YOLOv8 so với YOLO26#
Lĩnh vực thị giác máy tính đã chứng kiến những bước tiến đáng chú ý trong vài năm qua. Trong số các kiến trúc phổ biến nhất cho các ứng dụng thời gian thực là các mô hình được phát triển bởi Ultralytics. Hướng dẫn toàn diện này cung cấp một so sánh kỹ thuật chi tiết giữa Ultralytics YOLOv8 mang tính bước ngoặt và Ultralytics YOLO26 tối tân nhất mới đây. Chúng tôi sẽ phân tích kiến trúc, các chỉ số hiệu suất và các trường hợp sử dụng lý tưởng để giúp bạn chọn đúng mô hình cho việc triển khai của mình.
Tổng quan về mô hình#
Cả YOLOv8 và YOLO26 đều đại diện cho những mốc quan trọng trong họ mô hình YOLO. Chúng có chung triết lý cốt lõi của Ultralytics: cung cấp các mô hình nhanh, chính xác và cực kỳ dễ sử dụng thông qua một môi trường Python và API thống nhất.
YOLOv8: Tiêu chuẩn đa năng#
Được phát hành vào đầu năm 2023, YOLOv8 đã giới thiệu một cuộc đại tu lớn đối với framework YOLO, mang đến thiết kế không neo (anchor-free) 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 công nghiệp nhờ sự cân bằng hiệu suất tuyệt vời và khả năng tích hợp sâu vào hệ sinh thái Ultralytics. Nó hỗ trợ nguyên bản phát hiện đối tượng, phân đoạn cá thể, ước lượng tư thế và phân loại hình ảnh. Tuy nhiên, nó dựa vào kỹ thuật Khử trùng lặp cực đại chuẩn (NMS) cho khâu hậu xử lý, điều này có thể gây ra các điểm nghẽn độ trễ trong các môi trường biên bị giới hạn cao.
YOLO26: Cỗ máy sức mạnh thế hệ mới cho thiết bị biên#
Được phát hành vào tháng 1 năm 2026, YOLO26 tận dụng nền tảng được xây dựng bởi những người tiền nhiệm và tối ưu hóa mạnh mẽ cho các kịch bản triển khai hiện đại, đặc biệt là trong AI biên và các thiết bị tiêu thụ năng lượng thấp.
- Tác giả: Glenn Jocher và Jing Qiu
- Tổ chức: Ultralytics
- Ngày: 2026-01-14
- GitHub: Kho lưu trữ Ultralytics
- Tài liệu: YOLO26 Documentation
YOLO26 giới thiệu một số cải tiến kỹ thuật mang tính thay đổi mô hình. Đáng chú ý nhất, nó có Thiết kế Không NMS Đầu cuối. Được tiên phong ban đầu bởi YOLOv10, kiến trúc này loại bỏ nhu cầu hậu xử lý NMS, đơn giản hóa đáng kể các đường ống xuất và giảm phương sai độ trễ. Hơn nữa, việc loại bỏ Phân kỳ tiêu cự phân phối (DFL) giúp tinh gọn đầu dò, làm cho nó cực kỳ thân thiện để triển khai trên phần cứng AI biên.
Đổi mới về kiến trúc và đào tạo#
YOLO26 mang đến một số tiến bộ chuyên sâu giúp cải thiện đáng kể so với nền tảng của YOLOv8.
Đào tạo tối ưu với MuSGD#
Hiệu quả huấn luyện là điểm nhấn của các mô hình Ultralytics, vốn thường tự hào với yêu cầu bộ nhớ thấp hơn nhiều so với các kiến trúc dựa trên transformer cồng kềnh như RT-DETR. YOLO26 nâng cao điều này hơn nữa với việc giới thiệu Bộ tối ưu hóa MuSGD. Lấy cảm hứng từ các kỹ thuật huấn luyện Mô hình Ngôn ngữ Lớn (LLM) (cụ thể là Kimi K2 của Moonshot AI), sự kết hợp giữa Giảm dần độ dốc ngẫu nhiên (SGD) và Muon này đảm bảo sự hội tụ nhanh hơn và động lực huấn luyện cực kỳ ổn định trên các tập dữ liệu phức tạp.
Các hàm mất mát (Loss Function) nâng cao#
Đối với các tác vụ đòi hỏi độ chính xác cao, chẳng hạn như hình ảnh máy bay không người lái hoặc cảm biến IoT, YOLO26 giới thiệu ProgLoss + STAL. Các hàm mất mát được cải thiện này mang lại những cải tiến đáng kể trong việc nhận diện đối tượng nhỏ. Ngoài ra, YOLO26 mang lại những cải tiến dành riêng cho tác vụ trên diện rộng: một proto đa tỷ lệ để tạo mặt nạ vượt trội trong phân đoạn, Ước lượng hợp lý log dư (RLE) để ước lượng tư thế tinh tế hơn, và hàm góc chuyên biệt để giải quyết các vấn đề biên trong phát hiện Hộp giới hạn định hướng (OBB).
Phân tích và so sánh hiệu suất#
Bảng sau đây nêu bật những khác biệt về hiệu suất giữa hai mô hình sử dụng tập dữ liệu COCO. Các giá trị có hiệu suất tốt nhất trong mỗi danh mục kích thước được làm nổi bật bằng chữ đậm.
| Mô hình | kích thước (pixel) | mAPval 50-95 | 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 |
| YOLO26n | 640 | 40.9 | 38.9 | 1.7 | 2.4 | 5.4 |
| YOLOv8s | 640 | 44.9 | 128.4 | 2.66 | 11.2 | 28.6 |
| YOLO26s | 640 | 48.6 | 87.2 | 2.5 | 9.5 | 20.7 |
| YOLOv8m | 640 | 50.2 | 234.7 | 5.86 | 25.9 | 78.9 |
| YOLO26m | 640 | 53.1 | 220.0 | 4.7 | 20.4 | 68.2 |
| YOLOv8l | 640 | 52.9 | 375.2 | 9.06 | 43.7 | 165.2 |
| YOLO26l | 640 | 55.0 | 286.2 | 6.2 | 24.8 | 86.4 |
| YOLOv8x | 640 | 53.9 | 479.1 | 14.37 | 68.2 | 257.8 |
| YOLO26x | 640 | 57.5 | 525.8 | 11.8 | 55.7 | 193.9 |
Phân tích các chỉ số#
Dữ liệu cho thấy một bước nhảy vọt giữa các thế hệ. YOLO26 vượt trội đáng kể so với YOLOv8 trên tất cả các chỉ số. Model YOLO26 Nano (YOLO26n) đạt mAP 40.9 ấn tượng, cao hơn đáng kể so với 37.3 của YOLOv8n, trong khi sử dụng ít tham số và FLOPs hơn.
Một trong những cải tiến nổi bật nhất là tốc độ suy luận trên CPU. Do kiến trúc được tối ưu hóa và việc loại bỏ DFL, YOLO26 mang lại tốc độ suy luận CPU nhanh hơn tới 43% thông qua ONNX. Điều này làm cho YOLO26 trở nên vô song đối với Raspberry Pi và các thiết bị biên tài nguyên thấp khác. Mặc dù tốc độ GPU sử dụng TensorRT có tính cạnh tranh ở cả hai mô hình, hiệu quả thông số tổng thể của YOLO26 chuyển thành dung lượng bộ nhớ thấp hơn trong cả quá trình huấn luyện và suy luận.
Dễ sử dụng và Hệ sinh thái#
Cả hai mô hình đều hưởng lợi rất nhiều từ hệ sinh thái Ultralytics được duy trì tốt. Các nhà phát triển ca ngợi tính dễ sử dụng được cung cấp bởi API thống nhất, cho phép chuyển đổi giữa YOLOv8 và YOLO26 chỉ bằng cách thay đổi chuỗi tên mô hình.
Cho dù bạn đang thực hiện tinh chỉnh siêu tham số, tiến hành theo dõi thử nghiệm, hay khám phá tập dữ liệu mới, tài liệu của Ultralytics cung cấp các nguồn lực phong phú. Hơn nữa, Nền tảng Ultralytics cung cấp một cách tinh gọn để chú thích, huấn luyện và triển khai các mô hình này một cách mượt mà lên đám mây hoặc cục bộ.
Ví dụ mã#
Bắt đầu với việc đào tạo và suy luận cực kỳ đơn giản. Dưới đây là một ví dụ hoàn chỉnh, có thể chạy được sử dụng API Python của Ultralytics:
from ultralytics import YOLO
# Load the latest state-of-the-art YOLO26 Nano model
model = YOLO("yolo26n.pt")
# Train the model on the COCO8 dataset for 50 epochs
# The MuSGD optimizer is automatically leveraged for YOLO26
train_results = model.train(
data="coco8.yaml",
epochs=50,
imgsz=640,
device="cpu", # Use '0' for GPU training
)
# Run inference on a sample image
# The NMS-free design provides clean, rapid predictions
results = model("https://ultralytics.com/images/bus.jpg")
# Display the predictions
results[0].show()
# Export seamlessly to ONNX for CPU deployment
export_path = model.export(format="onnx")Các trường hợp sử dụng lý tưởng#
Việc chọn đúng model quyết định sự thành công của dự án của bạn.
Khi nào nên chọn YOLO26:
- Điện toán biên & Robot: Tốc độ CPU nhanh hơn 43% và việc không sử dụng NMS làm cho nó trở thành lựa chọn tốt nhất tuyệt đối cho các hệ thống nhúng, thiết bị di động và robot tự hành.
- Hình ảnh trên không và vệ tinh: Việc triển khai ProgLoss + STAL mang lại cho YOLO26 lợi thế rõ rệt trong việc phát hiện các vật thể nhỏ trong các cảnh quan phức tạp, độ phân giải cao.
- Dự án mới: Là bản phát hành ổn định mới nhất, YOLO26 là mô hình được khuyến nghị cho bất kỳ đường ống học máy mới nào, mang lại tính linh hoạt vượt trội trên tất cả các tác vụ.
Khi nào nên giữ lại YOLOv8:
- Hạ tầng kế thừa: Nếu pipeline sản xuất hiện tại của bạn gắn chặt với các output tensor và cơ chế neo cụ thể của YOLOv8, quá trình chuyển đổi có thể cần những điều chỉnh nhỏ.
- Tiêu chuẩn học thuật: YOLOv8 vẫn là một tiêu chuẩn ổn định và được trích dẫn nhiều trong nghiên cứu thị giác máy tính học thuật khi so sánh các kiến trúc cũ hơn.
Tóm lại, trong khi YOLOv8 đã thiết lập một tiêu chuẩn phi thường cho các tác vụ thị giác thời gian thực, YOLO26 xác định lại những gì có thể đạt được. Bằng cách kết hợp những cải tiến hiệu suất lớn trên CPU với các bộ tối ưu hóa đào tạo lấy cảm hứng từ LLM, YOLO26 đảm bảo các nhà phát triển có thể triển khai AI chính xác cao trên hầu hết mọi môi trường phần cứng.