Bắt đầu

YOLOX so với YOLOv8

Lĩnh vực thị giác máy tính đã phát triển nhanh chóng trong tác vụ phát hiện đối tượng thời gian thực trong vài năm qua. Khi các nhà nghiên cứu và kỹ sư tiếp tục cải thiện độ chính xác và tốc độ, việc lựa chọn giữa các model hiện có có thể trở nên khó khăn. Hướng dẫn này đưa ra so sánh kỹ thuật giữa hai kiến trúc có ảnh hưởng lớn: YOLOX và Ultralytics YOLOv8.

Bằng cách phân tích kiến trúc, phương pháp huấn luyện và khả năng triển khai của chúng, nhà phát triển có thể đưa ra quyết định sáng suốt khi chọn framework phù hợp cho các dự án trí tuệ nhân tạo.

YOLOX: Kết nối nghiên cứu với công nghiệp#

YOLOX trở thành một model quan trọng giúp thu hẹp khoảng cách giữa nghiên cứu học thuật và ứng dụng công nghiệp. Model mở đầu cho sự chuyển dịch trở lại sang thiết kế không anchor, giúp giảm đáng kể số lượng tham số thiết kế và mức tinh chỉnh heuristic cần thiết so với các bộ phát hiện dựa trên anchor trước đó.

Thông tin model:

Điểm nổi bật về kiến trúc#

YOLOX tích hợp một số thay đổi quan trọng giúp model khác biệt với các thế hệ trước. Đáng chú ý nhất là head tách biệt, chia các tác vụ phân loại và hồi quy hộp giới hạn thành các nhánh riêng. Lựa chọn kiến trúc này giảm xung đột giữa việc căn chỉnh không gian cần thiết cho hồi quy và tính bất biến tịnh tiến cần thiết cho phân loại, giúp tăng tốc độ hội tụ trong quá trình huấn luyện.

Ngoài ra, YOLOX sử dụng chiến lược gán nhãn SimOTA. Phương pháp gán động này mô hình hóa việc ghép đối tượng ground truth với các dự đoán thành bài toán vận tải tối ưu, giúp giảm thời gian huấn luyện đồng thời cải thiện độ chính xác trung bình (mAP). Model cũng sử dụng các kỹ thuật tăng cường dữ liệu mạnh như MixUp và Mosaic, nhưng đáng chú ý là tắt các kỹ thuật này trong những epoch cuối để ổn định các đặc trưng đã học.

Tìm hiểu thêm về YOLOX

YOLOv8: Tiêu chuẩn hệ sinh thái linh hoạt#

Dựa trên nhiều năm nghiên cứu liên tục, Ultralytics YOLOv8 là bước tiến lớn của các model Ultralytics. Model được thiết kế ngay từ đầu không chỉ như một bộ phát hiện đối tượng mà còn là framework đa tác vụ toàn diện, có khả năng xử lý nhiều thách thức nhận dạng hình ảnh với API dễ sử dụng.

Thông tin model:

Những cải tiến về kiến trúc#

YOLOv8 giới thiệu kiến trúc tinh gọn, thay module C3 bằng module C2f hiệu quả hơn, cải thiện luồng gradient và trích xuất đặc trưng mà không làm tăng đáng kể số lượng tham số. Giống YOLOX, YOLOv8 sử dụng thiết kế không anchor và head tách biệt; tuy nhiên, model cải tiến cách tính loss bằng cách kết hợp Distribution Focal Loss (DFL) và CIoU loss, từ đó dự đoán hộp giới hạn chặt hơn, đặc biệt với các đối tượng nhỏ hoặc chồng lấn.

Hệ sinh thái Ultralytics

Một trong những điểm mạnh lớn nhất của YOLOv8 là tích hợp sâu với hệ sinh thái Ultralytics. Dù sử dụng Python API thống nhất hay giao diện trực quan của Ultralytics Platform, quá trình chuyển từ huấn luyện sang triển khai đều đơn giản; model hỗ trợ nguyên bản các định dạng từ ONNX đến TensorRT.

Ngoài phát hiện đối tượng tiêu chuẩn, YOLOv8 hỗ trợ nguyên bản phân đoạn đối tượng, phân loại hình ảnh, ước tính tư thế và hộp giới hạn có hướng (OBB). Tính linh hoạt đa tác vụ này khiến model trở thành lựa chọn hấp dẫn cho môi trường production phức tạp, nơi cần duy trì nhiều loại model.

So sánh hiệu năng và chỉ số#

Khi so sánh các model này, nhà phát triển cần cân nhắc sự đánh đổi giữa độ chính xác, độ trễ suy luận và chi phí tính toán. Bảng dưới đây minh họa kết quả benchmark của cả hai dòng model.

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
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

YOLOv8 luôn đạt mAP cao hơn YOLOX ở số lượng tham số tương đương, đồng thời duy trì tốc độ GPU tốt. Ngoài ra, các model Ultralytics nổi tiếng với yêu cầu bộ nhớ thấp hơn trong quá trình huấn luyện. Đây là lợi thế quan trọng khi tăng batch size trên phần cứng phổ thông, đặc biệt khi so sánh với các kiến trúc Transformer tiêu tốn nhiều tài nguyên như RT-DETR, vốn dùng nhiều CUDA memory hơn đáng kể.

Trải nghiệm phát triển và triển khai#

Làm việc với các codebase nghiên cứu cũ thường đòi hỏi cấu hình môi trường phức tạp và viết mã mẫu tùy chỉnh cho suy luận. Ngược lại, Ultralytics API đơn giản hóa quy trình này chỉ còn vài dòng Python.

from ultralytics import YOLO

# Khởi tạo model YOLOv8 small
model = YOLO("yolov8s.pt")

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

# Đánh giá độ chính xác của model
metrics = model.val()

# Chạy suy luận trên ảnh kiểm thử
predictions = model("https://ultralytics.com/images/bus.jpg")
predictions[0].show()

Giao diện hợp nhất này là đặc trưng của hệ sinh thái Ultralytics được duy trì tốt, giúp nhà phát triển dành ít thời gian hơn để gỡ lỗi môi trường và nhiều thời gian hơn để cải tiến giải pháp thị giác máy tính.

Trường hợp sử dụng và khuyến nghị#

Việc chọn YOLOX hay YOLOv8 phụ thuộc vào yêu cầu cụ thể của dự án, các ràng buộc triển khai và lựa chọn hệ sinh thái của bạn.

Khi nào nên chọn YOLOX#

YOLOX là lựa chọn phù hợp khi:

  • Nghiên cứu phát hiện không anchor: Nghiên cứu học thuật sử dụng kiến trúc không anchor rõ ràng của YOLOX làm baseline để thử nghiệm các head phát hiện hoặc hàm loss mới.
  • Thiết bị biên siêu nhẹ: Triển khai trên vi điều khiển hoặc phần cứng di động đời cũ, nơi kích thước cực nhỏ của biến thể YOLOX-Nano (0.91M tham số) là yếu tố then chốt.
  • Nghiên cứu gán nhãn SimOTA: Các dự án nghiên cứu tìm hiểu chiến lược gán nhãn dựa trên vận tải tối ưu và ảnh hưởng của chúng đến quá trình hội tụ khi huấn luyện.

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 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.

Hướng tới tương lai: Kiến trúc YOLO26#

YOLOv8 mang lại sự cân bằng tốt giữa độ chính xác và khả năng sử dụng, nhưng AI vẫn đang phát triển nhanh chóng. YOLO26, phát hành vào tháng 1 năm 2026, là model được khuyến nghị cho triển khai biên và cloud hiện đại, kế thừa nền tảng của các thế hệ trước.

YOLO26 giới thiệu thiết kế end-to-end không dùng NMS: head một-một tùy chọn (nms=False) bỏ qua bước hậu xử lý NMS theo heuristic, mang lại độ trễ ổn định và có thể dự đoán trên nhiều mục tiêu triển khai. Sau khi loại bỏ module Distribution Focal Loss (DFL), YOLO26n đạt tốc độ suy luận CPU nhanh hơn đến 43% so với YOLO11n, khiến YOLO26 trở thành lựa chọn mạnh cho hệ thống nhúng và ứng dụng di động.

YOLO26 cũng cải thiện độ ổn định khi huấn luyện với optimizer MuSGD, kết hợp SGD và Muon để tăng tốc hội tụ. Với ProgLoss + STAL (Progressive Loss và Gán nhãn nhận biết đối tượng nhỏ), YOLO26 cải thiện khả năng phát hiện đối tượng nhỏ, yếu tố thiết yếu đối với lập bản đồ bằng drone và hệ thống báo động an ninh.

Kết luận và khuyến nghị#

YOLOX là bước tiến quan trọng trong quá trình chuyển đổi sang các phương pháp không anchor, nhưng việc thiếu hệ sinh thái đa tác vụ tích hợp hạn chế khả năng sử dụng trong môi trường production có nhịp độ nhanh.

Với nhà phát triển ưu tiên trải nghiệm mượt mà, hỗ trợ tác vụ linh hoạt và sự hậu thuẫn mạnh mẽ của cộng đồng, YOLOv8 vẫn là lựa chọn đáng tin cậy. Tuy nhiên, với những ai muốn tối đa hóa hiệu năng điện toán biên, loại bỏ nút thắt NMS và đạt độ chính xác cao nhất bằng các cải tiến huấn luyện mới nhất, YOLO26 là model được khuyến nghị cho mọi dự án thị giác máy tính mới.

Nếu muốn tìm hiểu các model khác trong bộ Ultralytics, bạn cũng có thể xem đặc tính hiệu năng của YOLO11 hoặc đọc về phương pháp không NMS được giới thiệu trong YOLOv10.

Người đóng góp

Bình luận1

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

  1. zaraquinnatGitHub(đã chỉnh sửa)

    Excellent technical comparison! YOLOX introduced some innovative ideas like decoupled heads and anchor-free design, which definitely influenced later models. However, this YOLOv8 comparison shows how v8 builds on such advancements with a cleaner architecture, better task flexibility, and improved performance across various benchmarks. Both have their strengths depending on the application.