Link to this sectionYOLOv8 so với YOLOv9#

Sự phát triển của nhận diện vật thể thời gian thực được đặc trưng bởi nỗ lực không ngừng nhằm đạt được độ chính xác cao hơn, độ trễ thấp hơn và tận dụng phần cứng hiệu quả hơn. Hai cột mốc quan trọng trong hành trình này là Ultralytics YOLOv8 và YOLOv9. Mặc dù cả hai model đều đại diện cho các khả năng tiên tiến trong computer vision, chúng phục vụ các nhu cầu triển khai, triết lý kiến trúc và hệ sinh thái nhà phát triển khác nhau.

Hướng dẫn toàn diện này phân tích các khác biệt kỹ thuật, những cải tiến về kiến trúc và các cân nhắc triển khai thực tế để giúp bạn chọn model phù hợp cho dự án trí tuệ nhân tạo tiếp theo của mình.

Link to this sectionNguồn gốc Model và Triết lý cốt lõi#

Trước khi đi sâu vào các chỉ số, điều quan trọng là phải hiểu nguồn gốc và các mục tiêu thiết kế chính đằng sau mỗi model.

Link to this sectionUltralytics YOLOv8: Tiêu chuẩn hệ sinh thái đa năng#

Được phát hành bởi đội ngũ tại Ultralytics, YOLOv8 không chỉ được thiết kế như một bộ nhận diện vật thể độc lập mà còn là một khung làm việc đa nhiệm, hợp nhất. Nó ưu tiên trải nghiệm nhà phát triển liền mạch, yêu cầu bộ nhớ thấp và khả năng tương thích phần cứng rộng rãi.

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

Tìm hiểu thêm về YOLOv8

Link to this sectionYOLOv9: Thông tin Gradient có thể lập trình#

Được các nhà nghiên cứu tại Academia Sinica phát triển độc lập, YOLOv9 tập trung mạnh vào lý thuyết kiến trúc, đặc biệt giải quyết hiện tượng nút thắt cổ chai thông tin (information bottleneck) trong các mạng thần kinh sâu.

• Tác giả: Chien-Yao Wang và Hong-Yuan Mark Liao
• Tổ chức: Viện Thông tin học, Academia Sinica, Đài Loan
• Ngày: 2024-02-21
• Arxiv: 2402.13616
• GitHub: WongKinYiu/yolov9

Tìm hiểu thêm về YOLOv9

Link to this sectionPhân tích chuyên sâu về kiến trúc#

Các lựa chọn kiến trúc trong deep learning quyết định mức độ hiệu quả mà một model học tập và tốc độ vận hành của nó trên phần cứng mục tiêu như NVIDIA Jetson hoặc Intel CPU.

Link to this sectionKiến trúc YOLOv8: C2f và Decoupled Heads#

YOLOv8 giới thiệu mô-đun C2f (Cross-Stage Partial bottleneck với hai tích chập), thay thế cho mô-đun C3 cũ hơn. Thay đổi này cải thiện luồng gradient và cho phép mạng học các biểu diễn đặc trưng phong phú hơn mà không gây quá tải cho GPU memory.

Hơn nữa, YOLOv8 sử dụng thiết kế anchor-free với decoupled head. Bằng cách xử lý tính đối tượng, phân loại và hồi quy thông qua các lộ trình riêng biệt, model hội tụ nhanh hơn trong quá trình huấn luyện và tổng quát hóa tốt hơn trên các custom datasets đa dạng.

Link to this sectionKiến trúc YOLOv9: PGI và GELAN#

YOLOv9 giới thiệu Programmable Gradient Information (PGI) và Generalized Efficient Layer Aggregation Network (GELAN). PGI đảm bảo rằng dữ liệu quan trọng không bị mất khi truyền qua các lớp của mạng, cung cấp các gradient đáng tin cậy cho việc cập nhật trọng số. GELAN tối đa hóa hiệu quả tham số, cho phép model đạt accuracy cao trong khi cố gắng giữ cho FLOPs ở mức quản lý được.

Mặc dù ấn tượng về mặt toán học, sự phụ thuộc của YOLOv9 vào các nhánh phụ trợ có thể đảo ngược cụ thể trong quá trình huấn luyện có thể làm cho mã huấn luyện phức tạp hơn khi tùy chỉnh so với các pipeline tiêu chuẩn.

Link to this sectionCác chỉ số và Benchmark hiệu suất#

Bảng dưới đây cung cấp sự so sánh trực tiếp giữa các model theo các kích cỡ khác nhau. Hiệu năng được đo lường trên MS COCO dataset, một chuẩn benchmark cho nhận diện vật thể.

Lưu ý: Các giá trị tốt nhất trong mỗi cột được làm nổi bật bằng in đậm.

Link to this sectionPhân tích các đánh đổi#

YOLOv9 đạt được độ chính xác đỉnh (mAP) cao hơn một chút, đặc biệt với biến thể e lớn hơn. Tuy nhiên, điều này đi kèm với một cái giá phải trả. Ultralytics YOLOv8 duy trì lợi thế đáng kể về tốc độ suy luận, đặc biệt khi được biên dịch sang các định dạng như TensorRT hoặc ONNX. Đối với các ứng dụng yêu cầu tốc độ khung hình trên giây (FPS) cao trên phần cứng biên hạn chế (như Raspberry Pi hoặc các chip di động cũ hơn), các biến thể n và s của YOLOv8 cung cấp sự cân bằng hiệu năng thực tế hơn nhiều.

Link to this sectionHiệu quả huấn luyện và Tích hợp hệ sinh thái#

Việc chọn một model không chỉ đơn thuần là nhìn vào các bảng độ chính xác; trải nghiệm của nhà phát triển là tối quan trọng.

Link to this sectionLợi thế của Ultralytics: Dễ sử dụng#

Huấn luyện YOLOv9 thường yêu cầu sao chép các kho lưu trữ GitHub phức tạp, quản lý cẩn thận các môi trường PyTorch và cấu hình thủ công các trọng số mất mát phụ trợ.

Ngược lại, Ultralytics YOLOv8 được hỗ trợ bởi một Python API cực kỳ hợp lý. Được xây dựng để dễ sử dụng, nó xử lý tăng cường dữ liệu, ghi nhật ký (đến các công cụ như Weights & Biases và Comet ML) và phân phối phần cứng một cách nguyên bản.

from ultralytics import YOLO

# Load a pre-trained YOLOv8 small model
model = YOLO("yolov8s.pt")

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

# Export for edge deployment
model.export(format="engine", quantize=16)  # TensorRT export

API duy nhất này giảm đáng kể thời gian từ nguyên mẫu đến sản xuất. Hơn nữa, YOLOv8 thường yêu cầu bộ nhớ CUDA thấp hơn trong quá trình huấn luyện, cho phép các nhà phát triển sử dụng kích thước lô (batch size) lớn hơn trên phần cứng cấp người tiêu dùng.

Link to this sectionTính linh hoạt của Nhiệm vụ#

Mặc dù YOLOv9 là một bộ nhận diện hộp bao (bounding box) tuyệt vời, nhưng AI thị giác trong thế giới thực thường yêu cầu nhiều hơn thế. YOLOv8 là một sức mạnh đa năng hỗ trợ nguyên bản Instance Segmentation, Pose Estimation, Image Classification và Oriented Bounding Boxes (OBB). Việc sử dụng một khung làm việc duy nhất cho nhiều tác vụ giúp giảm đáng kể sự cồng kềnh của phần mềm và chi phí bảo trì.

Link to this sectionCác trường hợp sử dụng thực tế#

Các model này hoạt động như thế nào trong sản xuất?

Link to this sectionMáy bay không người lái tự hành và Robot#

Đối với robot yêu cầu tránh chướng ngại vật nhanh chóng, YOLOv8 là lựa chọn ưu tiên. Độ trễ cực thấp của YOLOv8n đảm bảo các hệ thống tự hành phản ứng với môi trường của chúng trong thời gian thực, ngăn ngừa va chạm. Các khả năng xuất nguyên bản sang OpenVINO và CoreML giúp việc triển khai trên các chip công suất thấp điển hình của máy bay không người lái thương mại trở nên dễ dàng.

Link to this sectionPhát hiện lỗi độ phân giải cao#

Trong các môi trường sản xuất chuyên biệt nơi việc phát hiện các bất thường siêu nhỏ là rất quan trọng và việc xử lý ngoại tuyến là chấp nhận được, YOLOv9 có thể mang lại hiệu quả cao. Kiến trúc PGI giúp mạng giữ lại các chi tiết hình ảnh mịn cần thiết để xác định các vết nứt tóc hoặc lỗi hàn PCB.

Link to this sectionPhân tích bảo mật và bán lẻ thông minh#

Để theo dõi khách hàng qua các lối đi trong cửa hàng hoặc quản lý automated checkout systems, YOLOv8 cung cấp sự cân bằng tốt nhất. Khả năng chạy đồng thời nhận diện và multi-object tracking sử dụng các thuật toán tiêu chuẩn như BoT-SORT khiến nó trở thành một giải pháp mạnh mẽ cho các triển khai bán lẻ đa camera.

Link to this sectionCác trường hợp sử dụng và Khuyến nghị#

Việc lựa chọn giữa YOLOv8 và YOLOv9 phụ thuộc vào các yêu cầu dự án cụ thể, các ràng buộc triển khai và sở thích hệ sinh thái của bạn.

Link to this sectionKhi nào nên chọn YOLOv8#

YOLOv8 là lựa chọn mạnh mẽ cho:

• Triển khai đa tác vụ linh hoạt: Các dự án yêu cầu một mô hình đã được chứng minh cho việc phát hiện, phân đoạn, phân loại và ước tính tư thế trong hệ sinh thái Ultralytics.
• Hệ thống sản xuất đã thiết lập: Các môi trường sản xuất hiện có đã được xây dựng trên kiến trúc YOLOv8 với các pipeline triển khai ổn định, đã được kiểm thử tốt.
• Hỗ trợ cộng đồng và hệ sinh thái rộng lớn: Các ứng dụng được hưởng lợi từ các hướng dẫn mở rộng, tích hợp bên thứ ba và tài nguyên cộng đồng tích cực của YOLOv8.

Link to this sectionKhi nào nên chọn YOLOv9#

YOLOv9 được khuyến nghị cho:

• Nghiên cứu Nút thắt Thông tin (Information Bottleneck): Các dự án học thuật nghiên cứu về Programmable Gradient Information (PGI) và kiến trúc Generalized Efficient Layer Aggregation Network (GELAN).
• Nghiên cứu Tối ưu hóa Luồng Gradient: Nghiên cứu tập trung vào việc hiểu và giảm thiểu tình trạng mất thông tin trong các lớp mạng sâu trong quá trình huấn luyện.
• Đo lường Phát hiện Độ chính xác cao: Các kịch bản mà hiệu suất đo lường trên bộ dữ liệu COCO của YOLOv9 cần thiết làm điểm tham chiếu cho các so sánh kiến trúc.

Link to this sectionKhi nào nên chọn Ultralytics (YOLO26)#

Đối với hầu hết các dự án mới, Ultralytics YOLO26 cung cấp sự kết hợp tốt nhất giữa hiệu năng và trải nghiệm nhà phát triển:

• 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 hậu xử lý Non-Maximum Suppression.
• Môi trường chỉ dùng CPU: Các thiết bị không có tăng tốc GPU chuyên dụng, nơi suy luận CPU nhanh hơn tới 43% của YOLO26 mang lại lợi thế quyết định.
• Phát hiện vật thể nhỏ: Các kịch bản đầy thách thức như hình ảnh máy bay không người lái trên không hoặc phân tích cảm biến IoT, nơi ProgLoss và STAL tăng cường đáng kể độ chính xác trên các vật thể cực nhỏ.

Link to this sectionSự tiến hóa tiếp theo: YOLO26#

Mặc dù YOLOv8 và YOLOv9 rất mạnh mẽ, bối cảnh AI thay đổi nhanh chóng. Đối với các đội ngũ yêu cầu hiệu năng tốt nhất tuyệt đối, YOLO26 mới được phát hành đã xây dựng dựa trên những thành công của các thế hệ trước này.

YOLO26 giới thiệu thiết kế end-to-end không cần NMS, giúp loại bỏ hoàn toàn các nút thắt hậu xử lý phức tạp, làm cho việc triển khai đơn giản hơn và độ trễ dễ dự đoán hơn. Được thúc đẩy bởi MuSGD Optimizer mới và các hàm mất mát ProgLoss + STAL nâng cao, cùng với DFL Removal (đã loại bỏ Distribution Focal Loss để xuất đơn giản hơn và tương thích tốt hơn với các thiết bị biên/công suất thấp), nó đạt được tốc độ suy luận CPU nhanh hơn tới 43% trong khi tăng cường khả năng nhận diện vật thể nhỏ. Đối với các nhà phát triển đang đẩy giới hạn của điện toán biên, việc đánh giá YOLO26 được khuyến khích mạnh mẽ.

Tóm lại, trong khi YOLOv9 cung cấp các nghiên cứu kiến trúc hấp dẫn và độ chính xác đỉnh tuyệt vời, Ultralytics YOLOv8 vẫn là lựa chọn thực tế nhất, được hỗ trợ tốt và đa năng nhất cho đại đa số các kỹ sư computer vision đang hướng tới việc xuất xưởng phần mềm đáng tin cậy một cách nhanh chóng.