YOLOv8 so với YOLO26#

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

Tổng quan về model#

Cả YOLOv8 và YOLO26 đều là những cột mốc quan trọng trong họ model YOLO. Chúng 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#

Được phát hành vào đầu năm 2023, YOLOv8 đã mang đến một cuộc đại tu lớn cho framework YOLO, giới thiệu thiết kế không anchor và khả năng 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 khả năng tích hợp sâu vào hệ sinh thái Ultralytics. Model này hỗ trợ tự nhiên phát hiện đối tượng, phân đoạn instance, ước tính pose và phân loại ảnh. Tuy nhiên, model này dựa vào Non-Maximum Suppression tiêu chuẩn (NMS) để hậu xử lý, điều này có thể tạo ra điểm nghẽn độ trễ trong các môi trường edge bị giới hạn tài nguyên nghiêm ngặt.

YOLO26: Bộ máy edge thế hệ mới#

Được phát hành 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 các 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 End-to-End không cần NMS. Được YOLOv10 tiên phong, kiến trúc này loại bỏ nhu cầu hậu xử lý NMS, đơn giản hóa đáng kể các pipeline export và giảm độ biến thiên độ trễ. Ngoài ra, 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.

Các đổi mới về kiến trúc và huấn luyện#

YOLO26 mang đến một số cải tiến bên trong giúp nâng cao đáng kể so với baseline của YOLOv8.

Huấn luyện tối ưu với MuSGD#

Hiệu quả huấn luyện là một đặc trưng nổi bật 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 tiếp tục cải thiện điều này bằng cách 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, hybrid giữa Stochastic Gradient Descent (SGD) và Muon này đảm bảo hội tụ nhanh hơn cùng động lực huấn luyện ổn định cao trên các dataset phức tạp.

Các hàm loss nâng cao#

Đối với các tác vụ yêu cầu độ chính xác cao, chẳng hạn như ảnh chụp từ drone hoặc cảm biến IoT, YOLO26 giới thiệu ProgLoss + STAL. Các hàm loss được cải tiến này mang lại những cải thiện đáng kể trong việc nhận diện đối tượng nhỏ. Ngoài ra, YOLO26 còn mang đến các cải tiến dành riêng cho từng tác vụ: proto đa tỷ lệ để tạo mask tốt hơn trong phân đoạn, Residual Log-Likelihood Estimation (RLE) cho ước tính pose tinh vi hơn và angle loss chuyên biệt để giải quyết các vấn đề về biên trong 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 bằng dataset COCO. Các giá trị có hiệu năng tốt nhất trong mỗi nhóm kích thước được đánh dấu bằng chữ đậm.

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 mọi chỉ số. Model YOLO26 Nano (YOLO26n) đạt 40.9 mAP ấn tượng, cao hơn đáng kể so với 37.3 của YOLOv8n, đồng thời sử dụng ít parameter và FLOPs hơn.

Một trong những cải thiện nổi bật nhất là tốc độ inference trên CPU. Nhờ kiến trúc được tối ưu và việc loại bỏ DFL, YOLO26 cung cấp tốc độ inference trên CPU nhanh hơn tới 43% thông qua ONNX. Điều này khiến YOLO26 trở nên vượt trội cho Raspberry Pi và các thiết bị edge tài nguyên thấp khác. Mặc dù tốc độ GPU sử dụng TensorRT có tính cạnh tranh ở cả hai model, hiệu quả parameter tổng thể của YOLO26 giúp giảm footprint bộ nhớ trong cả quá trình huấn luyện và inference.

Tính dễ sử dụng và hệ sinh thái#

Cả hai model đều hưởng lợi rất nhiều từ hệ sinh thái Ultralytics được duy trì tốt. Các developer 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 hyperparameter, tiến hành theo dõi experiment hay khám phá các dataset mới, tài liệu Ultralytics đều cung cấp nguồn tài nguyên phong phú. Ngoài ra, Ultralytics Platform cung cấp một phương thức hợp lý hóa để annotate, train và triển khai các model này liền mạch lên cloud hoặc cục bộ.

Ví dụ code#

Bắt đầu với việc huấn luyện và inference cực kỳ đơn giản. Dưới đây là một ví dụ hoàn chỉnh, có thể chạy được, sử dụng Python API 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 lựa chọn model phù hợp quyết định thành công của project.

Khi nào nên chọn YOLO26:

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

Khi nào nên tiếp tục sử dụng YOLOv8:

• Hạ tầng legacy: Nếu pipeline production hiện tại của bạn phụ thuộc chặt chẽ vào các output tensor và cơ chế anchor cụ thể của YOLOv8, việc migration có thể cần một số điều chỉnh nhỏ.
• Baseline học thuật: YOLOv8 vẫn là một baseline ổn định và được trích dẫn nhiều cho các nghiên cứu thị giác máy tính học thuật so sánh những kiến trúc cũ hơn.

Tóm lại, trong khi 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 thực hiện. Bằng cách kết hợp mức cải thiện hiệu quả lớn trên CPU với các optimizer huấn luyện sáng tạo lấy cảm hứng từ LLM, YOLO26 đảm bảo developer có thể triển khai AI độ chính xác cao trên hầu như mọi môi trường phần cứng.