YOLOv8 so với YOLOv9#

Sự tiến hóa của việc phát hiện đối tượng thời gian thực được đặc trưng bởi nỗ lực không ngừng nhằm đạt độ chính xác tốt hơn, độ trễ thấp hơn và tận dụng phần cứng hiệu quả hơn. Hai mốc quan trọng trong hành trình này là Ultralytics YOLOv8 và YOLOv9. Mặc dù cả hai mô hình đều đại diện cho các tính năng tiên tiến nhất trong lĩnh vực computer vision, chúng đáp ứng 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.

Nguồn 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.

Ultralytics YOLOv8: Tiêu chuẩn hệ sinh thái đa năng#

Được phát hành bởi đội ngũ tại Ultralytics, YOLOv8 được thiết kế không chỉ như một bộ phát hiện đối tượng độc lập mà còn là một framework đa nhiệm thống 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

YOLOv9: 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

Phân tích chuyên sâu về kiến trúc#

Các lựa chọn kiến trúc trong deep learning quyết định hiệu quả học tập của mô hình và tốc độ chạy trên phần cứng mục tiêu như NVIDIA Jetson hoặc Intel CPU.

Kiến trúc YOLOv8: C2f và Decoupled Heads#

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

Hơn nữa, YOLOv8 sử dụng thiết kế anchor-free với một decoupled head. Bằng cách xử lý tính khách quan (objectness), phân loại (classification) và hồi quy (regression) thông qua các luồng riêng biệt, mô hình hội tụ nhanh hơn trong quá trình huấn luyện và tổng quát hóa tốt hơn cho các custom datasets đa dạng.

Kiến 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 đi qua các lớp của mạng, cung cấp các gradient đáng tin cậy để cập nhật trọng số. GELAN tối đa hóa hiệu quả tham số, cho phép mô hình 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.

Các chỉ số và Benchmark hiệu suất#

Bảng dưới đây cung cấp sự so sánh trực tiếp giữa các mô hình qua các kích cỡ khác nhau. Hiệu năng được đo lường trên MS COCO dataset, một benchmark tiêu chuẩn cho việc phát hiện đối tượng.

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

Phân tích các đánh đổi#

YOLOv9 đạt độ chính xác đỉnh cao (mAP) cao hơn một chút, đặc biệt với biến thể e lớn hơn. Tuy nhiên, điều này đi kèm với một cái giá. Ultralytics YOLOv8 duy trì lợi thế đáng kể về inference speed, đặc biệt khi được biên dịch sang các định dạng như TensorRT hoặc ONNX. Đối với các ứng dụng yêu cầu số khung hình trên giây (FPS) cao trên phần cứng biên bị giới hạn (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 rất nhiều.

Hiệu 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.

Lợi 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 tinh gọn. Được xây dựng để dễ sử dụng, nó xử lý việc tăng cường dữ liệu, ghi log (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.

Tính linh hoạt của Nhiệm vụ#

Mặc dù YOLOv9 là một bộ phát hiện bounding box xuất sắc, AI thị giác trong thế giới thực thường đòi hỏi nhiều hơn thế. YOLOv8 là một cỗ máy đa năng hỗ trợ nguyên bản Instance Segmentation, Pose Estimation, Image Classification và Oriented Bounding Boxes (OBB). Sử dụng một framework duy nhất cho nhiều tác vụ giúp giảm thiểu đáng kể sự phình to của phần mềm và chi phí bảo trì.

Các trường hợp sử dụng thực tế#

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

Máy bay không người lái tự hành và Robot#

Đối với robotics yêu cầu tránh chướng ngại vật nhanh chóng, YOLOv8 là lựa chọn ưu tiên. Độ trễ cực thấp của YOLOv8n đảm bảo rằng các hệ thống tự động phản ứng với môi trường của chúng trong thời gian thực, ngăn ngừa va chạm. Các tính năng xuất nguyên bản sang OpenVINO và CoreML giúp việc triển khai trên các chip công suất thấp đặc trưng của drone thương mại trở nên vô cùng đơn giản.

Phát 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.

Phân tích bảo mật và bán lẻ thông minh#

Đối với việc 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 phát hiện và multi-object tracking sử dụng các thuật toán chuẩn như BoT-SORT biến nó thành một giải pháp mạnh mẽ cho việc triển khai bán lẻ đa camera.

Các 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.

Khi nào nên chọn YOLOv8#

YOLOv8 là lựa chọn mạnh mẽ cho:

• Triển khai đa tác vụ linh hoạt: Các dự án yêu cầu một model đã được chứng minh cho detection, segmentation, classification và pose estimation 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.

Khi 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.

Khi nào nên chọn Ultralytics (YOLO26)#

Đối với hầu hết các dự án mới, Ultralytics YOLO26 mang lại sự kết hợp tốt nhất giữa hiệu suất và trải nghiệm của 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 thử thách như aerial drone imagery hoặc phân tích cảm biến IoT nơi ProgLoss và STAL cải thiện đáng kể độ chính xác trên các vật thể nhỏ xíu.

Sự 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 NMS-free, loại bỏ hoàn toàn các nút thắt cổ chai hậu xử lý phức tạp, giúp việc triển khai đơn giản hơn và độ trễ có thể dự đoán được nhiều hơn. Được thúc đẩy bởi MuSGD Optimizer mới và các hàm mất mát ProgLoss + STAL được cải tiến, cùng với DFL Removal (Loại bỏ Distribution Focal Loss để đơn giản hóa việc xuất và cải thiện tính tương thích với thiết bị biên/công suất thấp), nó đạt được tốc độ suy luận CPU nhanh hơn tới 43% đồng thời tăng cường khả năng nhận diện đối tượng nhỏ. Đối với các nhà phát triển đang đẩy giới hạn của điện toán biên, việc đánh giá YOLO26 rất được khuyến khích.

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.