YOLOX so với YOLOv9
Lĩnh vực thị giác máy tính được định hình bởi những cải tiến kiến trúc liên tục nhằm cân bằng hiệu quả tính toán với độ chính xác cao. Khi đánh giá các model phát hiện đối tượng thời gian thực, sự so sánh giữa YOLOX của Megvii và YOLOv9 của Academia Sinica làm nổi bật hai triết lý phát triển deep learning khác biệt. YOLOX phổ biến hóa thiết kế không anchor, trong khi YOLOv9 giới thiệu các kỹ thuật thông tin gradient để tối đa hóa khả năng lưu giữ thông tin.
Hướng dẫn kỹ thuật này tìm hiểu sự khác biệt về kiến trúc, benchmark hiệu năng và trường hợp sử dụng phù hợp của hai model, đồng thời cho thấy Ultralytics Platform và model YOLO26 là những lựa chọn mạnh hơn cho triển khai production.
YOLOX: Tiên phong với mô hình không anchor#
Được phát hành vào giữa năm 2021, YOLOX là bước tiến lớn trong việc thu hẹp khoảng cách giữa nghiên cứu học thuật và ứng dụng công nghiệp. Bằng cách loại bỏ nhu cầu sử dụng hộp anchor định trước, model này đơn giản hóa đáng kể việc tinh chỉnh heuristic cần thiết cho các bộ dữ liệu tùy chỉnh.
- Tác giả: Zheng Ge, Songtao Liu, Feng Wang, Zeming Li và Jian Sun
- Tổ chức: Megvii
- Ngày phát hành: 18 tháng 7, 2021
- Tham khảo: Bài báo arXiv
- Mã nguồn: Kho lưu trữ YOLOX trên GitHub
- Tài liệu: Tài liệu chính thức về YOLOX
Các cải tiến kiến trúc#
YOLOX đưa ra một số thay đổi quan trọng cho pipeline phát hiện tiêu chuẩn. Model triển khai head tách biệt, phân chia tác vụ phân loại và hồi quy, qua đó giảm đáng kể xung đột giữa việc nhận diện đối tượng và xác định ranh giới của đối tượng. YOLOX cũng áp dụng SimOTA, một chiến lược gán nhãn động phân bổ các mẫu dương trong quá trình huấn luyện, giúp hội tụ nhanh hơn và cải thiện hiệu năng tổng thể trên các bộ dữ liệu benchmark tiêu chuẩn.
Ưu điểm và hạn chế#
Điểm mạnh chính của YOLOX nằm ở thiết kế đơn giản. Cơ chế không anchor giúp nhà phát triển giảm thời gian chạy các thuật toán phân cụm để tìm kích thước anchor tối ưu cho dữ liệu cụ thể. Tuy nhiên, vì là kiến trúc cũ được xây dựng nguyên bản khi chưa có những tiến bộ gần đây về self-attention hay đường truyền gradient, model không đạt hiệu quả tham số như các mạng mới hơn. Model cũng không hỗ trợ sẵn các tác vụ nâng cao như phân đoạn đối tượng và ước tính tư thế trong một API thống nhất.
YOLOv9: Tối đa hóa thông tin gradient#
Năm 2024, YOLOv9 giới thiệu phương pháp tiếp cận dựa trên lý thuyết cho bài toán nút thắt thông tin vốn có trong các mạng neural tích chập sâu.
- Tác giả: Chien-Yao Wang và Hong-Yuan Mark Liao
- Tổ chức: Viện Khoa học Thông tin, Academia Sinica
- Ngày phát hành: 21 tháng 2, 2024
- Tham khảo: Bài báo arXiv
- Mã nguồn: Kho lưu trữ YOLOv9 trên GitHub
- Tài liệu: Tài liệu Ultralytics YOLOv9
Các cải tiến kiến trúc#
Đặc điểm nổi bật của YOLOv9 là Thông tin Gradient Có thể Lập trình (PGI), giúp ngăn thông tin ngữ nghĩa quan trọng bị mất khi truyền qua nhiều lớp của mạng. Kết hợp với Mạng Tập hợp Lớp Hiệu quả Tổng quát (GELAN), YOLOv9 đạt tỷ lệ tham số trên độ chính xác cao. Nhờ đó, model duy trì gradient chính xác để cập nhật trọng số và hoạt động hiệu quả ngay cả ở các biến thể nhẹ.
Ưu điểm và hạn chế#
YOLOv9 mang lại độ chính xác model cao, với điểm mAP mạnh trên COCO khiến model được các nhà nghiên cứu ưa chuộng. Tuy nhiên, dù hiệu quả, YOLOv9 vẫn dựa vào Non-Maximum Suppression (NMS) truyền thống để hậu xử lý, làm phát sinh độ trễ biến động trong quá trình suy luận. Với các kỹ sư tập trung triển khai AI trên thiết bị biên, việc quản lý logic NMS làm pipeline triển khai phức tạp hơn.
Các model truyền thống như YOLOX và YOLOv9 cần ức chế phi cực đại (NMS) để lọc các bounding box trùng lặp. Bước này vốn có tính tuần tự và thường tạo nút thắt trên CPU, cho thấy nhu cầu về các kiến trúc đầu-cuối nguyên bản có trong những model Ultralytics mới nhất.
So sánh hiệu năng#
Khi so sánh các chỉ số tính toán thô của những kiến trúc này, có thể thấy YOLOv9 cung cấp baseline hiện đại hơn, trong khi YOLOX vẫn là lựa chọn nhẹ cho các hệ thống cũ. Dưới đây là phân tích chi tiết các model tiêu chuẩn của chúng.
| Model | kích thước (pixel) | mAPval50-95 | Tốc độ CPU ONNX (ms) | Tốc độ T4 TensorRT10 (ms) | params (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOXnano | 416 | 25.8 | - | - | 0.91 | 1.08 |
| YOLOXtiny | 416 | 32.8 | - | - | 5.06 | 6.45 |
| YOLOXs | 640 | 40.5 | - | 2.56 | 9.0 | 26.8 |
| YOLOXm | 640 | 46.9 | - | 5.43 | 25.3 | 73.8 |
| YOLOXl | 640 | 49.7 | - | 9.04 | 54.2 | 155.6 |
| YOLOXx | 640 | 51.1 | - | 16.1 | 99.1 | 281.9 |
| 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 |
Dù YOLOv9 có độ chính xác cao hơn ở số lượng tham số tương đương, nhà phát triển muốn đạt sự cân bằng tốt nhất giữa tốc độ, độ chính xác và tính dễ sử dụng nên cân nhắc những cải tiến mới nhất từ Ultralytics.
Lợi thế của Ultralytics: Khám phá YOLO26#
Dù việc đánh giá các model trước đây như YOLOX và YOLOv9 mang lại bối cảnh hữu ích, model Ultralytics hiện được khuyến nghị là Ultralytics YOLO26, phát hành vào tháng 1 năm 2026, với pipeline phát hiện được thiết kế lại cho môi trường production hiện đại.
Các cải tiến kiến trúc#
YOLO26 giải quyết các nút thắt hậu xử lý của những thế hệ trước bằng thiết kế end-to-end không dùng NMS tùy chọn (nms=False), giúp đơn giản hóa quá trình triển khai trên nhiều loại phần cứng. YOLO26 cũng loại bỏ Distribution Focal Loss (DFL) để đơn giản hóa việc export, đồng thời tích hợp Optimizer MuSGD, kết hợp Stochastic Gradient Descent và Muon để huấn luyện ổn định hơn.
Với nhà phát triển triển khai trên các môi trường hạn chế như Raspberry Pi, YOLO26n cho tốc độ suy luận CPU nhanh hơn đến 43% so với YOLO11n. Model cũng giới thiệu ProgLoss + STAL (Progressive Loss và Gán nhãn nhận biết đối tượng nhỏ), giúp cải thiện khả năng phát hiện đối tượng nhỏ, yếu tố thiết yếu đối với ảnh chụp từ trên không và phân tích drone.
Hệ sinh thái phát triển tinh gọn#
Khác với các kho mã nghiên cứu độc lập, hệ sinh thái Ultralytics mang đến trải nghiệm phát triển tinh gọn. Với Ultralytics Python API, kỹ sư có thể giảm đáng kể lượng code boilerplate; việc sử dụng bộ nhớ tối ưu cũng cho phép huấn luyện model mạnh mẽ với ít GPU VRAM hơn các kiến trúc phụ thuộc nhiều vào attention.
from ultralytics import YOLO
# Tải model YOLO26 small được tối ưu cao, không cần NMS
model = YOLO("yolo26s.pt")
# Huấn luyện trên dataset tùy chỉnh với mức sử dụng bộ nhớ tối thiểu
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Dễ dàng export sang các định dạng triển khai đã tối ưu
model.export(format="engine", quantize=16) # Xuất sang TensorRTNgoài phát hiện đối tượng, YOLO26 hỗ trợ nhiều tác vụ trong cùng framework. Dù cần Hộp giới hạn có hướng (OBB) chính xác cho ảnh vệ tinh hay mask pixel chi tiết cho phân tích ảnh y tế, quy trình làm việc vẫn như nhau. Các nhóm đang sử dụng quy trình thế hệ trước cũng có thể dùng Ultralytics YOLO11, model vẫn được hỗ trợ đầy đủ.
Trường hợp sử dụng lý tưởng và chiến lược triển khai#
Việc chọn kiến trúc phù hợp phụ thuộc vào môi trường triển khai mục tiêu và yêu cầu của dự án.
Điện toán biên và robot#
Trên các thiết bị công suất thấp, sử dụng model đòi hỏi hậu xử lý nặng có thể ảnh hưởng đến hiệu năng. YOLOX-Nano tuy rất nhỏ nhưng thường không đủ chính xác cho các tác vụ trọng yếu về an toàn. YOLO26 là lựa chọn mạnh hơn trong trường hợp này; head không DFL và khả năng tùy chọn suy luận không NMS cho phép model chạy mượt trên các luồng CPU, phù hợp với robot tự hành hoặc quản lý bãi đỗ xe thông minh.
Đánh giá benchmark học thuật#
Nếu mục tiêu duy nhất là phân tích luồng gradient và nghiên cứu các nút thắt của mạng sâu, YOLOv9 vẫn là đối tượng nghiên cứu xuất sắc. Framework PGI cung cấp thông tin hữu ích về cách bảo toàn đặc trưng qua các lớp mạng neural sâu, khiến model trở thành công cụ giá trị cho các nhà nghiên cứu đại học tìm hiểu lý thuyết tích chập.
Phân tích video doanh nghiệp#
Với các tác vụ xử lý video quy mô lớn như hệ thống báo động an ninh hoặc giám sát giao thông, tốc độ và khả năng export linh hoạt là yếu tố thiết yếu. Các công cụ export nguyên bản của framework Ultralytics cho phép nhóm biên dịch YOLO26 trực tiếp sang TensorRT hoặc OpenVINO chỉ bằng một lệnh, rút ngắn thời gian đưa sản phẩm ra thị trường.
Với hệ sinh thái Ultralytics, các nhóm machine learning có thể tránh sự phức tạp của các codebase nghiên cứu thô và tập trung trực tiếp vào việc xây dựng ứng dụng AI thực tế có khả năng mở rộng.
Bình luận
Đặt câu hỏi, chia sẻ kết quả hoặc giúp đỡ người khác.