Bắt đầu

YOLOX và YOLOv5

Việc chọn model phát hiện đối tượng phù hợp là quyết định quan trọng đối với mọi dự án thị giác máy tính. Hướng dẫn này đưa ra so sánh kỹ thuật giữa hai model có ảnh hưởng lớn: YOLOX của Megvii và Ultralytics YOLOv5. Bằng cách phân tích kiến trúc, chỉ số hiệu năng và hệ sinh thái huấn luyện, hướng dẫn giúp nhà phát triển và nhà nghiên cứu đưa ra lựa chọn sáng suốt cho môi trường triển khai cụ thể.

Giới thiệu các model#

Cả hai model đều xuất hiện trong giai đoạn phát hiện đối tượng thời gian thực phát triển nhanh chóng, nhưng sử dụng các phương pháp kiến trúc khác nhau để đạt hiệu năng.

YOLOX: Phương pháp không dùng anchor#

Được các nhà nghiên cứu Zheng Ge, Songtao Liu, Feng Wang, Zeming Li và Jian Sun tại Megvii phát hành ngày 18 tháng 7 năm 2021, YOLOX tạo ra bước chuyển đáng kể khi rời xa hộp anchor truyền thống. Được trình bày trong báo cáo kỹ thuật arXiv, YOLOX kết hợp thiết kế không anchor với head tách biệt và chiến lược gán nhãn SimOTA. Thiết kế này nhằm thu hẹp khoảng cách giữa nghiên cứu học thuật và ứng dụng công nghiệp, đồng thời mang lại hiệu năng mạnh trên các bộ dữ liệu tiêu chuẩn.

Tìm hiểu thêm về YOLOX

YOLOv5: Tiêu chuẩn cho AI thị giác trong môi trường production#

Do Glenn Jocher phát triển và được Ultralytics phát hành ngày 26 tháng 6 năm 2020, YOLOv5 nhanh chóng trở thành một trong những model thị giác máy tính được triển khai rộng rãi nhất. Được xây dựng nguyên bản trên framework PyTorch, model giúp nhiều người tiếp cận AI tiên tiến hơn nhờ tính dễ sử dụng, tốc độ huấn luyện nhanh và kho mã được hoàn thiện tốt. Kiến trúc YOLOv5 cân bằng tốc độ, độ chính xác và tính dễ triển khai, được ưa chuộng trong nhiều ứng dụng, từ thiết bị biên đến các triển khai cloud quy mô lớn.

Khác biệt về kiến trúc#

Hiểu rõ những khác biệt cốt lõi về cơ chế giữa các mạng này sẽ làm sáng tỏ lý do chúng có hiệu năng khác nhau ở nhiều tác vụ.

Không dùng anchor và dùng anchor#

Điểm khác biệt rõ nhất là cơ chế không anchor của YOLOX. Các model dựa trên anchor truyền thống như YOLOv5 sử dụng hộp anchor định trước để dự đoán hộp giới hạn, đòi hỏi phân tích phân cụm trên bộ dữ liệu huấn luyện để xác định kích thước anchor tối ưu. YOLOX loại bỏ bước này và dự đoán trực tiếp tọa độ hộp giới hạn tại từng vị trí không gian. Phương pháp không anchor giảm số lượng tham số thiết kế và mức tinh chỉnh heuristic, trong khi phương pháp dựa trên anchor được hoàn thiện của YOLOv5, với sự hỗ trợ của tính năng auto-anchor, cho phép hội tụ huấn luyện ổn định và dễ dự đoán ngay từ đầu.

Head tách biệt và head kết hợp#

YOLOX sử dụng head tách biệt, nghĩa là các tác vụ phân loại và hồi quy được chia thành những nhánh mạng neural riêng biệt. Các tác giả cho rằng cách này giải quyết xung đột giữa việc học đặc trưng không gian và ngữ nghĩa. Ngược lại, YOLOv5 sử dụng head kết hợp được tối ưu hóa cao (trong các phiên bản trước), giúp tối đa hóa hiệu quả tính toán và giảm độ trễ suy luận — yếu tố then chốt cho điện toán biên thời gian thực.

Quá trình phát triển kiến trúc

Dù YOLOX tiên phong với head tách biệt vào năm 2021, Ultralytics sau đó đã áp dụng và cải tiến kiến trúc tách biệt trong các model tiếp theo như YOLOv8 và YOLO26.

Chiến lược gán nhãn#

YOLOX sử dụng SimOTA để gán nhãn, trong đó việc ghép các đối tượng ground truth với dự đoán được mô hình hóa thành bài toán vận tải tối ưu. Cơ chế gán động này cải thiện khả năng xử lý các cảnh đông đúc. YOLOv5 sử dụng phương pháp gán dựa trên quy tắc hình dạng có độ tin cậy cao, đảm bảo các mẫu dương chất lượng cao luôn được đưa vào hàm loss, góp phần giúp quá trình huấn luyện ổn định.

Hiệu năng và benchmark#

Sự đánh đổi giữa tốc độ và độ chính xác là phép thử then chốt đối với các kiến trúc này. Bảng dưới đây minh họa hiệu năng của nhiều kích thước model trên các benchmark tiêu chuẩn.

Modelkích thước
(pixel)
mAPval50-95Tốc độ
CPU ONNX
(ms)
Tốc độ
T4 TensorRT10
(ms)
params
(M)
FLOPs
(B)
YOLOXnano41625.8--0.911.08
YOLOXtiny41632.8--5.066.45
YOLOXs64040.5-2.569.026.8
YOLOXm64046.9-5.4325.373.8
YOLOXl64049.7-9.0454.2155.6
YOLOXx64051.1-16.199.1281.9
YOLOv5n64028.0-1.121.94.5
YOLOv5s64037.4-1.927.216.5
YOLOv5m64045.4-4.0321.249.0
YOLOv5l64049.0-6.6146.5109.1
YOLOv5x64050.7-11.8986.7205.7

YOLOX chính xác hơn ở các kích thước từ s đến x, trong khi YOLOv5 nhanh hơn trên T4 TensorRT ở mọi kích thước. Chẳng hạn, YOLOv5s chạy trong 1.92 ms, so với 2.56 ms của YOLOXs; điều này rất quan trọng đối với các ứng dụng thời gian thực, nơi mỗi mili giây đều có ý nghĩa.

Lợi thế của Ultralytics: Huấn luyện và khả năng sử dụng#

Khi chuyển từ nghiên cứu sang production, hệ sinh thái xung quanh model thường cũng quan trọng như chính model đó. Ở khía cạnh này, những lợi thế của hệ sinh thái Ultralytics rất rõ ràng.

Trải nghiệm người dùng tinh gọn#

YOLOv5 được biết đến rộng rãi nhờ trải nghiệm dành cho developer đơn giản, dễ dùng. Python API của Ultralytics và CLI cho phép bạn tải, huấn luyện và triển khai model chỉ với vài dòng code. Ngược lại, chạy YOLOX từ kho lưu trữ GitHub của Megvii đòi hỏi cấu hình thủ công nhiều hơn cho các biến môi trường, thiết lập đường dẫn Python phức tạp và làm quen với đường cong học tập dốc hơn, vốn thường thấy ở các codebase nghiên cứu học thuật.

Hiệu quả huấn luyện và yêu cầu bộ nhớ#

Các model Ultralytics được thiết kế để giảm thiểu mức sử dụng bộ nhớ trong quá trình huấn luyện. YOLOv5 cần ít bộ nhớ CUDA hơn đáng kể so với các model Transformer có nhiều tham số như RT-DETR hoặc các model nghiên cứu chưa được tối ưu hóa. Nhờ đó, developer có thể huấn luyện với batch size lớn hơn trên phần cứng phổ thông, đẩy nhanh chu kỳ phát triển lặp.

Tính linh hoạt trên nhiều tác vụ#

Trong khi YOLOX chỉ là một framework phát hiện đối tượng, hệ sinh thái Ultralytics đã phát triển YOLOv5 để hỗ trợ nhiều tác vụ thị giác. Ngay khi sử dụng, bạn có thể thực hiện phát hiện đối tượng, phân đoạn đối tượng và phân loại hình ảnh bằng cùng cú pháp API.

Đổi mới liên tục

Nếu cần các tác vụ nâng cao hơn như ước tính tư thế hoặc phát hiện hộp giới hạn định hướng (OBB), hãy cân nhắc nâng cấp lên Ultralytics YOLO26, model hỗ trợ sẵn các tác vụ này với độ chính xác cao.

So sánh mã#

Sự khác biệt về khả năng sử dụng được thể hiện rõ nhất qua code.

Huấn luyện với YOLOv5:

from ultralytics import YOLO

# Tải model YOLOv5s đã được huấn luyện trước
model = YOLO("yolov5su.pt")  # YOLOv5u: weight YOLOv5 không anchor dành cho package ultralytics

# Huấn luyện model trên dataset ví dụ COCO8
model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Chạy suy luận trên một ảnh
results = model("https://ultralytics.com/images/zidane.jpg")

# Hiển thị kết quả
results[0].show()

Huấn luyện với YOLOX: (Yêu cầu tự clone repository, cài đặt setup.py và sử dụng các tham số CLI phức tạp)

# Example YOLOX training command
python tools/train.py -f exps/default/yolox_s.py -d 1 -b 64 --fp16 -o

Phương pháp tiếp cận của Ultralytics giảm bớt trở ngại, cho phép bạn tập trung vào dataset và logic ứng dụng thay vì gỡ lỗi các file cấu hình. Tính năng theo dõi thử nghiệm cũng được tích hợp sẵn thông qua các tích hợp dành cho Weights & Biases và Comet ML.

Trường hợp sử dụng lý tưởng và ứng dụng thực tế#

Việc lựa chọn giữa các model này phụ thuộc vào môi trường vận hành của dự án.

Điểm mạnh của YOLOX#

YOLOX vẫn là lựa chọn phù hợp trong môi trường học thuật, nơi các nhà nghiên cứu chủ động nghiên cứu mô hình không dùng anchor hoặc chiến lược gán nhãn. YOLOX cũng hữu ích trong các tình huống mà khả năng phát hiện cảnh đông đúc là chỉ số chính, còn tốc độ triển khai trên edge ít quan trọng hơn.

Ưu thế của YOLOv5#

YOLOv5 là lựa chọn đã được kiểm chứng cho triển khai thực tế.

  • Sản xuất tốc độ cao: Đối với phát hiện lỗi trên dây chuyền lắp ráp, độ trễ suy luận thấp của YOLOv5 trên GPU edge giúp kiểm tra sản phẩm mà không làm chậm băng chuyền.
  • Drone và ảnh hàng không: Mức sử dụng bộ nhớ hiệu quả cho phép model chạy trên các máy tính đồng hành nhỏ gọn của drone, phục vụ những tác vụ như giám sát nông nghiệp và theo dõi động vật hoang dã.
  • Bán lẻ thông minh: Từ thanh toán tự động đến quản lý hàng tồn kho, YOLOv5 dễ dàng xuất sang TensorRT và ONNX để triển khai hàng loạt trên hàng nghìn camera tại cửa hàng.

Nhìn về phía trước: Ưu thế của YOLO26#

YOLOv5 vẫn được sử dụng rộng rãi, nhưng lĩnh vực AI phát triển nhanh chóng. Nếu bắt đầu một dự án mới hôm nay, Ultralytics khuyến nghị sử dụng thế hệ model Ultralytics mới nhất.

Ra mắt vào tháng 1 năm 2026, Ultralytics YOLO26 có thiết kế tùy chọn end-to-end không cần NMS (nms=False), loại bỏ nhu cầu hậu xử lý bằng Non-Maximum Suppression (NMS) và đơn giản hóa logic triển khai. Sau khi loại bỏ Distribution Focal Loss (DFL), YOLO26n đạt tốc độ suy luận CPU nhanh hơn YOLO11n tới 43%, trong khi bộ tối ưu MuSGD cải thiện độ ổn định khi huấn luyện và ProgLoss + STAL (hàm loss lũy tiến và phương pháp gán nhãn nhận biết mục tiêu nhỏ) cải thiện độ chính xác trên các đối tượng nhỏ.

Dù chọn YOLOv5 hay YOLO26, Nền tảng Ultralytics cung cấp các công cụ để đưa giải pháp thị giác máy tính từ ý tưởng đến production, còn tài liệu Ultralytics hướng dẫn từng bước trong pipeline.

Người đóng góp

Bình luận

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