Link to this sectionYOLOv9 so với YOLOv8#

Bối cảnh thị trường thị giác máy tính thời gian thực đã phát triển đáng kể trong vài năm qua, với mỗi model mới đều đẩy xa các giới hạn lý thuyết về khả năng thực thi trên các thiết bị biên và máy chủ đám mây. Khi so sánh kiến trúc YOLOv9 mới hơn với framework Ultralytics YOLOv8 vốn rất phổ biến, các nhà phát triển thường phải đứng trước lựa chọn giữa các đường dẫn gradient lý thuyết tiên tiến nhất và một hệ sinh thái đã được thử nghiệm dày dạn, sẵn sàng cho môi trường sản xuất.

Hướng dẫn toàn diện này đối chiếu hai tên tuổi lớn này, phân tích các cải tiến về kiến trúc, chỉ số hiệu năng và các tình huống triển khai lý tưởng để giúp bạn chọn được model phù hợp cho dự án trí tuệ nhân tạo tiếp theo của mình.

Link to this sectionThông số kỹ thuật và Quyền tác giả#

Hiểu rõ nguồn gốc của các model này mang lại bối cảnh thiết yếu cho các lựa chọn thiết kế của chúng.

YOLOv9 Được tạo ra bởi Chien-Yao Wang và Hong-Yuan Mark Liao tại Viện Khoa học Thông tin, Academia Sinica, Đài Loan, YOLOv9 được phát hành vào ngày 21 tháng 2 năm 2024. Nghiên cứu cốt lõi tập trung vào việc giải quyết nút thắt thông tin trong các mạng thần kinh sâu. Bạn có thể khám phá bài báo nghiên cứu YOLOv9 gốc trên Arxiv hoặc xem mã nguồn trong kho lưu trữ GitHub chính thức của YOLOv9.

Tìm hiểu thêm về YOLOv9

Ultralytics YOLOv8 Được phát triển bởi Glenn Jocher, Ayush Chaurasia và Jing Qiu tại Ultralytics, YOLOv8 ra mắt vào ngày 10 tháng 1 năm 2023. Nó đã khẳng định vị thế là tiêu chuẩn công nghiệp về tính linh hoạt, cung cấp một API thống nhất cho vô số các tác vụ thị giác máy tính. Mã nguồn được duy trì trong kho lưu trữ GitHub chính thức của Ultralytics, đảm bảo các bản cập nhật liên tục và sự ổn định lâu dài.

Tìm hiểu thêm về YOLOv8

Link to this sectionCải tiến kiến trúc#

Link to this sectionYOLOv9: Thông tin Gradient có thể lập trình#

Tính năng xác định của YOLOv9 là sự ra đời của Programmable Gradient Information (PGI) và mạng Generalized Efficient Layer Aggregation Network (GELAN). Khi các mạng thần kinh tích chập ngày càng sâu hơn, chúng thường mất đi thông tin đặc trưng quan trọng trong quá trình truyền tiến. PGI giải quyết nút thắt thông tin này bằng cách duy trì các gradient chính xác được sử dụng để cập nhật trọng số, đảm bảo việc trích xuất đặc trưng đáng tin cậy. Kiến trúc này tối đa hóa hiệu quả tham số, cho phép YOLOv9 đạt được độ chính xác cao với ít phép tính dấu phẩy động (FLOPs) hơn.

Link to this sectionYOLOv8: Cỗ máy đa năng#

YOLOv8 giới thiệu cơ chế phát hiện không cần neo (anchor-free) tinh gọn, giúp giảm số lượng dự đoán hộp (box) và tăng tốc Non-Maximum Suppression (NMS) trong quá trình hậu xử lý. Module C2f (Cross-Stage Partial Bottleneck với hai tích chập) của nó cải thiện luồng gradient trên toàn mạng so với các model cũ. Quan trọng hơn, YOLOv8 được thiết kế với tiêu chí Tính linh hoạt, hỗ trợ nguyên bản các tác vụ phát hiện đối tượng, phân đoạn cá thể, ước tính tư thế, phân loại ảnh và trích xuất hộp bao xoay (OBB).

Link to this sectionCân bằng Hiệu suất và Điểm chuẩn#

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

Khi phân tích các chỉ số, YOLOv9 thể hiện tỷ lệ tham số trên độ chính xác đáng kinh ngạc. Model YOLOv9c đạt mức mAP ấn tượng 53.0% chỉ với 25.3 triệu tham số. Tuy nhiên, YOLOv8 vẫn duy trì lợi thế đáng kể về yêu cầu bộ nhớ và tốc độ suy luận trên các thiết bị tăng tốc phần cứng, đặc biệt là với biến thể YOLOv8n đạt tốc độ 1.47ms trên cấu hình NVIDIA TensorRT.

Link to this sectionLợi thế từ hệ sinh thái Ultralytics#

Một cân nhắc chính khi chọn kiến trúc là Tính dễ sử dụng và hệ sinh thái phần mềm xung quanh. Việc quản lý các phụ thuộc, viết trình tải dữ liệu tùy chỉnh và xử lý các tập lệnh xuất phức tạp có thể làm chậm quá trình phát triển. Hệ sinh thái Ultralytics tích hợp đã trừu tượng hóa các phức tạp này.

Cho dù bạn chọn YOLOv8 hay YOLOv9 (vốn được hỗ trợ đầy đủ trong thư viện Ultralytics), bạn đều được hưởng lợi từ một API thống nhất, các kỹ thuật tăng cường dữ liệu tự động và khả năng xuất định dạng ONNX tinh gọn. Hơn nữa, các kiến trúc Ultralytics thường có Hiệu quả đào tạo được tối ưu hóa cao, tránh tình trạng phình to bộ nhớ CUDA thường thấy ở các model lớn dựa trên kiến trúc Transformer.

Link to this sectionVí dụ về mã nguồn đào tạo#

Việc đào tạo bất kỳ model nào bằng Python API đều rất đơn giản và chỉ cần một vài dòng mã.

from ultralytics import YOLO

# Load the preferred model (swap 'yolov9c.pt' with 'yolov8n.pt' as needed)
model = YOLO("yolov8n.pt")

# Train the model on your custom dataset
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Validate the model's performance metrics
metrics = model.val()

# Export to ONNX for production deployment
model.export(format="onnx")

Link to this sectionCác trường hợp sử dụng và Khuyến nghị#

Việc lựa chọn giữa YOLOv9 và YOLOv8 phụ thuộc vào các yêu cầu dự án cụ thể, hạn chế về triển khai và sở thích về hệ sinh thái của bạn.

Link to this sectionKhi nào nên chọn YOLOv9#

YOLOv9 là lựa chọn mạnh mẽ cho:

• Nghiên cứu Nút thắt Thông tin (Information Bottleneck): Các dự án học thuật nghiên cứu về Programmable Gradient Information (PGI) và kiến trúc Generalized Efficient Layer Aggregation Network (GELAN).
• Nghiên cứu Tối ưu hóa Luồng Gradient: Nghiên cứu tập trung vào việc hiểu và giảm thiểu tình trạng mất thông tin trong các lớp mạng sâu trong quá trình huấn luyện.
• Đo lường Phát hiện Độ chính xác cao: Các kịch bản mà hiệu suất đo lường trên bộ dữ liệu COCO của YOLOv9 cần thiết làm điểm tham chiếu cho các so sánh kiến trúc.

Link to this sectionKhi nào nên chọn YOLOv8#

YOLOv8 được khuyến nghị cho:

• Triển khai đa tác vụ linh hoạt: Các dự án yêu cầu một mô hình đã được chứng minh cho việc phát hiện, phân đoạn, phân loại và ước tính tư thế trong hệ sinh thái Ultralytics.
• Hệ thống sản xuất đã thiết lập: Các môi trường sản xuất hiện có đã được xây dựng trên kiến trúc YOLOv8 với các pipeline triển khai ổn định, đã được kiểm thử tốt.
• Hỗ trợ cộng đồng và hệ sinh thái rộng lớn: Các ứng dụng được hưởng lợi từ các hướng dẫn mở rộng, tích hợp bên thứ ba và tài nguyên cộng đồng tích cực của YOLOv8.

Link to this sectionKhi nào nên chọn Ultralytics (YOLO26)#

Đối với hầu hết các dự án mới, Ultralytics YOLO26 cung cấp sự kết hợp tốt nhất giữa hiệu năng và trải nghiệm nhà phát triển:

• Triển khai Edge không cần NMS: Các ứng dụng yêu cầu suy luận nhất quán, độ trễ thấp mà không có sự phức tạp của hậu xử lý Non-Maximum Suppression.
• Môi trường chỉ dùng CPU: Các thiết bị không có tăng tốc GPU chuyên dụng, nơi suy luận CPU nhanh hơn tới 43% của YOLO26 mang lại lợi thế quyết định.
• Phát hiện vật thể nhỏ: Các kịch bản đầy thách thức như hình ảnh máy bay không người lái trên không hoặc phân tích cảm biến IoT, nơi ProgLoss và STAL tăng cường đáng kể độ chính xác trên các vật thể cực nhỏ.

Link to this sectionHướng tới tương lai: Sự xuất hiện của YOLO26#

Trong khi cả YOLOv8 và YOLOv9 đều vô cùng mạnh mẽ, bối cảnh thị giác máy tính thay đổi rất nhanh. Đối với các triển khai hiện đại, chúng tôi đặc biệt khuyến nghị sử dụng Ultralytics YOLO26, được phát hành vào tháng 1 năm 2026.

YOLO26 đại diện cho một sự thay đổi mô hình trong cách các trình phát hiện đối tượng hoạt động trong môi trường sản xuất. Nó có thiết kế End-to-End NMS-Free nguyên bản, loại bỏ hiệu quả độ trễ và hành vi không xác định của quá trình hậu xử lý. Để hỗ trợ tốt hơn cho phần cứng biên và công suất thấp, YOLO26 tích hợp khả năng Xóa bỏ DFL (Distribution Focal Loss) hoàn toàn, giúp cho việc xuất model sang thiết bị di động trở nên đơn giản hơn đáng kể.

Hơn nữa, YOLO26 sử dụng MuSGD Optimizer mang tính đột phá, một sự kết hợp giữa SGD và Muon mang lại sự ổn định đào tạo cấp LLM cho các tác vụ thị giác máy tính, dẫn đến tốc độ hội tụ nhanh hơn đáng kể. Với khả năng suy luận trên CPU nhanh hơn tới 43% và việc tích hợp ProgLoss + STAL giúp cải thiện đáng kể khả năng nhận dạng vật thể nhỏ, YOLO26 là lựa chọn không thể bàn cãi cho các sáng kiến doanh nghiệp mới.

Tìm hiểu thêm về YOLO26

Link to this sectionCác Ứng dụng Thực tế và Trường hợp Sử dụng#

Việc lựa chọn giữa YOLOv8 và YOLOv9 chủ yếu phụ thuộc vào hạn chế của dự án và phần cứng mục tiêu của bạn.

• Chăm sóc sức khỏe và chẩn đoán hình ảnh y tế: Khi từng pixel đều quan trọng, chẳng hạn như trong các hệ thống phát hiện khối u, kiến trúc GELAN của YOLOv9 bảo toàn các chi tiết tinh vi cực kỳ tốt, giảm thiểu kết quả âm tính giả trong các chẩn đoán quan trọng.
• Phân tích bán lẻ và hàng tồn kho: Đối với các hệ thống siêu thị thông minh theo dõi các kệ hàng dày đặc, YOLOv9 cung cấp mức mAP cần thiết để tách biệt các mặt hàng chồng lấp một cách đáng tin cậy.
• Thành phố thông minh và giám sát giao thông: Trong lĩnh vực logistics và quản lý giao thông tốc độ cao, độ trễ cực thấp và sự mạnh mẽ đã được kiểm chứng của YOLOv8 làm cho nó trở nên lý tưởng để theo dõi phương tiện trên nhiều luồng camera cùng lúc.
• Triển khai tại biên (Edge): Nếu bạn đang triển khai trên các thiết bị hạn chế tài nguyên như Raspberry Pi hoặc phần cứng di động, các khối C2f được tối ưu hóa cao của YOLOv8 (và các tối ưu hóa CPU của YOLO26) cung cấp một pipeline suy luận mượt mà hơn và thân thiện với pin hơn nhiều.