Bắt đầu

YOLOv9 so với YOLOv8

Thị trường thị giác máy tính thời gian thực đã phát triển nhanh chóng trong vài năm qua, khi mỗi model mới mở rộng những gì có thể thực hiện trên thiết bị biên và máy chủ đám mây. Khi so sánh kiến trúc YOLOv9 mới hơn với framework Ultralytics YOLOv8 phổ biến, các nhà phát triển thường phải lựa chọn giữa nghiên cứu mới về đường truyền gradient và một hệ sinh thái đã được kiểm chứng, sẵn sàng cho môi trường production.

Hướng dẫn này so sánh hai model, phân tích các đổi mới về kiến trúc, chỉ số hiệu năng và kịch bản triển khai phù hợp, giúp bạn chọn model phù hợp cho dự án trí tuệ nhân tạo tiếp theo.

Thông số kỹ thuật và nhóm tác giả#

Hiểu rõ dòng phát triển của các model này sẽ cung cấp bối cảnh thiết yếu cho những lựa chọn thiết kế tương ứng.

YOLOv9 Do Chien-Yao Wang và Hong-Yuan Mark Liao tại Viện Khoa học Thông tin, Academia Sinica, Đài Loan phát triển, YOLOv9 được phát hành ngày 21 tháng 2 năm 2024. Nghiên cứu cốt lõi tập trung giải quyết nút thắt thông tin trong mạng neural sâu. Bạn có thể đọc bài nghiên cứu YOLOv9 gốc trên arXiv hoặc xem mã nguồn trong repository GitHub chính thức của YOLOv9.

Tìm hiểu thêm về YOLOv9

Ultralytics YOLOv8 Được Glenn Jocher, Ayush Chaurasia và Jing Qiu phát triển tại Ultralytics, YOLOv8 ra mắt ngày 10 tháng 1 năm 2023. Model này trở thành tiêu chuẩn trong ngành nhờ tính linh hoạt, cung cấp API thống nhất cho nhiều tác vụ thị giác. Mã nguồn được duy trì trong repository GitHub chính của Ultralytics, đảm bảo cập nhật liên tục và ổn định lâu dài.

Các cải tiến kiến trúc#

YOLOv9: Thông tin gradient có thể lập trình#

Đặc điểm nổi bật của YOLOv9 là giới thiệu Thông tin Gradient có thể lập trình (PGI) và Mạng tổng hợp lớp hiệu quả tổng quát (GELAN). Khi mạng neural tích chập ngày càng sâu, chúng thường mất đi thông tin đặc trưng quan trọng trong quá trình truyền xuôi. PGI giải quyết nút thắt thông tin này bằng cách giữ lại các gradient chính xác được dùng để cập nhật weight, hỗ trợ trích xuất đặc trưng đáng tin cậy. Kiến trúc này tối đa hóa hiệu quả tham số, cho phép YOLOv9 đạt độ chính xác cao với ít phép toán dấu phẩy động (FLOPs) hơn.

YOLOv8: Model đa năng đáng tin cậy#

YOLOv8 giới thiệu cơ chế phát hiện không cần anchor được tinh giản, giúp giảm số lượng dự đoán box và tăng tốc Non-Maximum Suppression (NMS) trong quá trình hậu xử lý. Module C2f (nút thắt cổ chai một phần theo giai đoạn với hai lớp tích chập) cải thiện luồng gradient trong mạng so với các model cũ. Quan trọng hơn, YOLOv8 được thiết kế chú trọng tính linh hoạt, hỗ trợ sẵn phát hiện vật thể, phân đoạn instance, phân loại ảnh, ước tính tư thế và trích xuất box giới hạn có hướng (OBB).

Tích hợp hệ sinh thái

Mặc dù YOLOv9 có các chỉ số phát hiện thô rất tốt, việc tích hợp trực tiếp model này vào các pipeline phức tạp có thể gặp khó khăn. Sử dụng YOLOv9 thông qua framework Ultralytics giúp thu hẹp khoảng cách này, đồng thời cung cấp quyền truy cập vào các công cụ export và triển khai của Ultralytics.

Cân bằng hiệu năng và benchmark#

Sự đánh đổi giữa tốc độ và độ chính xác là yếu tố quan trọng nhất khi triển khai model thị giác. Dưới đây là phần so sánh chi tiết về kích thước model, độ trễ và độ chính xác trung bình (mAP), được đánh giá trên dataset COCO tiêu chuẩn.

Modelkích thước
(pixel)
mAPval50-95Tốc độ
CPU ONNX
(ms)
Tốc độ
T4 TensorRT10
(ms)
params
(M)
FLOPs
(B)
YOLOv9t64038.3-2.32.07.7
YOLOv9s64046.8-3.547.226.7
YOLOv9m64051.4-6.4320.176.8
YOLOv9c64053.0-7.1625.5102.8
YOLOv9e64055.6-16.7758.1192.5
YOLOv8n64037.380.41.473.28.7
YOLOv8s64044.9128.42.6611.228.6
YOLOv8m64050.2234.75.8625.978.9
YOLOv8l64052.9375.29.0643.7165.1
YOLOv8x64053.9479.114.3768.2257.8

Khi phân tích các chỉ số, YOLOv9 cho thấy tỷ lệ tham số trên độ chính xác rất tốt, với mAP cao hơn YOLOv8 ở mọi kích thước. Model YOLOv9c đạt 53.0% mAP chỉ với 25.5M tham số. Tuy nhiên, YOLOv8 chạy nhanh hơn trên GPU ở hầu hết kích thước; biến thể YOLOv8n chỉ mất 1.47 ms trên cấu hình NVIDIA TensorRT.

Lợi thế của hệ sinh thái Ultralytics#

Yếu tố quan trọng cần cân nhắc khi chọn kiến trúc là mức độ dễ sử dụng và hệ sinh thái phần mềm xung quanh. Việc quản lý dependency, viết data loader tùy chỉnh và xử lý các script export phức tạp có thể làm chậm quá trình phát triển. Hệ sinh thái Ultralytics tích hợp sẵn xử lý những vấn đề phức tạp này.

Dù chọn YOLOv8 hay YOLOv9 (được thư viện Ultralytics hỗ trợ đầy đủ), bạn đều được hưởng lợi từ API thống nhất, các kỹ thuật tăng cường dữ liệu tự động và quy trình export định dạng ONNX được tinh giản. Các kiến trúc Ultralytics cũng huấn luyện hiệu quả và tránh mức sử dụng bộ nhớ CUDA cao thường gặp ở các model lớn dựa trên Transformer.

Ví dụ mã huấn luyện#

Việc huấn luyện một trong hai model bằng Python API rất đơn giản, chỉ cần vài dòng mã.

from ultralytics import YOLO

# Tải model mong muốn (thay 'yolov9c.pt' bằng 'yolov8n.pt' khi cần)
model = YOLO("yolov8n.pt")

# Huấn luyện model trên dataset tùy chỉnh của bạn
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Xác thực các chỉ số hiệu năng của model
metrics = model.val()

# Xuất sang ONNX để triển khai production
model.export(format="onnx")

Trường hợp sử dụng và khuyến nghị#

Việc lựa chọn giữa YOLOv9 và YOLOv8 phụ thuộc vào yêu cầu cụ thể của dự án, các ràng buộc triển khai và ưu tiên 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 YOLOv8#

YOLOv8 được khuyến nghị 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 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 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.

Hướng tới tương lai: YOLO26 ra mắt#

Mặc dù YOLOv8 và YOLOv9 đều có năng lực tốt, lĩnh vực thị giác máy tính thay đổi nhanh chóng. Với các triển khai hiện đại, Ultralytics khuyến nghị Ultralytics YOLO26, phát hành vào tháng 1 năm 2026.

YOLO26 thay đổi cách các bộ phát hiện vật thể hoạt động trong môi trường production. Model có Thiết kế đầu-cuối không cần NMS nguyên bản (tùy chọn thông qua nms=False), loại bỏ độ trễ hậu xử lý NMS và mức biến thiên của độ trễ đó. Để hỗ trợ tốt hơn phần cứng biên và công suất thấp, YOLO26 có Loại bỏ DFL (Distribution Focal Loss), giúp đơn giản hóa quá trình export lên thiết bị di động.

Trong quá trình huấn luyện, YOLO26 sử dụng Bộ tối ưu MuSGD, kết hợp SGD và Muon, đưa sự ổn định trong huấn luyện lấy cảm hứng từ LLM vào các tác vụ thị giác và tăng tốc hội tụ. Với khả năng suy luận CPU nhanh hơn tới 43% (YOLO26n so với YOLO11n) và ProgLoss + STAL (Progressive Loss và Gán nhãn nhận biết mục tiêu nhỏ) giúp phát hiện vật thể nhỏ tốt hơn, YOLO26 là lựa chọn được khuyến nghị cho các dự án doanh nghiệp mới.

Các kiến trúc thay thế

Tùy vào giới hạn phần cứng, bạn cũng có thể so sánh các model này với Ultralytics YOLO11 cho các tác vụ đa dụng cần sự cân bằng, hoặc tìm hiểu các model dựa trên Transformer như RT-DETR cho nghiên cứu chuyên sâu đòi hỏi độ trung thực cao.

Ứng dụng thực tế và trường hợp sử dụng#

Việc lựa chọn giữa YOLOv8 và YOLOv9 phần lớn phụ thuộc vào các ràng buộc của dự án và phần cứng mục tiêu.

  • Chăm sóc sức khỏe và hình ảnh y tế: Khi từng pixel đều quan trọng, chẳng hạn trong hệ thống phát hiện khối u, kiến trúc GELAN của YOLOv9 giúp bảo toàn chi tiết ở mức tinh vi, qua đó có thể giảm âm tính giả trong các chẩn đoán quan trọng.
  • Bán lẻ và phân tích hàng tồn kho: Đối với hệ thống siêu thị thông minh theo dõi các kệ hàng xếp dày, YOLOv9 cung cấp mAP cần thiết để phân biệt đáng tin cậy các mặt hàng chồng lấn.
  • Thành phố thông minh và giám sát giao thông: Trong lĩnh vực quản lý logistics và giao thông có nhịp độ nhanh, độ trễ thấp và độ bền đã được kiểm chứng của YOLOv8 khiến model phù hợp để theo dõi phương tiện đồng thời qua nhiều luồng camera.
  • Triển khai biên: Nếu triển khai trên các thiết bị hạn chế tài nguyên như Raspberry Pi hoặc phần cứng di động, các khối C2f hiệu quả của YOLOv8 (cùng các tối ưu hóa CPU của YOLO26) mang lại pipeline suy luận mượt mà hơn và tiết kiệm pin.
Người đóng góp

Bình luận1

Đặt câu hỏi, chia sẻ kết quả hoặc giúp đỡ người khác.

  1. finfindaraGitHub(đã chỉnh sửa)

    Great comparison! YOLOv9 introduces notable improvements in detection accuracy and model optimization, particularly for smaller and densely packed objects. However, this YOLOv8 comparison shows that v8 still delivers a strong balance of speed, flexibility, and ease of deployment — making it a solid choice for many real-time applications. Both models have their strengths depending on the specific use case.