ nhớ thấp hơn nhiều so với các kiến trúc dựa trên Transformer cồng kềnh như RT-DETR. YOLO26 còn cải thiện hơn nữa với việc giới thiệu MuSGD Optimizer. Lấy cảm hứng từ các kỹ thuật huấn luyện Large Language Model (LLM), cụ thể là Kimi K2 của Moonshot AI, phương pháp kết hợp Stochastic Gradient Descent (SGD) và Muon này giúp hội tụ nhanh hơn và duy trì động lực huấn luyện ổn định trên các tập dữ liệu phức tạp.

Các hàm loss nâng cao#

Với các tác vụ đòi hỏi độ chính xác cao như ảnh chụp từ drone hoặc cảm biến IoT, YOLO26 giới thiệu ProgLoss + STAL. Các hàm loss cải tiến này giúp nâng cao đáng kể khả năng nhận diện đối tượng nhỏ. Ngoài ra, YOLO26 mang đến các cải tiến chuyên biệt theo từng tác vụ: proto đa tỷ lệ để tạo mask tốt hơn trong phân đoạn, Residual Log-Likelihood Estimation (RLE) cho ước lượng tư thế chính xác hơn và hàm loss góc chuyên biệt để khắc phục vấn đề ở ranh giới trong tác vụ phát hiện Oriented Bounding Box (OBB).

Phân tích và so sánh hiệu năng#

Bảng sau làm nổi bật sự khác biệt về hiệu năng giữa hai model trên tập dữ liệu COCO. Các giá trị tốt nhất trong từng nhóm kích thước được tô đậm.

Phân tích các chỉ số#

Dữ liệu cho thấy bước nhảy vọt giữa các thế hệ. YOLO26 vượt trội hơn YOLOv8 ở gần như mọi chỉ số. Model YOLO26 Nano (YOLO26n) đạt 40.9 mAP ấn tượng, cao hơn đáng kể so với mức 37.3 của YOLOv8n, đồng thời sử dụng ít tham số và FLOPs hơn.

Một trong những cải tiến nổi bật nhất là tốc độ suy luận trên CPU. Nhờ kiến trúc được tối ưu và loại bỏ DFL, YOLO26 mang lại tốc độ suy luận CPU nhanh hơn tới 43% thông qua ONNX. Điều này khiến YOLO26 trở thành lựa chọn vượt trội cho Raspberry Pi và các thiết bị edge hạn chế tài nguyên khác. Tốc độ GPU khi sử dụng TensorRT có tính cạnh tranh ở cả hai model, nhưng hiệu quả tham số tổng thể của YOLO26 giúp giảm dung lượng bộ nhớ trong cả quá trình huấn luyện lẫn suy luận.

Dễ sử dụng và hệ sinh thái#

Cả hai model đều hưởng lợi đáng kể từ hệ sinh thái Ultralytics được duy trì tốt. Các nhà phát triển đánh giá cao tính dễ sử dụng của API thống nhất, cho phép chuyển đổi giữa YOLOv8 và YOLO26 chỉ bằng cách thay đổi chuỗi tên model.

Dù bạn đang thực hiện tinh chỉnh siêu tham số, tiến hành theo dõi thí nghiệm hay khám phá tập dữ liệu mới, tài liệu Ultralytics đều cung cấp nguồn tài nguyên phong phú. Ngoài ra, Ultralytics Platform cung cấp quy trình tinh gọn để chú thích, huấn luyện và triển khai liền mạch các model này lên cloud hoặc môi trường cục bộ.

Ví dụ mã#

Bắt đầu huấn luyện và suy luận rất đơn giản. Dưới đây là ví dụ hoàn chỉnh có thể chạy bằng Python API của Ultralytics:

from ultralytics import YOLO

# Tải model YOLO26 Nano tiên tiến mới nhất
model = YOLO("yolo26n.pt")

# Huấn luyện model trên tập dữ liệu COCO8 trong 50 epoch
# optimizer="auto" chọn MuSGD cho các lượt chạy dài (>10k iterations) và AdamW cho lượt chạy ngắn như ví dụ này
train_results = model.train(
    data="coco8.yaml",
    epochs=50,
    imgsz=640,
    device="cpu",  # Dùng '0' để huấn luyện bằng GPU
)

# Chạy suy luận trên ảnh mẫu
# Thiết kế không cần NMS tạo ra các dự đoán rõ ràng và nhanh chóng
results = model("https://ultralytics.com/images/bus.jpg", nms=False)

# Hiển thị các dự đoán
results[0].show()

# Xuất liền mạch sang ONNX để triển khai trên CPU
export_path = model.export(format="onnx")

Các trường hợp sử dụng phù hợp nhất#

Việc chọn đúng model quyết định thành công của dự án.

Khi nào nên chọn YOLO26:

• Điện toán edge và robot: Tốc độ CPU nhanh hơn 43% và không cần NMS khiến model trở thành lựa chọn tốt nhất cho hệ thống nhúng, thiết bị di động và robot tự hành.
• Ảnh hàng không và vệ tinh: Việc triển khai ProgLoss + STAL mang lại cho YOLO26 lợi thế rõ rệt khi phát hiện các đối tượng rất nhỏ trong cảnh quan phức tạp, độ phân giải cao.
• Dự án mới: Là phiên bản ổn định mới nhất, YOLO26 là model được khuyến nghị cho mọi pipeline machine learning mới, với tính linh hoạt vượt trội trên tất cả tác vụ.

Khi nào nên tiếp tục dùng YOLOv8:

• Hạ tầng cũ: Nếu pipeline production hiện tại của bạn phụ thuộc chặt chẽ vào các tensor đầu ra cụ thể và quy trình hậu xử lý NMS của YOLOv8, quá trình chuyển đổi có thể cần một số điều chỉnh nhỏ.
• Mốc chuẩn học thuật: YOLOv8 vẫn là mốc chuẩn ổn định, được trích dẫn rộng rãi trong nghiên cứu thị giác máy tính học thuật so sánh các kiến trúc cũ.

Tóm lại, dù YOLOv8 đã thiết lập một tiêu chuẩn xuất sắc cho các tác vụ thị giác thời gian thực, YOLO26 định nghĩa lại những gì có thể đạt được. Bằng cách kết hợp mức tăng hiệu quả đáng kể trên CPU với các optimizer huấn luyện đổi mới lấy cảm hứng từ LLM, YOLO26 giúp các nhà phát triển triển khai AI có độ chính xác cao trên hầu hết mọi môi trường phần cứng.