YOLOv8 so với YOLOv10#
Sự phát triển của phát hiện đối tượng theo thời gian thực đang diễn ra với tốc độ chưa từng có. Khi các developer và nhà nghiên cứu tìm cách tích hợp những model thị giác máy tính hiệu quả và chính xác nhất vào pipeline của mình, việc so sánh các kiến trúc hàng đầu trở nên thiết yếu. Trong bài phân tích chuyên sâu này, chúng tôi so sánh Ultralytics YOLOv8 và YOLOv10, xem xét sự khác biệt về kiến trúc, các chỉ số hiệu năng và những kịch bản triển khai phù hợp để giúp bạn đưa ra quyết định sáng suốt cho dự án AI tiếp theo.
Tổng quan về model: YOLOv8#
Được giới thiệu như một bước tiến lớn trong dòng YOLO, YOLOv8 đã thiết lập một tiêu chuẩn mới cho một framework thống nhất và linh hoạt. Model này được thiết kế từ đầu để hỗ trợ nhiều tác vụ vượt ra ngoài BBox tiêu chuẩn, trở thành một công cụ cực kỳ linh hoạt cho thị giác máy tính hiện đại.
Chi tiết YOLOv8:
- Tác giả: Glenn Jocher, Ayush Chaurasia và Jing Qiu
- Tổ chức: Ultralytics
- Ngày: 2023-01-10
- GitHub: https://github.com/ultralytics/ultralytics
- Tài liệu: https://docs.ultralytics.com/models/yolov8
Kiến trúc và ưu điểm#
YOLOv8 đã giới thiệu detection head không anchor và backbone CSPDarknet được cải tiến, nâng cao đáng kể cả độ chính xác lẫn độ trễ suy luận. Bằng cách loại bỏ các anchor box, model giảm số lượng dự đoán box, từ đó tăng tốc Non-Maximum Suppression (NMS) trong quá trình hậu xử lý.
Một trong những ưu điểm nổi bật của YOLOv8 là tính linh hoạt vượt trội. Trong khi nhiều model chỉ tập trung vào phát hiện đối tượng, YOLOv8 hỗ trợ nguyên bản phân đoạn instance, phân loại ảnh, ước lượng pose và bounding box định hướng (OBB). Điều này khiến YOLOv8 trở thành một công cụ mạnh mẽ cho các pipeline phức tạp, nhiều giai đoạn, trong đó cần đồng thời nhiều loại năng lực hiểu hình ảnh khác nhau. Ngoài ra, yêu cầu bộ nhớ trong quá trình training của model được tối ưu hóa tốt hơn đáng kể so với các kiến trúc dựa trên Transformer như RT-DETR, cho phép các nhà nghiên cứu training những model lớn trên GPU phổ thông.
Tổng quan về model: YOLOv10#
Được phát triển bởi các nhà nghiên cứu tại Đại học Thanh Hoa, YOLOv10 hướng đến việc giải quyết một trong những điểm nghẽn tồn tại lâu nhất của dòng YOLO: sự phụ thuộc vào hậu xử lý NMS.
Thông tin chi tiết về YOLOv10:
- Tác giả: Ao Wang, Hui Chen, Lihao Liu và cộng sự.
- Tổ chức: Đại học Thanh Hoa
- Ngày: 2024-05-23
- Arxiv: https://arxiv.org/abs/2405.14458
- GitHub: https://github.com/THU-MIG/yolov10
- Docs: https://docs.ultralytics.com/models/yolov10
Kiến trúc và ưu điểm#
Đổi mới cốt lõi của YOLOv10 là chiến lược Gán kép nhất quán, cho phép training không cần NMS và triển khai end-to-end. Bằng cách loại bỏ bước NMS, YOLOv10 giảm mạnh độ trễ suy luận, đặc biệt trên các thiết bị edge, nơi các thao tác hậu xử lý có thể tiêu tốn nhiều tài nguyên tính toán.
Ngoài ra, YOLOv10 tích hợp thiết kế model lấy hiệu quả và độ chính xác làm trọng tâm, với chi phí tính toán của từng layer được tinh chỉnh cẩn thận. Kết quả là một model yêu cầu ít parameter và FLOPs hơn nhưng vẫn đạt mean Average Precision (mAP) cạnh tranh. Đây là một đóng góp học thuật đáng chú ý cho các trường hợp sử dụng đòi hỏi độ trễ tối thiểu tuyệt đối trong các tác vụ phát hiện thuần túy.
So sánh hiệu năng và các chỉ số#
Khi so sánh hai kiến trúc này, điều quan trọng là phải xem xét sự đánh đổi giữa số lượng parameter, FLOPs và độ chính xác. Dưới đây là phần so sánh chính xác các chỉ số hiệu năng của chúng trên dataset COCO.
| Model | kích thước (pixel) | mAPval 50-95 | Tốc độ CPU ONNX (ms) | Tốc độ T4 TensorRT10 (ms) | tham số (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 | 165.2 |
| YOLOv8x | 640 | 53.9 | 479.1 | 14.37 | 68.2 | 257.8 |
| YOLOv10n | 640 | 39.5 | - | 1.56 | 2.3 | 6.7 |
| YOLOv10s | 640 | 46.7 | - | 2.66 | 7.2 | 21.6 |
| YOLOv10m | 640 | 51.3 | - | 5.48 | 15.4 | 59.1 |
| YOLOv10b | 640 | 52.7 | - | 6.54 | 24.4 | 92.0 |
| YOLOv10l | 640 | 53.3 | - | 8.33 | 29.5 | 120.3 |
| YOLOv10x | 640 | 54.4 | - | 12.2 | 56.9 | 160.4 |
Mặc dù YOLOv10 đạt mAP cao hơn một chút với ít parameter hơn ở một số scale, YOLOv8 cung cấp một ecosystem mạnh mẽ hơn và hỗ trợ nhiều tác vụ hơn, nhìn chung đáng tin cậy hơn cho các môi trường production cần nhiều hơn BBox.
Ecosystem và phương pháp training#
Điểm khác biệt thực sự trong các workflow ML hiện đại thường nằm ở ecosystem xoay quanh kiến trúc. Lựa chọn một model Ultralytics như YOLOv8 mang lại tính dễ sử dụng vượt trội và trải nghiệm developer liền mạch.
Với Python SDK có tính trực quan cao, các developer có thể xử lý việc gán nhãn dữ liệu, training và triển khai với rất ít trở ngại. Ecosystem Ultralytics được duy trì đặc biệt tốt, cung cấp các bản cập nhật thường xuyên, tài liệu toàn diện về tinh chỉnh hyperparameter và hỗ trợ cộng đồng mạnh mẽ trên các nền tảng như Discord và GitHub.
Ví dụ code: Training đơn giản hóa#
Ultralytics Python API giúp việc khởi tạo, training và validation cho một trong hai model trở nên cực kỳ đơn giản. Lưu ý rằng cùng một workflow được áp dụng bất kể kiến trúc nền tảng là gì.
from ultralytics import YOLO
# Load a pretrained YOLOv8 model
model = YOLO("yolov8n.pt")
# Train the model efficiently with automated learning rate scheduling
results = model.train(
data="coco8.yaml",
epochs=100,
imgsz=640,
device=0, # optimized CUDA memory usage
batch=16,
)
# Validate the model to check mAP metrics
metrics = model.val()
print(f"Validation mAP: {metrics.box.map}")
# Export to ONNX for edge deployment
model.export(format="onnx")Các trường hợp sử dụng và khuyến nghị#
Việc lựa chọn giữa YOLOv8 và YOLOv10 phụ thuộc vào yêu cầu cụ thể của dự án, các ràng buộc triển khai và ưu tiên về ecosystem của bạn.
Khi nào nên chọn YOLOv8#
YOLOv8 là lựa chọn phù hợp cho:
- Triển khai đa tác vụ linh hoạt: Các dự án yêu cầu một model đã được kiểm chứng cho detection, segmentation, classification và pose estimation trong hệ sinh thái Ultralytics.
- Hệ thống production đã ổn định: Các môi trường production hiện có đã được xây dựng trên kiến trúc YOLOv8 với pipeline triển khai ổn định và được kiểm thử kỹ lưỡng.
- Hỗ trợ cộng đồng và hệ sinh thái rộng: Các ứng dụng hưởng lợi từ hệ thống tutorial phong phú, tích hợp bên thứ ba và nguồn tài nguyên cộng đồng tích cực của YOLOv8.
Khi nào nên chọn YOLOv10#
YOLOv10 được khuyến nghị cho:
- Phát hiện thời gian thực không cần NMS: Các ứng dụng hưởng lợi từ khả năng phát hiện đầu cuối mà không cần triệt tiêu cực đại, giúp giảm độ phức tạp khi triển khai.
- Cân bằng giữa tốc độ và độ chính xác: Các project yêu cầu sự cân bằng tốt giữa tốc độ suy luận và độ chính xác phát hiện trên nhiều quy mô model khác nhau.
- Ứng dụng có độ trễ nhất quán: Các kịch bản triển khai mà thời gian suy luận có thể dự đoán là yếu tố quan trọng, chẳng hạn như robotics hoặc các hệ thống tự hành.
Khi nào nên chọn Ultralytics (YOLO26)#
Đối với hầu hết dự án mới, Ultralytics YOLO26 mang đến sự kết hợp tốt nhất giữa hiệu năng và trải nghiệm developer:
- Triển khai edge không cần NMS: Các ứng dụng yêu cầu suy luận nhất quán, độ trễ thấp mà không có sự phức tạp của bước hậu xử lý triệt tiêu cực đại.
- Môi trường chỉ sử dụng CPU: Các thiết bị không có tăng tốc GPU chuyên dụng, nơi khả năng suy luận trên CPU nhanh hơn tới 43% của YOLO26 mang lại lợi thế quyết định.
- Phát hiện đối tượng nhỏ: Các kịch bản đầy thách thức như ảnh chụp từ drone trên không hoặc phân tích cảm biến IoT, trong đó ProgLoss và STAL cải thiện đáng kể độ chính xác trên các đối tượng rất nhỏ.
Tương lai: Tiến tới YOLO26#
Mặc dù YOLOv8 là một model toàn diện xuất sắc và YOLOv10 cung cấp những hiểu biết học thuật giá trị về các kiến trúc không cần NMS, lĩnh vực thị giác máy tính tiên tiến đã tiếp tục phát triển. Để đạt được sự cân bằng tối ưu giữa tốc độ, độ chính xác và tính đơn giản khi triển khai, chúng tôi đặc biệt khuyến nghị chuyển sang YOLO26.
Được phát hành vào đầu năm 2026, YOLO26 đại diện cho đỉnh cao tuyệt đối của dòng YOLO. Model này kết hợp liền mạch những tính năng tốt nhất từ các thế hệ trước, đồng thời giới thiệu những công nghệ đột phá mới:
- Thiết kế end-to-end không cần NMS: Kế thừa đột phá do YOLOv10 tiên phong, YOLO26 loại bỏ NMS nguyên bản để triển khai nhanh hơn và đơn giản hơn.
- Loại bỏ DFL: Việc loại bỏ Distribution Focal Loss giúp quá trình export model sang CoreML và các thiết bị edge trở nên thuận lợi hơn đáng kể.
- Optimizer MuSGD: Lấy cảm hứng từ các mô hình training Large Language Model (LLM), optimizer lai này đảm bảo hội tụ nhanh hơn và độ ổn định training vượt trội.
- Suy luận CPU vượt trội: YOLO26 cung cấp tốc độ suy luận CPU nhanh hơn tới 43% so với các thế hệ trước, tạo ra bước đột phá cho các ứng dụng Raspberry Pi và IoT.
- ProgLoss + STAL: Các hàm loss nâng cao này mang lại những cải thiện đáng kể trong việc nhận diện đối tượng nhỏ, yếu tố rất quan trọng đối với ảnh chụp từ trên không và robotics.
Nếu hiện đang đánh giá các model, bạn cũng có thể quan tâm đến YOLO11, thế hệ tiền nhiệm trực tiếp của YOLO26, một framework ổn định, sẵn sàng cho production và vẫn được sử dụng rộng rãi trong các giải pháp doanh nghiệp hiện nay. Tuy nhiên, để tối đa hóa khả năng thích ứng với tương lai và hiệu năng, khám phá các tính năng nâng cao của Ultralytics Platform cùng YOLO26 là hướng đi tốt nhất cho chiến lược vision AI của bạn.