YOLOv9 và YOLOv5
Lĩnh vực thị giác máy tính phát triển nhanh chóng, với phát hiện vật thể là nền tảng cho nhiều ứng dụng công nghiệp và nghiên cứu. Việc chọn kiến trúc phù hợp thường đòi hỏi đánh giá kỹ độ chính xác trung bình (mAP), tốc độ suy luận và chi phí bộ nhớ. Bài so sánh này tìm hiểu hai model có ảnh hưởng lớn: YOLOv9, nổi bật với những tiến bộ kiến trúc trong việc duy trì thông tin gradient, và Ultralytics YOLOv5, một model đã được kiểm chứng, sử dụng rộng rãi nhờ dễ dùng và linh hoạt khi triển khai.
Đổi mới kiến trúc và nguồn gốc kỹ thuật#
Hiểu rõ cơ chế nền tảng của hai model này giúp cung cấp bối cảnh quan trọng để đánh giá đặc tính hiệu suất tương ứng.
YOLOv9: Thông tin gradient có thể lập trình#
Do các nhà nghiên cứu Chien-Yao Wang và Hong-Yuan Mark Liao tại Viện Khoa học Thông tin, Academia Sinica ở Đài Loan phát triển, YOLOv9 được phát hành ngày 21 tháng 2 năm 2024. Model giới thiệu hai khái niệm mới để giải quyết nút thắt thông tin thường gặp trong mạng neural sâu: Thông tin Gradient có thể lập trình (PGI) và Mạng tổng hợp lớp hiệu quả tổng quát (GELAN).
Nhờ sử dụng PGI, YOLOv9 đảm bảo thông tin quan trọng được giữ lại trong suốt quá trình truyền xuôi, từ đó cập nhật gradient đáng tin cậy hơn. Trong khi đó, kiến trúc GELAN tối đa hóa hiệu quả tham số, giúp model đạt độ chính xác cao với chi phí tính toán thấp. Bạn có thể tìm hiểu chi tiết kỹ thuật trong bài báo YOLOv9 trên arXiv chính thức hoặc xem repository GitHub YOLOv9.
Ultralytics YOLOv5: Tiêu chuẩn production#
Do Glenn Jocher phát triển và Ultralytics phát hành ngày 26 tháng 6 năm 2020, YOLOv5 giúp thị giác máy tính trở nên dễ tiếp cận hơn nhiều. Là một trong những model phát hiện vật thể đầu tiên được xây dựng trực tiếp trên framework PyTorch, model này tránh được sự phức tạp của C-framework Darknet cũ. YOLOv5 sử dụng backbone dựa trên CSPNet và neck PANet, cân bằng tốc độ với độ chính xác.
Tuy nhiên, thế mạnh lớn nhất của model là khả năng tích hợp vào hệ sinh thái Ultralytics rộng lớn hơn. YOLOv5 được tối ưu để huấn luyện nhanh và hoạt động trong môi trường ít bộ nhớ, nhờ đó ổn định khi triển khai biên.
Khi đánh giá model cho thiết bị biên, hãy nhớ rằng các model YOLO của Ultralytics thường cần ít bộ nhớ GPU hơn đáng kể trong cả huấn luyện lẫn suy luận so với các kiến trúc nặng dựa trên Transformer.
Phân tích hiệu suất: Tốc độ và độ chính xác#
Khi thiết kế pipeline thị giác máy tính, nhà phát triển cần cân nhắc sự đánh đổi giữa độ chính xác và độ trễ. Bảng sau minh họa khác biệt về hiệu năng trên dataset COCO tiêu chuẩn.
| 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 |
| YOLOv5n | 640 | 28.0 | - | 1.12 | 1.9 | 4.5 |
| YOLOv5s | 640 | 37.4 | - | 1.92 | 7.2 | 16.5 |
| YOLOv5m | 640 | 45.4 | - | 4.03 | 21.2 | 49.0 |
| YOLOv5l | 640 | 49.0 | - | 6.61 | 46.5 | 109.1 |
| YOLOv5x | 640 | 50.7 | - | 11.89 | 86.7 | 205.7 |
Phân tích các yếu tố đánh đổi#
YOLOv9 dẫn đầu về độ chính xác, với mAP cao hơn YOLOv5 ở mọi kích thước trong bảng này. YOLOv9e đạt 55.6% mAP, sử dụng các lớp GELAN để bảo toàn chi tiết tinh vi, khiến model trở thành lựa chọn mạnh mẽ cho hình ảnh y tế hoặc các tình huống đòi hỏi độ chính xác nghiêm ngặt khi phát hiện vật thể nhỏ.
Ngược lại, YOLOv5 dẫn đầu về tốc độ GPU thực tế và tính linh hoạt phần cứng. YOLOv5n (Nano) rất nhẹ, thực hiện suy luận chỉ trong 1.12ms trên GPU T4 thông qua TensorRT. Nếu triển khai trên thiết bị IoT hạn chế, điện thoại di động hoặc Raspberry Pi, dung lượng bộ nhớ nhỏ của YOLOv5 khiến model trở thành lựa chọn đáng tin cậy.
Lợi thế của hệ sinh thái Ultralytics#
Hệ sinh thái phần mềm xung quanh là yếu tố quan trọng cần cân nhắc khi lựa chọn model. Mặc dù YOLOv9 đạt các benchmark nghiên cứu hàng đầu, việc sử dụng cả hai model thông qua Ultralytics Python API hiện đại giúp thu hẹp khoảng cách, mang đến cho nhà phát triển trải nghiệm thống nhất và tinh gọn.
Dễ sử dụng và xuất model#
Ultralytics xử lý các công việc kỹ thuật phức tạp. Các tính năng như tăng cường dữ liệu và tinh chỉnh siêu tham số tự động được tích hợp sẵn. Đưa model vào môi trường production cũng đơn giản không kém, với các lệnh export tích hợp để chuyển model sang định dạng ONNX, OpenVINO hoặc LiteRT.
Tính linh hoạt theo tác vụ#
Mặc dù cả hai model đều mạnh về phát hiện vật thể, các model Ultralytics hiện đại được xây dựng để giải quyết nhiều thách thức thị giác máy tính. Framework rộng hơn hỗ trợ sẵn phân đoạn instance, phân loại ảnh, ước tính tư thế và box giới hạn có hướng (OBB), cho phép nhà phát triển xử lý nhiều bài toán thị giác mà không cần chuyển đổi codebase.
Trường hợp sử dụng và khuyến nghị#
Việc chọn YOLOv9 hay YOLOv5 phụ thuộc vào yêu cầu cụ thể của dự án, các ràng buộc triển khai và sở thích về hệ sinh thái.
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 YOLOv5#
YOLOv5 được khuyến nghị cho:
- Hệ thống production đã được kiểm chứng: Các hệ thống triển khai hiện có, nơi coi trọng bề dày ổn định, tài liệu toàn diện và cộng đồng lớn của YOLOv5.
- Huấn luyện với tài nguyên hạn chế: Các môi trường có tài nguyên GPU hạn chế, nơi pipeline huấn luyện hiệu quả và nhu cầu bộ nhớ thấp hơn của YOLOv5 là một lợi thế.
- Hỗ trợ rộng rãi các định dạng export: Dành cho dự án cần triển khai trên nhiều định dạng, bao gồm ONNX, TensorRT, CoreML và LiteRT.
Khi nào nên chọn Ultralytics (YOLO26)#
Với hầu hết dự án mới, Ultralytics YOLO26 mang đến sự kết hợp tốt nhất giữa hiệu năng và trải nghiệm dành cho nhà phát triển:
- 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.
Ví dụ triển khai#
Với hệ sinh thái Ultralytics, bạn có thể chuyển đổi giữa model YOLOv5 và YOLOv9 bằng cách thay đổi chuỗi weight.
from ultralytics import YOLO
# Nạp model YOLOv9 pretrained (đổi thành "yolov5su.pt" để dùng YOLOv5u)
model = YOLO("yolov9c.pt")
# Huấn luyện model hiệu quả trên dataset tùy chỉnh
train_results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Chạy suy luận trên ảnh mới
predictions = model.predict("https://ultralytics.com/images/zidane.jpg")
# Xuất sang ONNX để triển khai
model.export(format="onnx")Khám phá các kiến trúc mới hơn#
Dù YOLOv5 và YOLOv9 là những model xuất sắc với ưu điểm riêng, lĩnh vực này vẫn không ngừng phát triển. Người dùng đang bắt đầu dự án mới cũng có thể muốn đánh giá các phiên bản mới nhất từ Ultralytics.
- YOLO11: Phiên bản phát triển tinh chỉnh từ dòng YOLOv8, mang lại sự cân bằng tuyệt vời giữa tốc độ và độ chính xác trên mọi tác vụ thị giác.
- YOLO26: Phát hành vào tháng 1 năm 2026, YOLO26 là model được khuyến nghị cho các pipeline mới. Model giới thiệu Thiết kế đầu-cuối không cần NMS tùy chọn (
nms=False), giúp loại bỏ nút thắt trong hậu xử lý NMS. Với Loại bỏ DFL (loại bỏ Distribution Focal Loss để đơn giản hóa export và cải thiện khả năng tương thích với thiết bị biên/công suất thấp), YOLO26n đạt tốc độ suy luận CPU nhanh hơn YOLO11n tới 43%. Bộ tối ưu MuSGD cải thiện độ ổn định khi huấn luyện, còn ProgLoss + STAL (Progressive Loss và Gán nhãn nhận biết mục tiêu nhỏ) cải thiện khả năng phát hiện vật thể nhỏ cho các ứng dụng IoT, robot và ảnh chụp từ trên không trong môi trường triển khai biên và đám mây.
Đối với các nhóm quản lý dataset lớn và pipeline triển khai phức tạp, Ultralytics Platform cung cấp phương thức không cần code để huấn luyện, theo dõi và triển khai các model này.
Bình luận
Đặt câu hỏi, chia sẻ kết quả hoặc giúp đỡ người khác.