Bắt đầu

YOLOv8 so với YOLOv5

Lựa chọn kiến trúc thị giác máy tính phù hợp là bước quan trọng để xây dựng pipeline machine learning mạnh mẽ. Bài so sánh kỹ thuật này 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 do Ultralytics phát triển và đã định hình đáng kể lĩnh vực phát hiện đối tượng thời gian thực, thiết lập các chuẩn mực về tốc độ, độ chính xác và tính dễ sử dụng.

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

Ultralytics YOLOv8: Tiêu chuẩn linh hoạt#

Được phát hành vào đầu năm 2023, YOLOv8 đánh dấu bước chuyển lớn về kiến trúc so với các phiên bản tiền nhiệm. Model được thiết kế ngay từ đầu như một framework hợp nhất, có khả năng xử lý nhiều tác vụ thị giác trực tiếp, bao gồm phân đoạn instance, phân loại ảnh và ước tính pose.

Kiến trúc và phương pháp#

YOLOv8 giới thiệu head phát hiện không dùng anchor, giúp đơn giản hóa quá trình huấn luyện bằng cách loại bỏ nhu cầu cấu hình thủ công anchor box dựa trên phân bố của dataset. Nhờ đó, model tổng quát hóa tốt hơn trên các dataset tùy chỉnh và giảm số lượng dự đoán box, giúp tăng tốc Non-Maximum Suppression (NMS).

Kiến trúc có module C2f (nút thắt cổ chai Cross-Stage Partial với hai phép tích chập), thay thế module C3 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 chia tác vụ phân loại và hồi quy; cấu trúc này đã được chứng minh là giúp cải thiện tốc độ hội tụ và độ chính xác.

Hiệu quả sử dụng bộ nhớ

Các model Ultralytics YOLO, bao gồm YOLOv8, được tối ưu hóa để sử dụng ít bộ nhớ CUDA hơn trong quá trình huấn luyện so với nhiều giải pháp thay thế dựa trên Transformer như RT-DETR. Nhờ đó, nhà phát triển có thể dùng batch size lớn hơn trên các GPU phổ thông như dòng NVIDIA RTX.

Ưu điểm và nhược điểm#

Ưu điểm:

  • Tính linh hoạt trên nhiều tác vụ, vượt ra ngoài việc phát hiện bounding box đơn thuần.
  • Python API tinh gọn thông qua package ultralytics, giúp quá trình huấn luyện và xuất model trở nên trực quan.
  • Độ chính xác trung bình trung bình (mAP) cao hơn trên mọi biến thể kích thước so với YOLOv5.

Nhược điểm:

  • Head tách rời và module C2f làm tăng số lượng tham số và FLOPs của các biến thể nhỏ hơn so với những model YOLOv5 tương ứng.

Ultralytics YOLOv5: Tiên phong linh hoạt#

Ra mắt năm 2020, YOLOv5 đưa YOLO vào hệ sinh thái PyTorch, giúp nhà phát triển tiếp cận dễ dàng hơn nhiều. Model nhanh chóng trở thành một trong những model được sử dụng rộng rãi nhất cho tác vụ phát hiện đối tượng nhanh, đáng tin cậy và dễ triển khai.

Kiến trúc và phương pháp#

YOLOv5 dựa trên kiến trúc dựa trên anchor và sử dụng backbone CSPDarknet53 đã được điều chỉnh. Các phương pháp dựa trên anchor cần các anchor phù hợp với phân bố bounding box của dataset (YOLOv5 tự động kiểm tra và tính toán lại chúng bằng AutoAnchor) và hoạt động tốt trên các dataset được xác định rõ.

YOLOv5 tích hợp module C3, giúp trích xuất đặc trưng hiệu quả đồng thời duy trì số lượng tham số thấp. Hàm mất mát kết hợp mất mát objectness với mất mát phân loại và hồi quy bounding box để hướng mạng đến các dự đoán chính xác.

Ưu điểm và nhược điểm#

Ưu điểm:

  • Thiết kế nhẹ giúp các biến thể Nano (YOLOv5n) và Small (YOLOv5s) phù hợp với triển khai AI biên trên thiết bị có tài nguyên hạn chế.
  • Suy luận nhanh trên cả CPU và GPU.
  • Hệ sinh thái lâu đời với nhiều hướng dẫn từ cộng đồng và tích hợp bên thứ ba.

Nhược điểm:

  • Phụ thuộc vào anchor box, các prior của chúng có thể hạn chế khả năng khái quát hóa trên những dataset có độ biến thiên cao hoặc dataset tùy chỉnh.
  • Độ chính xác tổng thể (mAP) thấp hơn so với các kiến trúc hiện đại không dùng anchor như YOLOv8 và YOLO26.

So sánh hiệu năng#

Khi đánh giá các model này, việc đạt được sự cân bằng thuận lợi giữa tốc độ và độ chính xác là thiết yếu. Bảng dưới đây trình bày các chỉ số hiệu năng của hai kiến trúc được đánh giá trên dataset COCO. Tốc độ CPU được đo bằng ONNX, còn tốc độ GPU được kiểm tra bằng TensorRT.

Modelkích thước
(pixel)
mAPval50-95Tốc độ
CPU ONNX
(ms)
Tốc độ
T4 TensorRT10
(ms)
params
(M)
FLOPs
(B)
YOLOv8n64037.380.41.473.28.7
YOLOv8s64044.9128.42.6611.228.6
YOLOv8m64050.2234.75.8625.978.9
YOLOv8l64052.9375.29.0643.7165.1
YOLOv8x64053.9479.114.3768.2257.8
YOLOv5n64028.0-1.121.94.5
YOLOv5s64037.4-1.927.216.5
YOLOv5m64045.4-4.0321.249.0
YOLOv5l64049.0-6.6146.5109.1
YOLOv5x64050.7-11.8986.7205.7

Mặc dù YOLOv5 có độ trễ GPU thấp hơn và ít FLOPs hơn ở mọi kích thước trong bảng này, YOLOv8 đạt mAP cao hơn đáng kể trên toàn bộ các kích thước (ví dụ, 37.3 so với 28.0 ở các model Nano), mang lại sự cân bằng tốt hơn giữa độ chính xác và tốc độ cho các 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 giới thiệu package pip hợp nhất ultralytics, giúp đơn giản hóa trải nghiệm người dùng.

Nhà phát triển có thể thực hiện huấn luyện model, xác thực, dự đoán và xuất model chỉ với vài dòng mã Python, không cần đến các script boilerplate phức tạp vốn thường được yêu cầu trong các dự án deep learning.

from ultralytics import YOLO

# Tải model YOLOv8 đã được huấn luyện trước
model = YOLO("yolov8n.pt")

# Huấn luyện model hiệu quả trên dữ liệu tùy chỉnh
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)

# Xuất model sang ONNX để triển khai trong môi trường production
path = model.export(format="onnx")

Ultralytics Platform tiếp tục đơn giản hóa việc quản lý dataset, huấn luyện trên đám mây và triển khai.

Các trường hợp sử dụng phù hợp nhất#

Khi nào nên chọn YOLOv5: Nếu bạn đang duy trì hệ thống cũ, chạy suy luận trên CPU có tài nguyên cực kỳ hạn chế như Raspberry Pi, hoặc làm dự án mà việc tiết kiệm từng phần nhỏ của megabyte trong kích thước model là tối quan trọng, YOLOv5 vẫn là lựa chọn đáng tin cậy.

Khi nào nên chọn YOLOv8: Trong hai lựa chọn, YOLOv8 phù hợp hơn cho các dự án mới. Kiến trúc hỗ trợ tracking, phân đoạn và bounding box định hướng (OBB), đồng thời phù hợp với các ứng dụng hiện đại từ robot tự hành đến phân tích ảnh y tế và hạ tầng thành phố thông minh.

Bạn đang tìm kiếm công nghệ tiên tiến nhất hiện nay?

YOLOv8 có năng lực tốt, nhưng Ultralytics đề xuất YOLO26 cho các dự án mới. Ra mắt vào tháng 1 năm 2026, model này giới thiệu một số cải tiến:

  • Thiết kế end-to-end không cần NMS: Head one-to-one tùy chọn (nms=False) loại bỏ bước hậu xử lý NMS để triển khai nhanh và đơn giản hơn—một phương pháp mà YOLOv10 đã giới thiệu cho các model YOLO.
  • Optimizer MuSGD: Phương pháp kết hợp SGD và Muon, đưa các cải tiến trong huấn luyện LLM vào thị giác máy tính, giúp huấn luyện ổn định hơn và hội tụ nhanh hơn.
  • Suy luận CPU nhanh hơn tới 43%: YOLO26n chạy nhanh hơn YOLO11n tới 43% trên CPU, phù hợp với môi trường edge computing không có GPU chuyên dụng.
  • Loại bỏ DFL: Distribution Focal Loss đã được loại bỏ để đơn giản hóa quá trình xuất model và tăng khả năng tương thích với thiết bị biên.
  • ProgLoss + STAL: Progressive Loss và Small-Target-Aware Label Assignment giúp cải thiện đáng kể khả năng nhận diện vật thể nhỏ, yếu tố quan trọng đối với ảnh hàng không và IoT.

Với tài liệu và công cụ Ultralytics, bạn có thể triển khai YOLOv8 hoặc áp dụng YOLO26 cho các ứng dụng thị giác đòi hỏi cao. Để tìm hiểu thêm, hãy xem hướng dẫn về tinh chỉnh siêu tham số và các phương pháp triển khai model.

Người đóng góp

Bình luận1

Đặt câu hỏi, chia sẻ kết quả hoặc giúp đỡ người khác.

  1. rancherdesktopp23GitHub(đã chỉnh sửa)

    Very well explained! The YOLOv8 vs YOLOv5 comparison clearly highlights how YOLOv8 improves upon its predecessor with a more modular architecture, support for multi-task learning, and better training stability. This YOLOv8 comparison really helps developers decide whether to upgrade or stick with the tried-and-tested v5 depending on their project needs.