YOLOv8 và YOLOX
Bức tranh thị giác máy tính được định hình bởi sự phát triển liên tục của các kiến trúc phát hiện vật thể thời gian thực. Hai cột mốc nổi bật là Ultralytics YOLOv8 và YOLOX. Cả hai model đều sử dụng thiết kế không cần anchor để đơn giản hóa việc dự đoán bounding box, nhưng đại diện cho những thời kỳ và triết lý khác nhau trong nghiên cứu deep learning cũng như phát triển hệ sinh thái triển khai.
Bài so sánh kỹ thuật này tìm hiểu kiến trúc, phương pháp huấn luyện và chỉ số hiệu năng thực tế của hai model, giúp developer và nhà nghiên cứu chọn model phù hợp cho các ứng dụng AI thị giác.
Tổng quan về các model#
Việc tìm hiểu nguồn gốc và mục tiêu thiết kế của từng framework cung cấp bối cảnh quan trọng để hiểu sự khác biệt về kiến trúc và mức độ trưởng thành của hệ sinh thái.
Ultralytics YOLOv8#
Được phát triển bởi Glenn Jocher, Ayush Chaurasia và Jing Qiu tại Ultralytics, YOLOv8 ra mắt ngày 10 tháng 1 năm 2023 và đánh dấu bước tiến đáng kể cho hệ sinh thái Ultralytics. Kế thừa thành công của YOLOv5, YOLOv8 giới thiệu kiến trúc được tinh chỉnh, có khả năng xử lý nguyên bản nhiều tác vụ đa dạng, bao gồm phát hiện vật thể, phân đoạn instance, phân loại hình ảnh và ước tính tư thế.
Ưu điểm chính của model là hệ sinh thái Ultralytics được duy trì tốt, cung cấp quy trình làm việc hoàn chỉnh với Python API thống nhất, tài liệu phong phú và tích hợp nguyên bản với các công cụ MLOps như Weights & Biases và Comet.
YOLOX#
Do Zheng Ge, Songtao Liu, Feng Wang, Zeming Li và Jian Sun tại Megvii giới thiệu ngày 18 tháng 7 năm 2021, YOLOX hướng đến thu hẹp khoảng cách giữa nghiên cứu học thuật và ứng dụng công nghiệp. Được trình bày chi tiết trong bài báo arXiv, YOLOX đáng chú ý vì đưa dòng YOLO chuyển sang thiết kế không cần anchor và tích hợp head tách biệt, giúp cải thiện độ ổn định và khả năng hội tụ khi huấn luyện.
Dù có ảnh hưởng lớn vào năm 2021, kho lưu trữ YOLOX trên GitHub vẫn chủ yếu tập trung vào nghiên cứu. Kho lưu trữ này thiếu tính linh hoạt tác vụ toàn diện và quy trình triển khai hoàn thiện như trong các framework hiện đại, đồng thời đòi hỏi cấu hình thủ công nhiều hơn khi triển khai trong môi trường production.
Các cải tiến kiến trúc#
Cả hai model đều sử dụng phương pháp không dùng anchor, loại bỏ nhu cầu phân cụm anchor box phức tạp, phụ thuộc vào từng dataset trước khi huấn luyện. Phương pháp này giảm số lượng tham số tinh chỉnh theo kinh nghiệm và đơn giản hóa detection head.
Head tách biệt và trích xuất đặc trưng#
YOLOX tiên phong tích hợp head tách biệt vào dòng YOLO. Theo phương pháp truyền thống, tác vụ phân loại và hồi quy được thực hiện trong một head thống nhất, thường dẫn đến gradient xung đột trong quá trình huấn luyện. Bằng cách tách riêng các nhánh phân loại và định vị, YOLOX đạt tốc độ hội tụ nhanh hơn.
YOLOv8 kế thừa và tinh chỉnh ý tưởng này. Model sử dụng module C2f (nút thắt cổ chai Cross-Stage Partial với hai phép tích chập) trong backbone, thay thế module C3 cũ. Cách này cải thiện luồng gradient và khả năng biểu diễn đặc trưng mà không làm tăng đáng kể chi phí tính toán. YOLOv8 cũng kết hợp head phát hiện không cần anchor với Task-Aligned Assigner, tự động ghép các mẫu dương dựa trên sự kết hợp giữa điểm phân loại và Intersection over Union (IoU), qua đó cải thiện độ chính xác.
Các model Ultralytics YOLO được thiết kế để sử dụng bộ nhớ hiệu quả. So với kiến trúc dựa trên Transformer hoặc codebase nghiên cứu chưa được tối ưu, YOLOv8 cần ít bộ nhớ CUDA hơn đáng kể trong quá trình huấn luyện, cho phép developer sử dụng batch size lớn hơn trên phần cứng phổ thông.
So sánh hiệu năng#
Khi đánh giá model để triển khai thực tế, việc cân bằng độ chính xác (mAP) với độ trễ suy luận và độ phức tạp của model là điều thiết yếu. Bảng dưới đây nêu bật các chỉ số hiệu năng trên dataset COCO.
| 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 |
| YOLOXnano | 416 | 25.8 | - | - | 0.91 | 1.08 |
| YOLOXtiny | 416 | 32.8 | - | - | 5.06 | 6.45 |
| YOLOXs | 640 | 40.5 | - | 2.56 | 9.0 | 26.8 |
| YOLOXm | 640 | 46.9 | - | 5.43 | 25.3 | 73.8 |
| YOLOXl | 640 | 49.7 | - | 9.04 | 54.2 | 155.6 |
| YOLOXx | 640 | 51.1 | - | 16.1 | 99.1 | 281.9 |
Như có thể thấy, các model YOLOv8 luôn vượt trội hơn các model YOLOX có cùng số lượng tham số. Ví dụ, YOLOv8m đạt mAP 50.2% so với 46.9% của YOLOXm, tăng 3.3 điểm mAP trong khi vẫn duy trì tốc độ suy luận GPU cạnh tranh khi sử dụng TensorRT.
Ưu thế về huấn luyện và hệ sinh thái#
Một trong những khác biệt lớn nhất giữa hai giải pháp này là trải nghiệm developer. Huấn luyện YOLOX thường đòi hỏi thiết lập môi trường phức tạp, chỉnh sửa script thủ công và hiểu sâu về nội bộ PyTorch để gỡ lỗi các vấn đề huấn luyện hoặc export.
Hệ sinh thái Ultralytics xử lý những phức tạp này bằng Python API trực quan và Giao diện dòng lệnh (CLI).
Python API tinh gọn#
Để huấn luyện model YOLOv8 trên dataset tùy chỉnh, bạn chỉ cần vài dòng code:
from ultralytics import YOLO
# Tải model YOLOv8 đã được huấn luyện trước để phát hiện đối tượng
model = YOLO("yolov8n.pt")
# Huấn luyện model trên dataset ví dụ COCO8
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Dễ dàng đánh giá model
metrics = model.val()
# Xuất sang ONNX để triển khai trong môi trường production
model.export(format="onnx")API này chuẩn hóa quy trình làm việc cho các tác vụ phát hiện, phân đoạn và bounding box định hướng (OBB), giúp rút ngắn thời gian đưa ứng dụng vào sản xuất. Chức năng export tích hợp sẵn cũng chuyển đổi model sang ONNX, OpenVINO và CoreML mà không cần viết toán tử C++ tùy chỉnh.
Các trường hợp sử dụng phù hợp nhất#
Việc lựa chọn giữa các kiến trúc này phụ thuộc vào những giới hạn của dự án, dù YOLOv8 cung cấp nền tảng linh hoạt hơn.
- Phân tích biên tốc độ cao: Để xử lý thời gian thực trên các thiết bị như NVIDIA Jetson, YOLOv8 mang lại sự cân bằng tốt giữa tốc độ và độ chính xác, đồng thời dễ triển khai nhờ tích hợp TensorRT nguyên bản.
- Nghiên cứu học thuật: YOLOX vẫn là công cụ học tập hữu ích cho các nhà nghiên cứu tìm hiểu quá trình chuyển đổi từ phương pháp dùng anchor sang không dùng anchor trong PyTorch.
- Ứng dụng đa tác vụ phức tạp: Các ứng dụng cần đồng thời theo dõi vật thể và phân đoạn instance sẽ phù hợp với YOLOv8 hơn, vì các khả năng này được tích hợp trực tiếp vào thư viện Ultralytics.
Hướng tới tương lai: Các model thay thế#
YOLOv8 cải thiện đáng kể so với YOLOX, nhưng lĩnh vực này phát triển nhanh chóng. Với các dự án mới, Ultralytics khuyến nghị Ultralytics YOLO26, ra mắt vào tháng 1 năm 2026.
YOLO26 có Thiết kế end-to-end không cần NMS, trong đó head một-một tùy chọn (nms=False) loại bỏ bước hậu xử lý Non-Maximum Suppression (NMS), giúp đơn giản hóa pipeline triển khai. Nhờ suy luận không cần NMS và loại bỏ Distribution Focal Loss (DFL), YOLO26n đạt tốc độ suy luận CPU nhanh hơn tới 43% so với YOLO11n, còn Bộ tối ưu MuSGD giúp cải thiện độ ổn định khi huấn luyện. Model cũng giới thiệu ProgLoss + STAL (Hàm mất mát tiến triển và Gán nhãn có nhận biết đối tượng nhỏ), cải thiện khả năng phát hiện vật thể nhỏ trong ảnh chụp từ trên không và ứng dụng robot.
Ngoài ra, người dùng có thể cân nhắc YOLO11 như một phiên bản tiền nhiệm mạnh mẽ khác, được hỗ trợ tốt trong hệ sinh thái Ultralytics và mang lại hiệu năng ổn định trên nhiều tác vụ.
Kết luận#
YOLOX đã cho thấy giá trị của head tách biệt và thiết kế không cần anchor trong dòng YOLO. Ultralytics YOLOv8 tiếp thu các ý tưởng này, tinh chỉnh kiến trúc và tích hợp chúng vào một hệ sinh thái sẵn sàng cho sản xuất, nổi bật nhờ tính dễ sử dụng và khả năng hỗ trợ nhiều tác vụ. Với model Ultralytics, developer có được hiệu năng mạnh, huấn luyện tiết kiệm bộ nhớ và các công cụ triển khai giúp đơn giản hóa lộ trình từ thử nghiệm đến sản xuất.
Bình luận1
Đặt câu hỏi, chia sẻ kết quả hoặc giúp đỡ người khác.
marybary0000(đã chỉnh sửa)
Great deep dive! YOLOX introduced key innovations like anchor-free design and decoupled head structure, which significantly improved detection performance. However, this YOLOv8 comparison highlights how v8 builds on such ideas with a more modular framework, better support for multi-task learning, and an easier deployment pipeline. Both models reflect strong evolution in object detection, and choosing between them really depends on specific project goals and hardware constraints.