YOLOv8 và YOLOv9
Quá trình phát triển của phát hiện vật thể thời gian thực luôn được thúc đẩy bởi nhu cầu cải thiện độ chính xác, giảm độ trễ 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 thể hiện năng lực tiên tiến nhất trong computer vision, chúng đáp ứng các nhu cầu triển khai, triết lý kiến trúc và hệ sinh thái dành cho nhà phát triển khác nhau.
Hướng dẫn này phân tích những khác biệt kỹ thuật, đổi mới kiến trúc và các yếu tố thực tiễn cần cân nhắc khi triển khai, giúp bạn chọn model phù hợp cho dự án trí tuệ nhân tạo tiếp theo.
Nguồn gốc model và triết lý cốt lõi#
Trước khi xem xét các chỉ số, cần hiểu nguồn gốc và mục tiêu thiết kế chính của từng model.
Ultralytics YOLOv8: Chuẩn mực hệ sinh thái linh hoạt#
Được phát hành bởi đội ngũ Ultralytics, YOLOv8 không chỉ được thiết kế như một bộ phát hiện đối tượng độc lập mà còn là framework đa tác vụ thống nhất. Model ưu tiên trải nghiệm nhà phát triển mượt mà, yêu cầu bộ nhớ thấp và khả năng tương thích phần cứng rộng.
- Tác giả: Glenn Jocher, Ayush Chaurasia và Jing Qiu
- Tổ chức: Ultralytics
- Ngày: 2023-01-10
- GitHub: ultralytics/ultralytics
- Tài liệu: Tài liệu YOLOv8
YOLOv9: Thông tin gradient có thể lập trình#
Được các nhà nghiên cứu tại Academia Sinica phát triển độc lập, YOLOv9 tập trung sâu vào lý thuyết kiến trúc, cụ thể là giải quyết hiện tượng nút thắt thông tin trong mạng neural sâu.
- Tác giả: Chien-Yao Wang và Hong-Yuan Mark Liao
- Tổ chức: Viện Khoa học Thông tin, Academia Sinica, Đài Loan
- Ngày: 2024-02-21
- arXiv: 2402.13616
- GitHub: WongKinYiu/yolov9
Nếu dự định triển khai thương mại trên quy mô lớn, hãy cân nhắc khám phá Ultralytics Platform để đơn giản hóa việc huấn luyện trên cloud, quản lý dataset và sử dụng các endpoint API chuyên dụng.
Phân tích chuyên sâu về kiến trúc#
Các lựa chọn kiến trúc trong deep learning quyết định hiệu quả học của model và tốc độ chạy trên phần cứng mục tiêu như NVIDIA Jetson hoặc CPU Intel.
Kiến trúc YOLOv8: C2f và các head tách biệt#
YOLOv8 giới thiệu module C2f (nút thắt Cross-Stage Partial với hai phép tích chập), thay thế module C3 cũ hơn. Thay đổi này cải thiện luồng gradient và giúp mạng học được các biểu diễn đặc trưng phong phú hơn mà không gây áp lực lớn lên bộ nhớ GPU.
YOLOv8 cũng sử dụng thiết kế không dùng anchor với head tách biệt. Bằng cách xử lý phân loại và hồi quy qua các nhánh riêng, model hội tụ nhanh hơn trong quá trình huấn luyện và khái quát hóa tốt hơn trên các dataset tùy chỉnh đa dạng.
Kiến trúc YOLOv9: PGI và GELAN#
YOLOv9 giới thiệu Thông tin gradient có thể lập trình (PGI) và Mạng tổng hợp layer hiệu quả tổng quát (GELAN). PGI đảm bảo dữ liệu quan trọng không bị mất khi truyền qua các layer của mạng, cung cấp gradient đáng tin cậy để cập nhật weights. GELAN tối đa hóa hiệu quả tham số, cho phép model đạt độ chính xác cao trong khi giữ FLOPs ở mức hợp lý.
Tuy nhiên, các nhánh phụ có thể đảo ngược của YOLOv9, chỉ được dùng trong quá trình huấn luyện, có thể khiến việc tùy chỉnh code huấn luyện phức tạp hơn so với các pipeline tiêu chuẩn.
Chỉ số hiệu năng và benchmark#
Bảng dưới đây so sánh trực tiếp các model ở nhiều kích thước khác nhau. Hiệu năng được đo trên dataset MS COCO, một benchmark tiêu chuẩn cho phát hiện vật thể.
| Model | kích thước (pixel) | mAPval50-95 | Tốc độ CPU ONNX (ms) | Tốc độ T4 TensorRT10 (ms) | params (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv8n | 640 | 37.3 | 80.4 | 1.47 | 3.2 | 8.7 |
| YOLOv8s | 640 | 44.9 | 128.4 | 2.66 | 11.2 | 28.6 |
| YOLOv8m | 640 | 50.2 | 234.7 | 5.86 | 25.9 | 78.9 |
| YOLOv8l | 640 | 52.9 | 375.2 | 9.06 | 43.7 | 165.1 |
| YOLOv8x | 640 | 53.9 | 479.1 | 14.37 | 68.2 | 257.8 |
| YOLOv9t | 640 | 38.3 | - | 2.3 | 2.0 | 7.7 |
| YOLOv9s | 640 | 46.8 | - | 3.54 | 7.2 | 26.7 |
| YOLOv9m | 640 | 51.4 | - | 6.43 | 20.1 | 76.8 |
| YOLOv9c | 640 | 53.0 | - | 7.16 | 25.5 | 102.8 |
| YOLOv9e | 640 | 55.6 | - | 16.77 | 58.1 | 192.5 |
Lưu ý: Các giá trị tốt nhất trong mỗi cột được in đậm.
Phân tích các yếu tố đánh đổi#
YOLOv9 đạt độ chính xác (mAP) cao hơn ở mỗi kích thước tương đương và sử dụng ít tham số hơn ở mọi kích thước. Tuy nhiên, Ultralytics YOLOv8 có tốc độ suy luận trên GPU nhanh hơn, chẳng hạn YOLOv8n mất 1.47 ms so với 2.3 ms của YOLOv9t khi biên dịch bằng TensorRT, đồng thời dễ dàng export sang các định dạng như ONNX. Với các ứng dụng cần số khung hình mỗi giây (FPS) cao trên phần cứng edge hạn chế (như Raspberry Pi hoặc chip di động đời cũ), các biến thể n và s của YOLOv8 mang lại sự cân bằng hiệu năng thiết thực.
Hiệu quả huấn luyện và tích hợp hệ sinh thái#
Chọn model không chỉ đơn thuần là xem các bảng độ chính xác; trải nghiệm nhà phát triển cũng quan trọng không kém.
Lợi thế của Ultralytics: Dễ sử dụng#
Huấn luyện YOLOv9 thường đòi hỏi phải clone các repository GitHub phức tạp, quản lý cẩn thận môi trường PyTorch và cấu hình thủ công trọng số loss phụ trợ.
Ngược lại, Ultralytics YOLOv8 được hỗ trợ bởi API Python tinh gọn. Được xây dựng để dễ sử dụng, API xử lý tăng cường dữ liệu, ghi log (với các công cụ như Weights & Biases và Comet ML) cũng như huấn luyện đa GPU ngay từ đầu.
from ultralytics import YOLO
# Tải model YOLOv8 small đã huấn luyện trước
model = YOLO("yolov8s.pt")
# Huấn luyện model hiệu quả trên dữ liệu tùy chỉnh
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Xuất model để triển khai trên edge
model.export(format="engine", quantize=16) # Xuất sang TensorRTAPI duy nhất này rút ngắn thời gian từ nguyên mẫu đến production. Ngoài ra, YOLOv8 thường cần ít bộ nhớ CUDA hơn trong quá trình huấn luyện, cho phép nhà phát triển sử dụng batch size lớn hơn trên phần cứng phổ thông.
Tính linh hoạt theo tác vụ#
Dù YOLOv9 là bộ phát hiện bounding box xuất sắc, AI thị giác trong thực tế thường cần nhiều hơn thế. YOLOv8 hỗ trợ sẵn Phân đoạn instance, Phân loại ảnh, Ước lượng tư thế và Bounding box định hướng (OBB). Sử dụng một framework duy nhất cho nhiều tác vụ giúp giảm độ phức tạp của phần mềm và chi phí bảo trì.
Nếu bắt đầu một dự án mới, bạn cũng có thể đánh giá Ultralytics YOLO11 hoặc YOLO26, model hiện được khuyến nghị với tùy chọn suy luận end-to-end không cần NMS.
Các trường hợp sử dụng thực tế#
Các model này hoạt động ra sao trong môi trường production?
Drone tự hành và robotics#
Với các ứng dụng robot cần tránh chướng ngại vật nhanh chóng, YOLOv8 là lựa chọn ưu tiên. Độ trễ thấp của YOLOv8n giúp hệ thống tự hành phản ứng với môi trường theo thời gian thực và tránh va chạm. Khả năng export sẵn sang OpenVINO và CoreML giúp việc triển khai trên chip công suất thấp thường dùng trong drone thương mại trở nên đơn giản.
Phát hiện lỗi độ phân giải cao#
Trong các môi trường sản xuất chuyên biệt, nơi việc phát hiện bất thường cực nhỏ là thiết yếu và có thể chấp nhận xử lý ngoại tuyến, YOLOv9 có thể phát huy hiệu quả. Kiến trúc PGI giúp mạng giữ lại các chi tiết hình ảnh tinh vi cần thiết để nhận diện vết nứt nhỏ hoặc lỗi hàn PCB.
Phân tích bán lẻ thông minh và an ninh#
Để theo dõi khách hàng giữa các lối đi trong cửa hàng hoặc quản lý hệ thống thanh toán tự động, YOLOv8 mang lại sự cân bằng tốt nhất. Khả năng chạy đồng thời phát hiện và theo dõi nhiều vật thể bằng các thuật toán tiêu chuẩn như BoT-SORT giúp model trở thành giải pháp vững chắc cho các hệ thống bán lẻ nhiều camera.
Trường hợp sử dụng và khuyến nghị#
Việc lựa chọn giữa YOLOv8 và YOLOv9 phụ thuộc vào yêu cầu cụ thể của dự án, các giới hạn triển khai và hệ sinh thái bạn ưu tiên.
Khi nào nên chọn YOLOv8#
YOLOv8 là lựa chọn phù hợp cho:
- Triển khai đa tác vụ linh hoạt: Các dự án cần một model đã được kiểm chứng để thực hiện phát hiện, phân đoạn, phân loại và ước lượng tư thế trong hệ sinh thái Ultralytics.
- Hệ thống sản xuất đã thiết lập: Các môi trường sản xuất hiện có được xây dựng trên kiến trúc YOLOv8 với quy trình triển khai ổn định, đã được kiểm thử kỹ lưỡng.
- Hỗ trợ cộng đồng và hệ sinh thái rộng rãi: Các ứng dụng hưởng lợi từ kho hướng dẫn phong phú, 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 về nút thắt thông tin: Các dự án học thuật nghiên cứu kiến trúc Programmable Gradient Information (PGI) và Generalized Efficient Layer Aggregation Network (GELAN).
- Nghiên cứu tối ưu hóa luồng gradient: Các nghiên cứu tập trung vào việc tìm hiểu và giảm thiểu mất mát thông tin trong các lớp mạng sâu khi huấn luyện.
- Đánh giá hiệu năng phát hiện độ chính xác cao: Các tình huống cần hiệu năng mạnh của YOLOv9 trên benchmark COCO làm mốc tham chiếu để so sánh kiến trúc.
Khi nào nên chọn Ultralytics (YOLO26)#
Với hầu hết dự án mới, Ultralytics YOLO26 mang lại sự kết hợp tốt nhất giữa hiệu năng và trải nghiệm developer:
- Triển khai edge không cần NMS: Các ứng dụng cần suy luận ổn định, độ trễ thấp mà không phải xử lý sự phức tạp của bước hậu xử lý Non-Maximum Suppression (NMS).
- Môi trường chỉ có CPU: Các thiết bị không có khả năng tăng tốc bằng GPU chuyên dụng, nơi tốc độ suy luận CPU nhanh hơn tới 43% của YOLO26n so với YOLO11n mang lại lợi thế quyết định.
- Phát hiện vật thể nhỏ: Các tình huống khó như ảnh chụp từ drone trên không hoặc phân tích cảm biến IoT, nơi ProgLoss và STAL cải thiện độ chính xác đối với vật thể rất nhỏ.
Bước tiến tiếp theo: YOLO26#
Dù YOLOv8 và YOLOv9 là những model có năng lực, lĩnh vực AI đang phát triển nhanh chóng. Với các dự án mới, YOLO26, ra mắt vào tháng 1 năm 2026, kế thừa thế mạnh của những thế hệ trước.
YOLO26 giới thiệu thiết kế end-to-end không cần NMS tùy chọn (nms=False), giúp loại bỏ hậu xử lý NMS, đơn giản hóa triển khai và giúp độ trễ dễ dự đoán hơn. Với bộ tối ưu MuSGD, ProgLoss + STAL (Progressive Loss và Small-Target-Aware Label Assignment) cùng việc loại bỏ DFL (loại bỏ Distribution Focal Loss để đơn giản hóa export và tăng khả năng tương thích với thiết bị edge/công suất thấp), YOLO26n suy luận trên CPU nhanh hơn YOLO11n tới 43%, đồng thời cải thiện khả năng phát hiện vật thể nhỏ. Với các dự án điện toán edge, YOLO26 là lựa chọn khởi đầu được khuyến nghị.
Tóm lại, dù YOLOv9 mang lại nghiên cứu kiến trúc có giá trị và độ chính xác đỉnh cao xuất sắc, Ultralytics YOLOv8 vẫn là lựa chọn thiết thực, được hỗ trợ tốt và linh hoạt cho hầu hết kỹ sư thị giác máy tính muốn nhanh chóng phát hành phần mềm đáng tin cậy.
Bình luận
Đặt câu hỏi, chia sẻ kết quả hoặc giúp đỡ người khác.