YOLO: Một thập kỷ tiến hóa của phát hiện đối tượng thời gian thực

Contents

YOLO, viết tắt của You Only Look Once, là một họ mô hình thị giác máy tính được thiết kế để phát hiện nhanh đối tượng trong ảnh hoặc video. Khác với các phương pháp cũ phải trải qua nhiều bước, YOLO xử lý toàn bộ ảnh chỉ trong một lượt suy luận, nên rất nhanh và phù hợp với các ứng dụng thời gian thực như xe tự lái hay camera an ninh.

Quá trình phát triển và các phiên bản

YOLO khởi đầu với YOLOv1 vào năm 2016 và đã được cập nhật đến YOLOv12 vào năm 2025. Mỗi phiên bản kế thừa phiên bản trước, đồng thời cải thiện tốc độ lẫn độ chính xác. Chẳng hạn, YOLOv3 xử lý đối tượng nhỏ tốt hơn; YOLOv12 bổ sung các cơ chế attention để nâng cao hiệu năng. Những cập nhật này giúp YOLO linh hoạt hơn, với chỉ số mean average precision (mAP) tăng dần theo thời gian và đạt khoảng 40,6% với YOLOv12-N trên bộ dữ liệu COCO.

Ứng dụng

YOLO được dùng trong nhiều lĩnh vực: lái xe tự động để nhận diện xe cộ và người đi bộ; giám sát để theo dõi khu vực đông người; và ảnh y khoa để phát hiện bệnh. Một ứng dụng ít được nhắc đến là nông nghiệp, nơi YOLO hỗ trợ theo dõi sức khỏe cây trồng và phát hiện sâu bệnh, cho thấy phạm vi tác động rộng của mô hình này.

Ghi chú khảo sát: Phân tích toàn diện các mô hình thị giác máy tính YOLO

Giới thiệu và bối cảnh

Phát hiện đối tượng là một nền tảng của thị giác máy tính: nhận biết và xác định vị trí của đối tượng trong ảnh hoặc video. Ứng dụng của nó trải rộng từ xe tự lái, giám sát, ảnh y khoa đến nhiều lĩnh vực khác. Khung You Only Look Once (YOLO), được Joseph Redmon và Ali Farhadi giới thiệu năm 2016, trở thành một giải pháp nổi bật nhờ khả năng thời gian thực và sự cân bằng giữa tốc độ với độ chính xác. Cách tiếp cận một tầng của YOLO xử lý ảnh trong một lượt truyền xuôi, khác với các bộ phát hiện hai tầng như Faster R-CNN vốn phải tạo vùng đề xuất trước rồi mới phân loại. Hiệu quả này khiến YOLO phù hợp với các tình huống đòi hỏi quyết định nhanh như giám sát video và xe tự lái.

Sự phát triển của phát hiện đối tượng đã chuyển từ các phương pháp truyền thống như Viola–Jones sang các phương pháp dựa trên học sâu. Ý nghĩa của YOLO nằm ở khả năng phát hiện thời gian thực: dùng mạng nơ-ron tích chập (CNN) để đồng thời dự đoán hộp bao và xác suất lớp. Phần khảo sát này xem xét chi tiết quá trình phát triển từ YOLOv1 đến YOLOv12, thông số kỹ thuật, ứng dụng, thách thức và hướng đi tương lai, nhằm cung cấp cái nhìn đầy đủ cho nhà nghiên cứu và người thực hành.

Phân tích chi tiết các phiên bản

Họ YOLO đã trải qua nhiều lần lặp quan trọng; mỗi lần đều khắc phục hạn chế và nâng cao hiệu năng.

YOLOv1 (2016). Kiến trúc chia ảnh thành lưới 7×7; mỗi ô dự đoán 2 hộp bao và xác suất lớp cho 20 lớp của Pascal VOC. Mô hình dùng CNN gồm 24 lớp tích chập và 2 lớp kết nối đầy đủ. Ảnh đầu vào 448×448, mAP xấp xỉ 63,4% trên Pascal VOC 2007. Đây là khái niệm phát hiện một tầng đầu tiên: nhanh nhưng kém chính xác hơn bộ phát hiện hai tầng.

YOLOv2 (2017). Phiên bản này bổ sung batch normalization, ảnh đầu vào độ phân giải cao hơn 416×416 và anchor box để dự đoán hộp bao tốt hơn. Còn được gọi là YOLO9000, nó có thể nhận diện hơn 9.000 nhóm đối tượng. Mô hình dùng mạng ImageNet tiền huấn luyện, đạt mAP khoảng 73,4% trên Pascal VOC 2007, cải thiện độ chính xác và khả năng tổng quát hóa, đặc biệt với đối tượng nhỏ.

YOLOv3 (2018). YOLOv3 dùng backbone Darknet-53, phát hiện đa tỉ lệ qua feature pyramid, dự đoán ba hộp bao cho mỗi ô lưới và dùng logistic activation cho tọa độ hộp bao. Mô hình đạt mAP khoảng 80,2% trên COCO, nhận diện đối tượng nhỏ tốt hơn và ổn định hơn YOLOv2.

YOLOv4 (2020). Do Alexey Bochkovskiy phát triển, YOLOv4 dùng backbone CSPDarknet53, Mish activation và DropBlock regularization. Mô hình đạt mAP 43,5% trên COCO, tập trung tối ưu cả tốc độ lẫn độ chính xác và vượt YOLOv3 về độ chính xác trong khi vẫn hiệu quả tính toán.

YOLOv5 (2020). Được triển khai bằng PyTorch, YOLOv5 cung cấp các kích cỡ small, medium và large cho những nhu cầu hiệu năng khác nhau. Mô hình dùng các kỹ thuật như mosaic data augmentation và label smoothing; mAP khoảng 49,0% trên COCO và suy luận nhanh hơn trên GPU. Sự dễ dùng khiến YOLOv5 rất phổ biến cho việc huấn luyện tùy biến trên tập dữ liệu riêng.

YOLOv6 (2022). Phiên bản này tập trung cân bằng tốc độ và độ chính xác bằng backbone, neck, hàm loss và tối ưu huấn luyện mới. YOLOv6 đạt mAP khoảng 50,2% trên COCO, cải thiện thời gian suy luận và phù hợp với ứng dụng công nghiệp.

YOLOv7 (2022). YOLOv7 nhấn mạnh tốc độ huấn luyện lẫn suy luận với các phép tích chập song song và tuần tự. Mô hình công bố mAP khoảng 51,4% trên COCO, nhanh hơn các phiên bản trước và được tối ưu cho hiệu năng thời gian thực.

YOLOv8 (2023). Phiên bản này có backbone và neck mới, thêm automatic mixed precision cùng khả năng segmentation qua YOLOv8-seg. Mô hình đạt mAP khoảng 52,5% trên COCO, tiếp tục cải thiện độ chính xác, tốc độ và triển khai trên thiết bị biên.

YOLOv9 (2024). YOLOv9 giới thiệu Programmable Gradient Information (PGI) và Generalized Efficient Layer Aggregation Network (GELAN), với bốn biến thể v9-S, v9-M, v9-C và v9-E. mAP thay đổi theo biến thể; v9-E đạt độ chính xác cao và tối ưu cho phát hiện đối tượng thời gian thực, đồng thời giảm các nút thắt thông tin.

YOLOv10 (2024). Đây là mô hình phát hiện đối tượng end-to-end, loại bỏ non-maximum suppression (NMS) nhờ cơ chế gán kép nhất quán, đồng thời bổ sung large-kernel convolution và partial self-attention. YOLOv10-S nhanh hơn RT-DETR-R18 1,8 lần với AP tương tự trên COCO, ít tham số và FLOP hơn, nhờ đó giảm độ trễ và tăng hiệu quả cho ứng dụng thời gian thực.

YOLOv11 (2024). Do Ultralytics phát triển, YOLOv11 cải thiện trích xuất đặc trưng, đạt độ chính xác cao hơn với số tham số ít hơn YOLOv8m 22%. Mô hình hỗ trợ nhiều tác vụ như ước lượng tư thế và phát hiện đối tượng có hướng, bắt chi tiết tốt hơn, xử lý nhanh hơn và linh hoạt cho nhiều bài toán thị giác máy tính.

YOLOv12 (2025). YOLOv12 lấy attention làm trung tâm, đạt tốc độ tương đương mô hình dựa trên CNN trong khi tận dụng cơ chế attention, Area Attention và Residual Efficient Layer Aggregation Networks (R-ELAN). YOLOv12-N đạt 40,6% mAP với độ trễ 1,64 ms trên GPU T4; cao hơn YOLOv10-N/YOLOv11-N lần lượt 2,1%/1,2% mAP ở tốc độ tương đương. Đây là cột mốc mới cho độ chính xác và hiệu quả, phù hợp với hệ thống tự hành và an ninh.

Tóm tắt các chỉ số chính

Phiên bản	Năm	Backbone	Kích thước đầu vào	mAP (COCO)	Tốc độ suy luận	Đặc điểm nổi bật
YOLOv1	2016	CNN tùy biến	448×448	~63,4%	~45 FPS (Titan X)	Một tầng, nhanh nhưng kém chính xác hơn
YOLOv2	2017	CNN cải tiến	416×416	~73,4%	~67 FPS (Titan X)	Batch norm, anchor box
YOLOv3	2018	Darknet-53	416×416	~80,2%	~51 FPS (Titan X)	Đa tỉ lệ, feature pyramid
YOLOv4	2020	CSPDarknet53	608×608	~43,5%	~65 FPS (Titan V)	Mish, DropBlock
YOLOv5	2020	Tương tự CSPDarknet53	640×640	~49,0%	~140 FPS (V100)	PyTorch, mosaic augmentation
YOLOv6	2022	Backbone mới	640×640	~50,2%	~200 FPS (V100)	Cân bằng tốc độ–độ chính xác
YOLOv7	2022	Tích chập song song	640×640	~51,4%	~160 FPS (V100)	Tối ưu huấn luyện và thời gian thực
YOLOv8	2023	Backbone mới	640×640	~52,5%	~280 FPS (V100)	Segmentation, mixed precision
YOLOv9	2024	GELAN	Thay đổi	Thay đổi	Thay đổi	PGI, GELAN, nhiều biến thể
YOLOv10	2024	Backbone mới	Thay đổi	Thay đổi	Nhanh hơn RT-DETR-R18 1,8×	Không NMS, large-kernel convolution
YOLOv11	2024	Backbone nâng cấp	Thay đổi	Cao hơn	Nhanh hơn	Ít tham số, đa tác vụ
YOLOv12	2025	R-ELAN	Thay đổi	40,6% (N)	1,64 ms (T4)	Attention-centric, Area Attention

Lưu ý: Các chỉ số là xấp xỉ và có thể thay đổi theo phần cứng, tập dữ liệu; hãy xem bài báo gốc để có số liệu chính xác.

Ứng dụng thực tế

Khả năng thời gian thực giúp YOLO được triển khai ở nhiều lĩnh vực, không chỉ xe tự lái hay giám sát mà còn nông nghiệp và ảnh y khoa.

Xe tự lái: phát hiện xe, người đi bộ và biển báo giao thông theo thời gian thực — yếu tố quan trọng cho điều hướng an toàn, như trong các triển khai của Tesla.
Giám sát: theo dõi khu vực đông người, phát hiện hoạt động đáng ngờ và tăng cường hệ thống an ninh tại sân bay, không gian công cộng.
Ảnh y khoa: hỗ trợ phát hiện COVID-19, ung thư vú và khối u, nâng cao hiệu quả chẩn đoán.
Nông nghiệp: theo dõi sức khỏe cây trồng, phát hiện sâu bệnh, đếm trái cây, hỗ trợ nông nghiệp chính xác; YOLOv4 đã được điều chỉnh cho phát hiện bệnh cây trồng.
Tự động hóa công nghiệp: đảm bảo kiểm soát chất lượng và phát hiện lỗi trong sản xuất, nâng hiệu quả dây chuyền.

Những ứng dụng này cho thấy tính linh hoạt của YOLO; việc sử dụng trong nông nghiệp là minh chứng rõ cho khả năng thích nghi với các lĩnh vực chuyên biệt.

Thách thức và hạn chế

Dù đã tiến bộ đáng kể, YOLO vẫn có một số thách thức ảnh hưởng đến hiệu năng ngoài thực tế:

Phát hiện đối tượng nhỏ: hiệu năng có thể giảm với đối tượng nhỏ hoặc ở xa, đặc biệt trong cảnh đông đúc, do cách tiếp cận dựa trên lưới.
Khả năng tổng quát hóa: mô hình có thể gặp khó với lớp mới hoặc chưa từng thấy nếu không huấn luyện lại, làm giảm tính linh hoạt trong môi trường động.
Yêu cầu tính toán: huấn luyện các mô hình lớn như YOLOv12 tốn nhiều tài nguyên, gây khó khi triển khai ở thiết bị biên.
Độ nhạy với điều kiện: các biến thể như YOLOv11 có thể nhạy với thay đổi ánh sáng hoặc môi trường, ảnh hưởng độ tin cậy.

Các hạn chế này gợi mở hướng nghiên cứu như tăng độ bền vững trước biến thiên môi trường và giảm nhu cầu tính toán.

Hướng phát triển tương lai

Tương lai của YOLO nằm ở việc xử lý các thách thức này và mở rộng khả năng:

Tích hợp với tác vụ khác: kết hợp phát hiện đối tượng với segmentation, tracking hoặc ước lượng tư thế — như trong YOLOv11 — để tạo mô hình đa tác vụ.
Kiến trúc dựa trên Transformer: khai thác Transformer để trích xuất đặc trưng và hiểu ngữ cảnh tốt hơn, từ đó tăng độ chính xác ở cảnh phức tạp.
Triển khai biên: tối ưu mô hình cho smartphone hoặc thiết bị IoT có tài nguyên hạn chế để mở rộng ứng dụng.
Khía cạnh đạo đức: xử lý thiên lệch trong phát hiện đối tượng, bảo đảm công bằng và giảm các vấn đề đạo đức trong ứng dụng như giám sát.

Những phát triển gần đây như YOLO-World cho phát hiện zero-shot thời gian thực cho thấy xu hướng hướng tới các mô hình linh hoạt, thích nghi tốt hơn.

Kết luận

Họ mô hình YOLO đã thúc đẩy mạnh mẽ phát hiện đối tượng thời gian thực, tiến hóa từ YOLOv1 đến YOLOv12 với mỗi phiên bản đều cải thiện tốc độ, độ chính xác và khả năng ứng dụng. Tác động của YOLO trải rộng qua xe tự lái, giám sát, ảnh y khoa, nông nghiệp và tự động hóa công nghiệp; các ứng dụng trong nông nghiệp chính xác đặc biệt cho thấy tính linh hoạt của mô hình. Dù các thách thức như phát hiện đối tượng nhỏ và yêu cầu tính toán vẫn còn, nghiên cứu đang tiếp tục xử lý chúng, có thể thông qua Transformer và tối ưu cho triển khai biên. Khi thị giác máy tính tiếp tục phát triển, YOLO vẫn sẽ là một khung nền tảng, thúc đẩy đổi mới và giải pháp thực tiễn trong nhiều lĩnh vực.