YOLOv8 so với YOLOv5#

Việc lựa chọn kiến trúc thị giác máy tính phù hợp là bước then chốt để xây dựng các pipeline machine learning mạnh mẽ. Trong phần so sánh kỹ thuật chi tiết này, chúng ta sẽ tìm hiểu sự khác biệt giữa hai model phổ biến nhất trong hệ sinh thái AI thị giác: YOLOv8 và YOLOv5. Cả hai model đều được Ultralytics phát triển và đã định hình đáng kể lĩnh vực phát hiện đối tượng theo thời gian thực, thiết lập các tiêu chuẩn ngành về tốc độ, độ chính xác và tính dễ sử dụng.

Cho dù bạn triển khai trên thiết bị biên hay mở rộng quy mô suy luận trên cloud, việc hiểu rõ những thay đổi về kiến trúc, các chỉ số hiệu năng và phương pháp training của những model này sẽ giúp bạn đưa ra quyết định sáng suốt cho các dự án thị giác máy tính của mình.

Ultralytics YOLOv8: Tiêu chuẩn linh hoạt#

Được phát hành vào đầu năm 2023, YOLOv8 đánh dấu một thay đổi lớn về kiến trúc so với các phiên bản tiền nhiệm. Model này được thiết kế từ đầu để trở thành một framework hợp nhất, có khả năng xử lý nguyên bản nhiều tác vụ thị giác, bao gồm phân đoạn instance, phân loại ảnh và ước tính tư thế.

• Tác giả: Glenn Jocher, Ayush Chaurasia và Jing Qiu
• Tổ chức: Ultralytics
• Ngày: 2023-01-10
• GitHub: ultralytics/ultralytics
• Tài liệu: Tài liệu YOLOv8

Kiến trúc và phương pháp#

YOLOv8 giới thiệu detection head không sử dụng anchor, giúp đơn giản hóa quy trình training bằng cách loại bỏ nhu cầu cấu hình thủ công anchor box dựa trên phân phối của dataset. Điều này giúp model mạnh mẽ hơn khi khái quát hóa trên các dataset tùy chỉnh và giảm số lượng dự đoán box, qua đó tăng tốc Non-Maximum Suppression (NMS).

Kiến trúc này có module C2f (nút thắt cổ chai Partial giữa các stage với hai phép tích chập), thay thế module C3 có trong YOLOv5. Module C2f cải thiện luồng gradient và cho phép model học các biểu diễn đặc trưng phong phú hơn mà không làm tăng đáng kể chi phí tính toán. Ngoài ra, YOLOv8 sử dụng cấu trúc head tách rời, phân tách các tác vụ objectness, phân loại và hồi quy, qua đó cải thiện tốc độ hội tụ và độ chính xác.

Ưu điểm và nhược điểm#

Ưu điểm:

• Tính linh hoạt vượt trội trên nhiều tác vụ, không chỉ giới hạn ở phát hiện bounding box đơn giản.
• Python API tinh gọn thông qua package ultralytics, giúp việc training và export trở nên trực quan.
• Độ chính xác trung bình (mAP) cao hơn trên mọi biến thể kích thước so với YOLOv5.

Nhược điểm:

• Head tách rời và module C2f làm số lượng parameter và FLOPs tăng nhẹ ở một số biến thể so với các phiên bản YOLOv5 tương ứng.

Ultralytics YOLOv5: Nhà tiên phong linh hoạt#

Được giới thiệu vào năm 2020, YOLOv5 đưa YOLO vào hệ sinh thái PyTorch, cải thiện đáng kể khả năng tiếp cận đối với developer. Model này nhanh chóng trở thành tiêu chuẩn ngành cho các model phát hiện đối tượng nhanh, đáng tin cậy và dễ triển khai.

• Tác giả: Glenn Jocher
• Tổ chức: Ultralytics
• Ngày: 2020-06-26
• GitHub: ultralytics/yolov5
• Tài liệu: Tài liệu YOLOv5

Kiến trúc và phương pháp#

YOLOv5 dựa trên kiến trúc sử dụng anchor và sử dụng backbone CSPDarknet53 đã được điều chỉnh. Mặc dù các phương pháp dựa trên anchor yêu cầu phân cụm cẩn thận các bounding box của dataset để xác định anchor tối ưu trước khi training, chúng vẫn rất hiệu quả đối với các dataset cụ thể và được xác định rõ.

YOLOv5 tích hợp module C3, giúp trích xuất đặc trưng hiệu quả trong khi duy trì số lượng parameter thấp. Hàm loss của model phụ thuộc nhiều vào loss Objectness, kết hợp với loss phân loại và hồi quy bounding box để hướng network đến các dự đoán chính xác.

Ưu điểm và nhược điểm#

Ưu điểm:

• Cực kỳ nhẹ, khiến các biến thể Nano (YOLOv5n) và Small (YOLOv5s) đặc biệt phù hợp cho việc triển khai AI biên trên các thiết bị hạn chế tài nguyên.
• Tốc độ suy luận cực kỳ nhanh, đặc biệt trên CPU.
• Một hệ sinh thái được xây dựng vững chắc với kho tutorial cộng đồng phong phú và nhiều tích hợp bên thứ ba.

Nhược điểm:

• Yêu cầu cấu hình anchor box, điều này có thể khiến việc thiết lập trở nên phức tạp đối với các dataset tùy chỉnh hoặc có độ đa dạng cao.
• Độ chính xác tổng thể (mAP) thấp hơn so với các kiến trúc hiện đại không sử dụng anchor như YOLOv8 và YOLO26.

So sánh hiệu năng#

Khi đánh giá các model này, việc đạt được sự cân bằng có lợi giữa tốc độ và độ chính xác là tối quan trọng. Bảng dưới đây trình bày các chỉ số hiệu năng của cả hai kiến trúc được đánh giá trên dataset COCO. Tốc độ CPU được đo bằng ONNX, trong khi tốc độ GPU được kiểm thử bằng TensorRT.

Mặc dù YOLOv5 vẫn nhỉnh hơn một chút về số lượng parameter và tốc độ thô tuyệt đối ở biến thể Nano, YOLOv8 mang lại mức tăng mAP rất lớn trên mọi phương diện, cung cấp sự cân bằng hiệu năng mạnh mẽ hơn nhiều cho các kịch bản triển khai thực tế đòi hỏi cao.

Tính dễ sử dụng và hệ sinh thái Ultralytics#

Một đặc điểm nổi bật của các model Ultralytics hiện đại là hệ sinh thái được duy trì tốt xung quanh chúng. Quá trình chuyển đổi từ YOLOv5 sang YOLOv8 đã đưa vào package pip hợp nhất ultralytics, tạo ra trải nghiệm người dùng được tinh gọn đáng kể.

Developer có thể dễ dàng xử lý training model, validation, prediction và export chỉ với vài dòng code Python, loại bỏ các script boilerplate phức tạp vốn thường được yêu cầu trong các dự án deep learning.

from ultralytics import YOLO

# Load a pretrained YOLOv8 model
model = YOLO("yolov8n.pt")

# Train the model on custom data efficiently
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)

# Export the model to ONNX for production deployment
path = model.export(format="onnx")

Ngoài ra, việc tích hợp với các công cụ như Ultralytics Platform giúp đơn giản hóa việc quản lý dataset, cloud training và triển khai, đồng thời đảm bảo quá trình phát triển tích cực và sự hỗ trợ mạnh mẽ từ cộng đồng.

Các trường hợp sử dụng lý tưởng#

Khi nào nên chọn YOLOv5: Nếu bạn đang duy trì các hệ thống legacy, chạy inference trên CPU bị giới hạn nghiêm ngặt như Raspberry Pi, hoặc làm việc trong một dự án mà việc tiết kiệm từng phần nhỏ của một megabyte trong kích thước model là yếu tố then chốt, YOLOv5 vẫn là một công cụ đáng tin cậy.

Khi nào nên chọn YOLOv8: Đối với hầu hết các dự án mới bắt đầu hiện nay, YOLOv8 được khuyến nghị mạnh mẽ hơn YOLOv5. Kiến trúc nâng cao của model xử lý dễ dàng tracking phức tạp, bounding box có hướng (OBB) và phân đoạn. Model này lý tưởng cho các ứng dụng hiện đại, từ robot tự hành đến phân tích ảnh y tế và hạ tầng thành phố thông minh.

Bằng cách tận dụng tài liệu toàn diện và các công cụ do Ultralytics cung cấp, bạn có thể dễ dàng triển khai YOLOv8 hoặc khám phá YOLO26 tiên tiến để giải quyết các thách thức thị giác phức tạp với tốc độ và độ chính xác chưa từng có. Để tìm hiểu thêm, hãy khám phá các hướng dẫn của chúng tôi về tuning hyperparameter và thực hành triển khai model.