YOLOv9 và YOLO26
Bối cảnh phát hiện đối tượng theo thời gian thực đã thay đổi đáng kể trong vài năm qua. Khi các chuyên gia machine learning tìm cách triển khai model trên nhiều loại phần cứng, việc chọn đúng kiến trúc là yếu tố then chốt. Hướng dẫn kỹ thuật này so sánh hai cột mốc quan trọng trong lĩnh vực computer vision: YOLOv9, ra mắt đầu năm 2024 với trọng tâm là tối ưu hóa đường truyền gradient, và Ultralytics YOLO26, model Ultralytics mới nhất, ra mắt vào tháng 1 năm 2026 với trọng tâm là suy luận trên edge và độ ổn định khi huấn luyện.
Tóm tắt điều hành: Nguồn gốc và tác giả của model#
Hiểu rõ nguồn gốc của các model deep learning này giúp cung cấp bối cảnh hữu ích về các lựa chọn thiết kế kiến trúc và đối tượng sử dụng mục tiêu.
YOLOv9#
Do Chien-Yao Wang và Hong-Yuan Mark Liao thuộc Viện Khoa học Thông tin tại Academia Sinica ở Đài Loan phát triển, YOLOv9 được phát hành vào ngày 21 tháng 2 năm 2024. Model tập trung sâu vào các khái niệm lý thuyết về deep learning, cụ thể là giải quyết vấn đề nút thắt thông tin trong mạng neural tích chập sâu (CNN).
Ultralytics YOLO26#
Do Glenn Jocher và Jing Qiu tại Ultralytics phát triển, YOLO26 được phát hành ngày 14 tháng 1 năm 2026. Dựa trên các phiên bản tiền nhiệm như YOLO11 và YOLOv8, YOLO26 được thiết kế từ đầu để ưu tiên khả năng sẵn sàng cho production, triển khai trên edge và hiệu quả end-to-end gốc.
Bạn đã sẵn sàng nâng cấp pipeline thị giác máy tính chưa? Bạn có thể dễ dàng huấn luyện và triển khai model YOLO26 trên cloud mà không cần viết mã bằng Nền tảng Ultralytics.
Các cải tiến kiến trúc#
Cả hai model đều có những thay đổi đáng kể trong cách mạng neural xử lý dữ liệu hình ảnh, nhưng tiếp cận vấn đề theo những hướng khác nhau.
Thông tin gradient có thể lập trình trong YOLOv9#
Đóng góp chính của YOLOv9 cho lĩnh vực này là giới thiệu Thông tin gradient có thể lập trình (PGI) và Mạng tổng hợp lớp hiệu quả tổng quát (GELAN). Khi mạng neural ngày càng sâu, chúng thường gặp tình trạng mất thông tin trong quá trình truyền xuôi. PGI đảm bảo gradient dùng để cập nhật trọng số trong quá trình lan truyền ngược vẫn chính xác và đáng tin cậy, cho phép kiến trúc GELAN đạt độ chính xác cao với ít tham số hơn.
Tuy nhiên, YOLOv9 dựa vào Ức chế phi cực đại (NMS) truyền thống để hậu xử lý, điều này có thể trở thành nút thắt độ trễ khi suy luận trong thực tế.
Kiến trúc ưu tiên thiết bị biên của YOLO26#
YOLO26 có cách tiếp cận khác với thiết kế ưu tiên edge, tối ưu toàn bộ pipeline từ huấn luyện đến triển khai thời gian thực. Model kế thừa Thiết kế end-to-end không cần NMS mà YOLOv10 đã giới thiệu cho các model YOLO, loại bỏ nhu cầu hậu xử lý NMS. Điều này giảm độ trễ và giúp model phù hợp với các thiết bị edge như Raspberry Pi hoặc NVIDIA Jetson.
YOLO26 cũng loại bỏ Distribution Focal Loss (DFL). Thay đổi cấu trúc này giúp đơn giản hóa việc xuất model sang ONNX và tăng khả năng tương thích với các thiết bị edge công suất thấp.
Trong giai đoạn huấn luyện, YOLO26 tích hợp Optimizer MuSGD, kết hợp Stochastic Gradient Descent với Muon (lấy cảm hứng từ phương pháp huấn luyện LLM trong Kimi K2 của Moonshot AI). Phương pháp này đưa các cải tiến trong huấn luyện mô hình ngôn ngữ lớn (LLM) vào computer vision, giúp quá trình huấn luyện ổn định hơn và hội tụ nhanh hơn.
So sánh hiệu năng và chỉ số#
Khi benchmark trên dataset COCO được sử dụng rộng rãi, cả hai model đều có hiệu năng tốt, nhưng YOLO26 dẫn đầu về độ chính xác và tốc độ suy luận T4 ở mọi kích thước, với số lượng tham số tương đương.
| Model | kích thước (pixel) | mAPval50-95 | Tốc độ CPU ONNX (ms) | Tốc độ T4 TensorRT10 (ms) | params (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| 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 |
| YOLO26n | 640 | 40.9 | 38.9 | 1.7 | 2.4 | 5.5 |
| YOLO26s | 640 | 48.6 | 87.2 | 2.5 | 9.5 | 20.9 |
| YOLO26m | 640 | 53.1 | 220.0 | 4.7 | 20.4 | 68.4 |
| YOLO26l | 640 | 55.0 | 286.2 | 6.2 | 24.8 | 86.8 |
| YOLO26x | 640 | 57.5 | 525.8 | 11.8 | 55.7 | 194.4 |
Phân tích kết quả#
- Tốc độ và hiệu quả: Nhờ sử dụng kiến trúc không cần NMS và head phát hiện được đơn giản hóa, YOLO26n cho tốc độ suy luận CPU nhanh hơn tới 43% so với YOLO11n. Model YOLO26n chạy trong 1.7 ms trên GPU NVIDIA T4 khi dùng TensorRT, là lựa chọn phù hợp cho luồng video thời gian thực.
- Độ chính xác: Model YOLO26x đạt 57.5 mAP, vượt qua model YOLOv9e lớn nhất trong khi duy trì độ trễ thấp hơn.
- Yêu cầu bộ nhớ: Các model Ultralytics nổi tiếng về hiệu quả. YOLO26 cần ít bộ nhớ CUDA hơn đáng kể trong quá trình huấn luyện model và suy luận so với các model thị giác dựa trên Transformer phức tạp, cho phép nhà phát triển sử dụng batch size lớn hơn trên phần cứng phổ thông.
Hệ sinh thái, tính dễ sử dụng và tính linh hoạt#
Một thế mạnh lớn của hệ sinh thái Ultralytics là trải nghiệm người dùng. Trong khi các nhà nghiên cứu sử dụng codebase YOLOv9 trên GitHub phải xử lý cấu hình môi trường phức tạp và viết script thủ công, YOLO26 được tích hợp hoàn toàn vào API Python Ultralytics trực quan.
Ví dụ API đơn giản hóa#
Huấn luyện model YOLO26 chỉ cần vài dòng code Python:
from ultralytics import YOLO
# Tải model YOLO26 end-to-end nguyên bản mới nhất
model = YOLO("yolo26s.pt")
# Huấn luyện model; optimizer="auto" sẽ chọn MuSGD cho các lần chạy dài hơn (>10k iterations)
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Export nguyên bản sang định dạng ONNX chỉ bằng một lệnh
model.export(format="onnx")Tính linh hoạt theo tác vụ#
Không giống YOLOv9, chủ yếu được thiết kế cho tác vụ phát hiện đối tượng tiêu chuẩn, YOLO26 hỗ trợ sẵn cả bảy tác vụ computer vision của Ultralytics, bao gồm phân đoạn ngữ nghĩa và ước lượng độ sâu. Kiến trúc này có các cải tiến chuyên biệt cho nhiều ứng dụng:
- Phân đoạn instance: Bổ sung hàm mất mát phân đoạn ngữ nghĩa và module proto đa tỷ lệ để tạo mask chất lượng cao hơn.
- Phân loại hình ảnh: Phân loại toàn bộ hình ảnh một cách đáng tin cậy theo tiêu chuẩn ImageNet.
- Ước lượng tư thế: Tích hợp Ước lượng hợp lý logarit phần dư (RLE) để định vị keypoint chính xác hơn.
- Bounding box định hướng (OBB): Tích hợp hàm mất mát góc chuyên biệt nhằm xử lý các vấn đề về ranh giới trong phát hiện đối tượng xoay trên ảnh chụp từ trên không.
Tất cả model YOLO26 đều tích hợp với Ultralytics Platform, cung cấp sẵn công cụ gán nhãn dataset, huấn luyện trên cloud và pipeline triển khai.
Ứng dụng thực tế#
Việc lựa chọn giữa các model này thường phụ thuộc vào môi trường triển khai.
IoT và robot thiết bị biên#
Đối với robot, drone tự hành và thiết bị IoT nhà thông minh, YOLO26 là lựa chọn ưu việt hơn. ProgLoss + STAL cải thiện khả năng phát hiện đối tượng nhỏ, yếu tố quan trọng đối với giám sát nông nghiệp bằng drone bay ở độ cao lớn. Kết hợp với tốc độ suy luận CPU nhanh hơn tới 43% (YOLO26n so với YOLO11n) và thiết kế không cần NMS, YOLO26 hoạt động mượt mà trên phần cứng không có GPU chuyên dụng.
Nghiên cứu học thuật và phân tích gradient#
YOLOv9 vẫn là model được đánh giá cao trong giới học thuật. Các nhà nghiên cứu tìm hiểu giới hạn lý thuyết của luồng gradient hoặc muốn xây dựng các layer PyTorch tùy chỉnh dựa trên khái niệm PGI sẽ thấy codebase YOLOv9 là nền tảng tốt để khám phá lý thuyết deep learning.
Pipeline sản xuất tốc độ cao#
Trong môi trường công nghiệp, chẳng hạn phát hiện lỗi tự động trên băng chuyền tốc độ cao, tốc độ TensorRT nhanh của các model YOLO26 giúp tránh bỏ sót khung hình, tối đa hóa thông lượng của hệ thống đảm bảo chất lượng.
Trường hợp sử dụng và khuyến nghị#
Việc lựa chọn giữa YOLOv9 và YOLO26 phụ thuộc vào yêu cầu cụ thể của dự án, giới hạn triển khai và hệ sinh thái bạn ưu tiên.
Khi nào nên chọn YOLOv9#
YOLOv9 là lựa chọn phù hợp 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 YOLO26#
YOLO26 được khuyến nghị cho:
- Triển khai trên thiết bị biên không cần NMS: Các ứng dụng cần inference có độ trễ thấp và ổn định mà không phải xử lý hậu kỳ Non-Maximum Suppression phức tạp.
- Môi trường chỉ có CPU: Các thiết bị không có tăng tốc GPU chuyên dụng, nơi tốc độ inference CPU nhanh hơn tới 43% của YOLO26 (YOLO26n so với YOLO11n) mang lại lợi thế đáng kể.
- 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.
Kết luận#
Cả hai model đều là những bước tiến quan trọng của cộng đồng mã nguồn mở. YOLOv9 giới thiệu các cải tiến lý thuyết quan trọng về luồng gradient, tiếp tục ảnh hưởng đến các kiến trúc mới. Tuy nhiên, với nhà phát triển, startup và nhóm doanh nghiệp cần cân bằng tốc độ, độ chính xác và tính dễ triển khai, Ultralytics YOLO26 là lựa chọn rõ ràng.
Với suy luận không cần NMS, optimizer MuSGD và các công cụ hỗ trợ phát hiện, phân đoạn, ước lượng tư thế cùng nhiều tác vụ khác, YOLO26 mang đến nền tảng đáng tin cậy, được hỗ trợ tốt cho các dự án computer vision.
Bình luận
Đặt câu hỏi, chia sẻ kết quả hoặc giúp đỡ người khác.