Bắt đầu

YOLOv8 và YOLO26

Thị giác máy tính đã phát triển nhanh chóng trong vài năm qua. Trong số các kiến trúc phổ biến nhất cho ứng dụng thời gian thực có những model do Ultralytics phát triển. Hướng dẫn này so sánh kỹ thuật Ultralytics YOLOv8 và Ultralytics YOLO26 mới nhất, trình bày kiến trúc, chỉ số hiệu năng và các trường hợp sử dụng phù hợp để giúp bạn chọn model thích hợp cho việc triển khai.

Tổng quan về model#

Cả 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 dễ sử dụng thông qua một API Python thống nhất.

YOLOv8: Tiêu chuẩn linh hoạt#

Ra mắt vào đầu năm 2023, YOLOv8 đã cải tiến đáng kể framework YOLO, với thiết kế không dùng anchor và khả năng hỗ trợ mạnh mẽ nhiều tác vụ thị giác máy tính.

YOLOv8 nhanh chóng được sử dụng rộng rãi nhờ khả năng cân bằng hiệu năng và tích hợp sâu vào hệ sinh thái Ultralytics. Model hỗ trợ sẵn phát hiện đối tượng, phân đoạn instance, phân loại ảnh, ước lượng tư thế và bounding box định hướng (OBB). Tuy nhiên, model dựa vào Non-Maximum Suppression (NMS) tiêu chuẩn để hậu xử lý, điều này có thể gây nghẽn độ trễ trong các môi trường edge có tài nguyên hạn chế nghiêm ngặt.

YOLO26: AI edge thế hệ tiếp theo#

Ra mắt vào tháng 1 năm 2026, YOLO26 kế thừa các thế hệ trước và tối ưu hóa chúng cho những kịch bản triển khai hiện đại, đặc biệt là AI edge và các thiết bị công suất thấp.

YOLO26 giới thiệu một số cải tiến kỹ thuật. Đáng chú ý nhất là Thiết kế end-to-end không cần NMS mà YOLOv10 đã đưa vào các model YOLO. Kiến trúc này loại bỏ nhu cầu hậu xử lý NMS, giúp đơn giản hóa pipeline xuất model và giảm biến thiên độ trễ. Việc loại bỏ Distribution Focal Loss (DFL) cũng tinh gọn head phát hiện, giúp triển khai dễ dàng hơn trên phần cứng AI edge.

Các model Ultralytics khác

Ngoài YOLOv8 và YOLO26, bạn cũng có thể cân nhắc YOLO11, model thu hẹp khoảng cách giữa hai thế hệ này với kiến trúc được tinh chỉnh, hoặc YOLOv5 cho các tích hợp hệ thống cũ.

Đổi mới kiến trúc và huấn luyện#

YOLO26 có một số cải tiến bên trong giúp nâng cấp nền tảng của YOLOv8.

Tối ưu huấn luyện với MuSGD#

Các model Ultralytics nổi tiếng nhờ khả năng huấn luyện hiệu quả và thường cần ít bộ nhớ hơn các kiến trúc dựa trên Transformer như RT-DETR. YOLO26 cải thiện thêm điều này với bộ tối ưu MuSGD. Lấy cảm hứng từ các kỹ thuật huấn luyện Mô hình ngôn ngữ lớn (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 huấn luyện ổn định hơn trên các dataset phức tạp.

Hàm mất mát và gán nhãn#

Với các tác vụ đòi hỏi độ chính xác cao, chẳng hạn như ảnh chụp từ drone hoặc cảm biến IoT, YOLO26 giới thiệu ProgLoss + STAL. Progressive Loss và Small-Target-Aware Label Assignment (STAL) cải thiện khả năng phát hiện vật thể nhỏ. Ngoài ra, YOLO26 còn có các cải tiến chuyên biệt theo tác vụ: proto đa tỷ lệ để tạo mask tốt hơn trong phân đoạn, Residual Log-Likelihood Estimation (RLE) để ước lượng tư thế chính xác hơn và hàm mất mát góc chuyên biệt để xử lý các vấn đề ở ranh giới trong tác vụ phát hiện Oriented Bounding Box (OBB).

Phân tích và so sánh hiệu năng#

Bảng sau đây nêu bật sự khác biệt về hiệu năng giữa hai model trên dataset COCO. Các giá trị có hiệu năng tốt nhất trong từng nhóm kích thước được đánh dấu in đậm.

Modelkích thước
(pixel)
mAPval50-95Tốc độ
CPU ONNX
(ms)
Tốc độ
T4 TensorRT10
(ms)
params
(M)
FLOPs
(B)
YOLOv8n64037.380.41.473.28.7
YOLO26n64040.938.91.72.45.5
YOLOv8s64044.9128.42.6611.228.6
YOLO26s64048.687.22.59.520.9
YOLOv8m64050.2234.75.8625.978.9
YOLO26m64053.1220.04.720.468.4
YOLOv8l64052.9375.29.0643.7165.1
YOLO26l64055.0286.26.224.886.8
YOLOv8x64053.9479.114.3768.2257.8
YOLO26x64057.5525.811.855.7194.4

Phân tích các chỉ số#

Dữ liệu cho thấy sự cải thiện qua thế hệ mới: YOLO26 vượt trội hơn YOLOv8 ở gần như mọi chỉ số. Model YOLO26 Nano (YOLO26n) đạt 40.9 mAP, cao hơn đáng kể so với 37.3 của YOLOv8n, đồng thời sử dụng ít tham số và FLOPs hơn.

Một trong những cải tiến lớn nhất là tốc độ suy luận trên CPU. Nhờ kiến trúc tinh gọn và loại bỏ DFL, YOLO26n suy luận trên CPU bằng ONNX trong 38.9 ms, so với 80.4 ms của YOLOv8n; bài báo YOLO26 cũng báo cáo tốc độ suy luận CPU nhanh hơn tới 43% so với YOLO11n. Điều này khiến YOLO26 rất phù hợp với Raspberry Pi và các thiết bị edge khác có tài nguyên hạn chế. Mặc dù tốc độ GPU sử dụng TensorRT cạnh tranh ở cả hai model, hiệu quả tham số của YOLO26 cũng có thể giảm mức sử dụng bộ nhớ trong quá trình huấn luyện và suy luận.

Dễ sử dụng và hệ sinh thái#

Cả hai model đều được hưởng lợi từ hệ sinh thái Ultralytics được duy trì tốt. API thống nhất cho phép nhà phát triển 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 thử nghiệm hay khám phá dataset mới, tài liệu Ultralytics đều cung cấp nhiều tài nguyên phong phú. Ngoài ra, Ultralytics Platform cung cấp cách thức tinh gọn để gán nhãn dữ liệu, huấn luyện và triển khai các model này trên cloud hoặc cục bộ.

Ví dụ mã#

Dưới đây là ví dụ hoàn chỉnh có thể chạy để huấn luyện, suy luận và export bằng API Python của Ultralytics:

from ultralytics import YOLO

# Tải model YOLO26 Nano 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 sang ONNX để triển khai trên CPU
export_path = model.export(format="onnx")
Triển khai đơn giản

Việc triển khai YOLO26 ở các định dạng như CoreML hoặc OpenVINO đơn giản hơn so với các model cũ: khi được export bằng nms=False, model xuất trực tiếp các detection cuối cùng, do đó không cần triển khai bước NMS riêng trên thiết bị đích.

Các trường hợp sử dụng phù hợp nhất#

Lựa chọn phù hợp phụ thuộc vào mục tiêu triển khai và hạ tầng hiện có của bạn.

Khi nào nên chọn YOLO26:

  • Điện toán edge và robot: Tốc độ suy luận CPU cao hơn cùng thiết kế không cần NMS khiến model trở thành lựa chọn phù hợp cho hệ thống nhúng, thiết bị di động và robot tự hành.
  • Ảnh hàng không và ảnh vệ tinh: ProgLoss + STAL mang lại lợi thế cho YOLO26 khi phát hiện các vật thể rất nhỏ trong cảnh phức tạp, độ phân giải cao.
  • Dự án mới: Là bản phát hành ổn định mới nhất, YOLO26 là model được khuyến nghị cho mọi pipeline machine learning mới, với phạm vi tác vụ rộng hơn, bổ sung phân đoạn ngữ nghĩa và ước lượng độ sâu.

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, YOLOv8 đã thiết lập một chuẩn mực vững chắc cho các tác vụ thị giác thời gian thực, còn YOLO26 tiếp tục phát triển từ nền tảng đó. Với những cải thiện lớn về hiệu quả CPU, khả năng triển khai không cần NMS và tối ưu hóa huấn luyện lấy cảm hứng từ LLM, YOLO26 giúp việc triển khai các model chính xác trên nhiều loại phần cứng trở nên khả thi.

Người đóng góp

Bình luận

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