YOLOv8 so với YOLOv10
Phát hiện đối tượng thời gian thực đã phát triển nhanh chóng. Khi nhà phát triển và nhà nghiên cứu tìm cách tích hợp các model thị giác máy tính hiệu quả và chính xác nhất vào pipeline, việc so sánh các kiến trúc hàng đầu trở nên thiết yếu. Hướng dẫn này so sánh Ultralytics YOLOv8 và YOLOv10, xem xét sự khác biệt về kiến trúc, chỉ số hiệu năng và 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 thiết lập chuẩn mực mới cho một framework thống nhất, linh hoạt. Model được thiết kế ngay từ đầu để hỗ trợ nhiều tác vụ ngoài bounding box tiêu chuẩn, trở thành công cụ linh hoạt cho thị giác máy tính hiện đại.
Thông tin về 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 giới thiệu detection head không dùng anchor và backbone CSPDarknet được cải tiến, giúp nâng cao đáng kể cả độ chính xác lẫn độ trễ suy luận. Bằng cách loại bỏ anchor box, model giảm số lượng dự đoán box, qua 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. Trong khi nhiều model chỉ tập trung vào phát hiện đối tượng, YOLOv8 hỗ trợ sẵn phân đoạn instance, phân loại ảnh, ước lượng tư thế và bounding box định hướng (OBB). Vì vậy, model phù hợp với các pipeline nhiều giai đoạn cần đồng thời thực hiện nhiều loại phân tích hình ảnh. Model cũng cần ít bộ nhớ huấn luyện hơn các kiến trúc dựa trên Transformer như RT-DETR, cho phép nhà nghiên cứu huấn luyện 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 giải quyết một trong những nút thắt tồn tại lâu nhất của dòng YOLO: sự phụ thuộc vào hậu xử lý NMS.
Thông tin 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
- Tài liệu: https://docs.ultralytics.com/models/yolov10
Kiến trúc và ưu điểm#
Đổi mới cốt lõi của YOLOv10 là chiến lược Gán nhãn kép nhất quán, cho phép huấn luyện không cần NMS và triển khai end-to-end. Bằng cách loại bỏ bước NMS, YOLOv10 giảm độ trễ suy luận, đặc biệt trên thiết bị edge nơi các thao tác hậu xử lý có thể tiêu tốn nhiều tài nguyên tính toán.
Ngoài ra, YOLOv10 áp dụng thiết kế model toàn diện, hướng đến hiệu quả và độ chính xác, đồng thời tinh chỉnh cẩn thận chi phí tính toán của từng layer. Nhờ đó, model cần ít tham số và FLOPs hơn nhưng vẫn đạt độ chính xác trung bình (mAP) cạnh tranh. Đây là lựa chọn phù hợp cho các trường hợp sử dụng tác vụ phát hiện thuần túy đòi hỏi độ trễ tối thiểu.
So sánh hiệu năng và chỉ số#
Khi so sánh hai kiến trúc này, điều quan trọng là xem xét sự đánh đổi giữa số lượng tham số, FLOPs và độ chính xác. Dưới đây là so sánh chính xác các chỉ số hiệu năng trên tập dữ liệu COCO.
| Model | kích thước (pixel) | mAPval50-95 | 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 |
| 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 | 165.1 |
| YOLOv8x | 640 | 53.9 | 479.1 | 14.37 | 68.2 | 257.8 |
| YOLOv10n | 640 | 38.5 | - | 1.84 | 2.3 | 6.7 |
| YOLOv10s | 640 | 46.3 | - | 2.49 | 7.2 | 21.6 |
| YOLOv10m | 640 | 51.1 | - | 4.74 | 15.4 | 59.1 |
| YOLOv10b | 640 | 52.5 | - | 5.74 | 19.1 | 92.0 |
| YOLOv10l | 640 | 53.2 | - | 7.28 | 24.4 | 120.3 |
| YOLOv10x | 640 | 54.4 | - | 10.70 | 29.5 | 160.4 |
Dù YOLOv10 đạt mAP cao hơn với ít tham số hơn ở mọi quy mô trong bảng này, YOLOv8 có hệ sinh thái trưởng thành hơn và hỗ trợ nhiều tác vụ hơn, nhìn chung đáng tin cậy hơn cho môi trường production cần nhiều hơn bounding box.
Hệ sinh thái và phương pháp huấn luyện#
Yếu tố thực sự tạo khác biệt trong quy trình ML hiện đại thường là hệ sinh thái xoay quanh kiến trúc. Chọn model Ultralytics như YOLOv8 mang lại sự dễ sử dụng và trải nghiệm nhà phát triển nhất quán.
Với Python SDK trực quan, nhà phát triển có thể xử lý huấn luyện, validation và triển khai một cách dễ dàng. Hệ sinh thái Ultralytics được duy trì tích cực, cung cấp các bản cập nhật thường xuyên, tài liệu toàn diện về tinh chỉnh siêu tham số và hỗ trợ cộng đồng mạnh mẽ trên các nền tảng như Discord và GitHub.
Ví dụ mã: Huấn luyện đơn giản#
API Python Ultralytics giúp khởi tạo, huấn luyện và validation cả hai model một cách đơn giản. Hãy lưu ý rằng cùng một quy trình làm việc áp dụng được bất kể kiến trúc nền tảng nào.
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")Trường hợp sử dụng và khuyến nghị#
Việc chọn YOLOv8 hay YOLOv10 phụ thuộc vào yêu cầu cụ thể của dự án, giới hạn triển khai và ưu tiên về hệ sinh thái.
Khi nào nên chọn YOLOv8#
YOLOv8 là lựa chọn phù hợp cho:
- Triển khai đa tác vụ linh hoạt: Các dự án cần một model đã được kiểm chứng để thực hiện phát hiện, phân đoạn, phân loại và ước lượng tư thế trong hệ sinh thái Ultralytics.
- Hệ thống sản xuất đã thiết lập: Các môi trường sản xuất hiện có được xây dựng trên kiến trúc YOLOv8 với quy trình triển khai ổn định, đã được kiểm thử kỹ lưỡng.
- Hỗ trợ cộng đồng và hệ sinh thái rộng rãi: Các ứng dụng hưởng lợi từ kho hướng dẫn phong phú, tích hợp bên thứ ba và 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 end-to-end không cần Non-Maximum Suppression, giúp giảm độ phức tạp khi triển khai.
- Cân bằng giữa tốc độ và độ chính xác: Các dự án cần sự cân bằng tốt giữa tốc độ inference và độ chính xác phát hiện trên nhiều quy mô model.
- Ứng dụng cần độ trễ ổn định: Các tình huống triển khai yêu cầu thời gian inference có thể dự đoán, chẳng hạn như robotics hoặc hệ thống tự hành.
Khi nào nên chọn Ultralytics (YOLO26)#
Với hầu hết dự án mới, Ultralytics YOLO26 mang đến sự kết hợp tốt nhất giữa hiệu năng và trải nghiệm dành cho nhà phát triển:
- Triển khai trên thiết bị biên không cần NMS: Các ứng dụng cần inference có độ trễ thấp và ổn định mà không phải xử lý hậu kỳ Non-Maximum Suppression phức tạp.
- Môi trường chỉ có CPU: Các thiết bị không có khả năng tăng tốc bằng GPU chuyên dụng, nơi tốc độ suy luận CPU nhanh hơn tới 43% của YOLO26n so với YOLO11n mang lại lợi thế quyết định.
- Phát hiện vật thể nhỏ: Các tình huống khó như ảnh chụp từ drone trên không hoặc phân tích cảm biến IoT, nơi ProgLoss và STAL cải thiện độ chính xác đối với vật thể rất nhỏ.
Tương lai: Bước tiến lên YOLO26#
YOLOv8 là model đa năng, còn YOLOv10 cung cấp những thông tin hữu ích về kiến trúc không cần NMS, nhưng lĩnh vực này đã tiến xa hơn. Để đạt sự cân bằng tốt nhất giữa tốc độ, độ chính xác và tính đơn giản khi triển khai, Ultralytics khuyến nghị YOLO26 cho các dự án mới.
Ra mắt vào tháng 1 năm 2026, YOLO26 kết hợp ưu điểm của các thế hệ trước với một số tính năng mới:
- Thiết kế end-to-end không cần NMS: Dựa trên phương pháp huấn luyện không cần NMS mà YOLOv10 đã giới thiệu cho các model YOLO, YOLO26 cung cấp tùy chọn suy luận không cần NMS (
nms=False) để triển khai nhanh và đơn giản hơn. - Loại bỏ DFL: Việc loại bỏ Distribution Focal Loss giúp export model sang CoreML và triển khai trên thiết bị edge thuận lợi hơn.
- Bộ tối ưu MuSGD: Lấy cảm hứng từ quá trình huấn luyện Mô hình ngôn ngữ lớn (LLM), phương pháp kết hợp SGD và Muon này giúp hội tụ nhanh hơn và huấn luyện ổn định hơn.
- Suy luận CPU nhanh hơn: YOLO26n suy luận trên CPU nhanh hơn YOLO11n tới 43%, rất phù hợp với Raspberry Pi và các ứng dụng IoT.
- ProgLoss + STAL: Progressive Loss và Small-Target-Aware Label Assignment (STAL) cải thiện khả năng phát hiện vật thể nhỏ, yếu tố quan trọng trong ảnh hàng không và robot.
Nếu hiện đang đánh giá các model, bạn cũng có thể quan tâm đến YOLO11, thế hệ tiền nhiệm trực tiếp của YOLO26, vẫn là model sẵn sàng cho production được sử dụng rộng rãi trong các giải pháp doanh nghiệp. Tuy nhiên, với các dự án mới, YOLO26 kết hợp với Ultralytics Platform là hướng đi được khuyến nghị để gán nhãn, huấn luyện và triển khai AI thị giác.
Bình luận
Đặt câu hỏi, chia sẻ kết quả hoặc giúp đỡ người khác.