Bắt đầu

YOLOv8 và YOLOv7

Lĩnh vực thị giác máy tính không ngừng phát triển, với các kiến trúc mới mở rộng khả năng phát hiện đối tượng thời gian thực. Hướng dẫn này so sánh hai model có ảnh hưởng lớn: Ultralytics YOLOv8 và YOLOv7. Cả hai model đều tạo tác động đáng kể đến cộng đồng nhà phát triển và nghiên cứu học thuật, với những cách tiếp cận riêng để giải quyết các tác vụ hình ảnh phức tạp.

Hiểu rõ khác biệt về cấu trúc và phương pháp giữa hai model này là yếu tố quan trọng đối với kỹ sư machine learning muốn tối ưu hóa pipeline triển khai. Trong khi YOLOv7 giới thiệu phương pháp "bag-of-freebies" hướng đến thông lượng thô, Ultralytics YOLOv8 tập trung xây dựng hệ sinh thái toàn diện, dễ sử dụng, cân bằng độ chính xác cao với mức tiêu thụ bộ nhớ thấp và khả năng đa tác vụ linh hoạt.

Ultralytics YOLOv8: Chuẩn mực hệ sinh thái linh hoạt#

Ra mắt bởi Ultralytics vào đầu năm 2023, YOLOv8 đánh dấu sự thay đổi lớn về kiến trúc so với các phiên bản tiền nhiệm. Model được thiết kế ngay từ đầu để làm nhiều hơn một bộ phát hiện vật thể thời gian thực; đây là framework thống nhất có thể xử lý nhiều tác vụ thị giác ngay khi cài đặt.

Các cải tiến kiến trúc#

YOLOv8 giới thiệu detection head không dùng anchor. Thiết kế này đơn giản hóa quy trình huấn luyện bằng cách loại bỏ nhu cầu cấu hình thủ công anchor box dựa trên phân bố cụ thể của dataset tùy chỉnh, giúp model mạnh mẽ hơn và dễ khái quát hóa giữa các môi trường khác nhau.

Ngoài ra, kiến trúc còn có module C2f (nút cổ chai Cross-Stage Partial với hai phép tích chập), một cải tiến cấu trúc giúp cải thiện luồng gradient và cho phép mạng neural học các biểu diễn đặc trưng phong phú hơn mà không làm tăng đáng kể chi phí tính toán. Nhờ đó, model suy luận hiệu quả khi chạy bằng các framework deep learning tiêu chuẩn như PyTorch.

Hiệu quả sử dụng bộ nhớ

Các model YOLO của Ultralytics được thiết kế để huấn luyện hiệu quả. So với kiến trúc dựa trên Transformer hoặc CNN nặng hơn, các model này thường cần ít bộ nhớ CUDA hơn đáng kể trong quá trình huấn luyện. Nhờ vậy, bạn có thể huấn luyện với batch size lớn hơn trên phần cứng phổ thông, đẩy nhanh chu kỳ phát triển.

YOLOv7: Cách tiếp cận "Bag-of-Freebies"#

YOLOv7 được giới thiệu vào giữa năm 2022 và nhanh chóng trở thành baseline phổ biến trong giới học thuật. Model tập trung nhiều vào tái tham số hóa kiến trúc và tối ưu hóa đường dẫn gradient để nâng cao giới hạn phát hiện vật thể thời gian thực trên GPU cao cấp.

  • Tác giả: Chien-Yao Wang, Alexey Bochkovskiy và Hong-Yuan Mark Liao
  • Tổ chức: Viện Khoa học Thông tin, Academia Sinica, Đài Loan
  • Ngày: 2022-07-06
  • arXiv: 2207.02696
  • GitHub: WongKinYiu/yolov7

Các cải tiến kiến trúc#

YOLOv7 sử dụng Mạng tổng hợp layer hiệu quả mở rộng (E-ELAN), cho phép model liên tục học các đặc trưng đa dạng hơn. Model dựa trên thiết kế dùng anchor và giới thiệu "bag-of-freebies" có thể huấn luyện—một tập hợp các phương pháp tối ưu hóa giúp cải thiện độ chính xác mà không làm tăng chi phí suy luận.

YOLOv7 đạt hiệu năng xuất sắc trên các benchmark học thuật tiêu chuẩn như dataset MS COCO, nhưng kiến trúc được tối ưu hóa chủ yếu cho các bộ tăng tốc cấp máy chủ. So với các framework hiện đại, tinh gọn hơn, việc xuất và triển khai các model này lên thiết bị edge đôi khi đòi hỏi cấu hình thủ công nhiều hơn.

Tìm hiểu thêm về YOLOv7

So sánh hiệu năng chi tiết#

Khi đánh giá các model này, sự đánh đổi giữa tốc độ, độ chính xác và kích thước model là yếu tố cần cân nhắc hàng đầu. Bảng dưới đây nêu bật các chỉ số của cả hai model.

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
YOLOv7l64051.4-6.8436.9104.7
YOLOv7x64053.1-11.5771.3189.9

Như dữ liệu cho thấy, YOLOv8x đạt độ chính xác cao nhất (53.9 mAP), trong khi biến thể nano (YOLOv8n) có tốc độ suy luận nhanh và dấu chân tài nguyên nhỏ. Dải kích thước này giúp YOLOv8 thích ứng tốt hơn với môi trường phần cứng hạn chế.

Lợi thế của Ultralytics: Dễ sử dụng và hệ sinh thái#

Dù YOLOv7 có các chỉ số phát hiện thô rất tốt, Ultralytics YOLOv8 mang lại trải nghiệm nhà phát triển tốt hơn, tích hợp sâu hơn vào hệ sinh thái và hỗ trợ đa tác vụ.

Tính linh hoạt#

YOLOv7 chủ yếu là model phát hiện, với các nhánh thử nghiệm cho những tác vụ khác. Ngược lại, YOLOv8 hỗ trợ sẵn Phát hiện vật thể, Phân đoạn instance, Phân loại ảnh, Ước tính tư thế và Bounding box định hướng (OBB). Cách tiếp cận thống nhất này giúp nhóm chỉ cần tìm hiểu một API rồi triển khai cho nhiều yêu cầu dự án hoàn toàn khác nhau.

Triển khai và tích hợp được tinh giản#

Xuất model cho môi trường production thường có thể trở thành nút thắt. Gói Ultralytics cho phép nhà phát triển xuất model sang các định dạng như ONNX, TensorRT và CoreML chỉ bằng một dòng code Python. Cách này tránh được các vấn đề hỗ trợ operator đôi khi gặp phải khi xuất các đồ thị phức tạp dựa trên anchor.

YOLOv8 cũng tích hợp với các công cụ MLOps. Dù bạn đang theo dõi thử nghiệm bằng Weights & Biases hay kiểm thử triển khai trên Hugging Face Spaces, hệ sinh thái Ultralytics đều xử lý những phần việc phức tạp.

Ví dụ code: Huấn luyện và xuất YOLOv8#

Đoạn code sau minh họa sự đơn giản của Python API Ultralytics. Bạn có thể khởi tạo model, huấn luyện rồi xuất model để triển khai trên edge chỉ với chưa đến mười dòng code.

from ultralytics import YOLO

# Tải model YOLOv8 nano đã huấn luyện trước để suy luận nhanh
model = YOLO("yolov8n.pt")

# Huấn luyện model trên bộ dữ liệu COCO8
# API tự động xử lý việc tải dữ liệu, tăng cường dữ liệu và ghi log
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Chạy inference trên ảnh kiểm thử
predictions = model("https://ultralytics.com/images/bus.jpg")

# Export model đã huấn luyện sang định dạng ONNX để triển khai
model.export(format="onnx")
Tính linh hoạt khi triển khai

Sử dụng hàm model.export() tạo cầu nối trực tiếp đến các engine suy luận hiệu năng cao, cho phép bạn tích hợp YOLOv8 vào ứng dụng di động, hệ thống nhúng hoặc máy chủ cloud có thông lượng cao.

Các trường hợp sử dụng thực tế#

Sự khác biệt về kiến trúc giữa hai model quyết định các kịch bản triển khai phù hợp nhất.

Khi nào nên chọn YOLOv8:

  • AI edge và thiết bị IoT: Các model Nano và Small có tốc độ cao khiến YOLOv8 phù hợp với phần cứng có năng lực tính toán hạn chế, chẳng hạn camera thông minh hoặc drone.
  • Dự án đa nhiệm: Nếu pipeline của bạn cần theo dõi khớp cơ thể người (Ước tính tư thế) đồng thời lập bản đồ chướng ngại vật (Phân đoạn), YOLOv8 xử lý được cả hai tác vụ.
  • Từ tạo nguyên mẫu nhanh đến production: Tài liệu Ultralytics phong phú và API Python dễ sử dụng giúp các nhóm đưa sản phẩm ra thị trường nhanh hơn.

Khi nào nên cân nhắc YOLOv7:

  • Đánh giá benchmark học thuật: Các nhà nghiên cứu nghiên cứu tác động của kỹ thuật tái tham số hóa thường dùng YOLOv7 làm baseline tiêu chuẩn, thể hiện qua mức độ phổ biến của model trên Hugging Face Papers.
  • Pipeline máy chủ cũ: Nếu pipeline hiện có yêu cầu tính toán cao đã được tối ưu chặt chẽ cho đầu ra anchor riêng của YOLOv7, việc duy trì pipeline có thể là lựa chọn thiết thực trong ngắn hạn.

Hướng tới tương lai: Thế hệ tiếp theo#

YOLOv8 vẫn linh hoạt, nhưng lĩnh vực AI đang phát triển nhanh chóng. Với các nhóm bắt đầu dự án mới, Ultralytics khuyến nghị khám phá những model mới nhất trong dòng sản phẩm của mình.

Thế hệ mới nhất, YOLO26, là model Ultralytics hiện được khuyến nghị. Model có tùy chọn Thiết kế end-to-end không cần NMS (nms=False), bỏ qua bước hậu xử lý Non-Maximum Suppression (NMS) để triển khai đơn giản và nhanh hơn. Với việc loại bỏ Distribution Focal Loss (DFL) và giới thiệu bộ tối ưu MuSGD lấy cảm hứng từ LLM, YOLO26 mang lại quá trình huấn luyện ổn định hơn và tốc độ suy luận CPU nhanh hơn tới 43% (YOLO26n so với YOLO11n). ProgLoss + STAL (Progressive Loss và Small-Target-Aware Label Assignment) cải thiện khả năng phát hiện vật thể nhỏ, khiến model trở thành lựa chọn phù hợp cho điện toán edge hiện đại và ảnh hàng không.

Với người dùng chuyển đổi từ các hệ thống cũ, YOLO11 và YOLOv5 kinh điển vẫn được hỗ trợ đầy đủ trong hệ sinh thái Ultralytics thống nhất, để bạn có thể chọn model phù hợp với giới hạn phần cứng.

Người đóng góp

Bình luận

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