Ultralytics YOLO27:
Get Started

So sánh model#

Lựa chọn kiến trúc mạng nơ-ron phù hợp là nền tảng của mọi dự án thị giác máy tính thành công. Chào mừng bạn đến với Trung tâm so sánh model Ultralytics! Trang này tập hợp các phân tích kỹ thuật chi tiết và benchmark hiệu năng, phân tích những đánh đổi giữa Ultralytics YOLO26 mới nhất và các kiến trúc hàng đầu khác như YOLO11, YOLOv10, RT-DETR và EfficientDet.

Dù ứng dụng của bạn đòi hỏi độ trễ tính bằng mili giây của AI biên hay độ chính xác cao cần thiết cho chẩn đoán hình ảnh y khoa, hướng dẫn này cung cấp thông tin chi tiết dựa trên dữ liệu để đưa ra lựa chọn sáng suốt. Chúng tôi đánh giá model dựa trên độ chính xác trung bình trung bình (mAP), tốc độ inference, hiệu quả sử dụng tham số và mức độ dễ triển khai.

Benchmark hiệu năng tương tác#

Trực quan hóa mối quan hệ giữa tốc độ và độ chính xác là điều thiết yếu để xác định "biên Pareto" của bài toán phát hiện đối tượng — tức các model đạt độ chính xác tốt nhất trong một giới hạn tốc độ nhất định. Biểu đồ dưới đây đối chiếu các chỉ số chính trên những dataset tiêu chuẩn như COCO.

Biểu đồ này trực quan hóa các chỉ số hiệu năng chính, giúp bạn nhanh chóng đánh giá sự đánh đổi giữa các model khác nhau. Hiểu rõ các chỉ số này là nền tảng để chọn model phù hợp với những giới hạn triển khai cụ thể của bạn.

Hướng dẫn lựa chọn nhanh#

Bạn chưa biết nên bắt đầu từ đâu? Dùng cây quyết định này để thu hẹp lựa chọn kiến trúc phù hợp nhất với phần cứng và yêu cầu hiệu năng của bạn.

Bối cảnh hiện tại: YOLO26 và các thế hệ tiếp theo#

Lĩnh vực phát hiện đối tượng phát triển rất nhanh. Dù các model cũ vẫn phù hợp với nhu cầu hỗ trợ hệ thống cũ, những kiến trúc mới đang mở rộng giới hạn của những gì có thể thực hiện.

Ultralytics YOLO26#

Ra mắt vào tháng 1 năm 2026, YOLO26 là model tiên tiến nhất hiện nay và là lựa chọn khởi đầu được khuyến nghị cho mọi dự án mới. Model này giới thiệu những cải tiến kiến trúc đột phá, bao gồm Thiết kế End-to-End không cần NMS tùy chọn (nms=False), loại bỏ nhu cầu hậu xử lý Non-Maximum Suppression, nhờ đó thời gian inference nhanh hơn và dễ dự đoán hơn. YOLO26 nhanh hơn tới 43% trên CPU so với các thế hệ trước, rất phù hợp để triển khai trên edge.

Các cải tiến chính bao gồm:

  • End-to-End không cần NMS: Đơn giản hóa quy trình triển khai mà không cần hậu xử lý NMS (nms=False)
  • Loại bỏ DFL: Đơn giản hóa việc export sang ONNX, TensorRT và CoreML
  • Optimizer MuSGD: Optimizer SGD/Muon lai, lấy cảm hứng từ quá trình huấn luyện LLM để hội tụ ổn định
  • ProgLoss + STAL: Cải thiện hiệu năng phát hiện vật thể nhỏ
Vì sao nên chọn YOLO26?

YOLO26 là đỉnh cao trong kỹ thuật của Ultralytics, kết hợp hiệu quả của CNN với các khả năng end-to-end tương tự Transformer. Model hỗ trợ mọi tác vụ—phát hiện, phân đoạn instance và ngữ nghĩa, ước tính độ sâu, phân loại, ước tính tư thế và OBB—đồng thời nhỏ hơn, nhanh hơn và dễ triển khai hơn bao giờ hết.

Ultralytics YOLO11#

YOLO11 vẫn là một model có năng lực cao: YOLO11m sử dụng ít hơn 22% tham số so với YOLOv8m nhưng đạt độ chính xác phát hiện cao hơn. Model này được hỗ trợ đầy đủ và được khuyến nghị cho người dùng cần độ ổn định đã được kiểm chứng hoặc đang có pipeline YOLO11.

Model cộng đồng: Lưu ý về YOLO12 và YOLO13#

Bạn có thể bắt gặp các tham chiếu đến YOLO12 hoặc YOLO13 trong các cuộc thảo luận hoặc repository của cộng đồng.

Lưu ý khi sử dụng trong môi trường production

Hiện tại, chúng tôi không khuyến nghị sử dụng YOLO12 hoặc YOLO13 trong môi trường production.

  • YOLO12: Sử dụng các lớp attention, thường gây mất ổn định khi huấn luyện, tiêu tốn quá nhiều bộ nhớ và làm tốc độ inference trên CPU chậm hơn đáng kể.
  • YOLO13: Các kết quả benchmark cho thấy độ chính xác chỉ tăng nhẹ so với YOLO11, trong khi model có kích thước lớn hơn và tốc độ chậm hơn. Các kết quả được báo cáo cho thấy vấn đề về khả năng tái lập.


Xem: So sánh các model YOLO: Ultralytics YOLO11 với YOLOv10, YOLOv9 và Ultralytics YOLOv8

So sánh chi tiết các model#

Khám phá các bài so sánh kỹ thuật chuyên sâu để tìm hiểu những khác biệt cụ thể về kiến trúc, chẳng hạn như lựa chọn backbone, thiết kế head và hàm loss. Chúng tôi sắp xếp nội dung theo model để bạn dễ dàng truy cập:

YOLO26 so với#

YOLO26 là model mới nhất của Ultralytics, nổi bật với khả năng phát hiện end-to-end không cần NMS, optimizer MuSGD và tốc độ inference trên CPU nhanh hơn tới 43%. Model được tối ưu cho triển khai trên edge, đồng thời đạt độ chính xác tiên tiến nhất.

YOLO11 so với#

YOLO11 phát huy thành công của các phiên bản tiền nhiệm với những nghiên cứu tiên tiến. Model có kiến trúc backbone và neck được cải tiến để trích xuất đặc trưng tốt hơn và nâng cao hiệu quả.

YOLOv10 so với#

Được phát triển bởi Đại học Thanh Hoa, YOLOv10 tập trung loại bỏ bước Non-Maximum Suppression (NMS) để giảm biến thiên độ trễ, đồng thời mang lại hiệu năng tiên tiến nhất với chi phí tính toán thấp hơn.

YOLOv9 so với#

YOLOv9 giới thiệu Thông tin Gradient Có thể Lập trình (PGI) và Mạng Tổng hợp Lớp Hiệu quả Tổng quát (GELAN) để giải quyết tình trạng mất thông tin trong mạng neural sâu.

YOLOv8 so với#

Ultralytics YOLOv8 vẫn là lựa chọn rất phổ biến, với kiến trúc backbone và neck tiên tiến cùng head phân nhánh không anchor, mang lại sự cân bằng tối ưu giữa độ chính xác và tốc độ.

YOLOv7 so với#

YOLOv7 giới thiệu “tập hợp các kỹ thuật miễn phí có thể huấn luyện” và kỹ thuật tái tham số hóa model, tập trung tối ưu hóa quy trình huấn luyện mà không làm tăng chi phí inference.

YOLOv6 so với#

YOLOv6 của Meituan được thiết kế cho các ứng dụng công nghiệp, nổi bật với các module Ghép nối hai chiều (BiC) và chiến lược huấn luyện có hỗ trợ anchor.

YOLOv5 so với#

Ultralytics YOLOv5 nổi bật nhờ tính dễ sử dụng, độ ổn định và tốc độ. Đây vẫn là lựa chọn đáng tin cậy cho các dự án cần khả năng tương thích rộng với nhiều thiết bị.

RT-DETR so với#

RT-DETR (Transformer phát hiện thời gian thực) tận dụng vision Transformer để đạt độ chính xác cao với hiệu năng thời gian thực, đồng thời vượt trội trong việc nắm bắt ngữ cảnh toàn cục.

PP-YOLOE+ so với#

PP-YOLOE+ do Baidu phát triển, sử dụng Học căn chỉnh tác vụ (TAL) và một head tách rời để cân bằng hiệu quả và độ chính xác.

DAMO-YOLO so với#

DAMO-YOLO của Alibaba Group sử dụng Tìm kiếm kiến trúc mạng nơ-ron (NAS) và RepGFPN hiệu quả để tối đa hóa độ chính xác trên các benchmark tĩnh.

YOLOX so với#

YOLOX do Megvii phát triển là một phiên bản cải tiến không dùng anchor, nổi bật với head tách rời và chiến lược gán nhãn SimOTA.

EfficientDet so với#

EfficientDet của Google Brain sử dụng scaling tổ hợp và BiFPN để tối ưu hiệu quả tham số, cung cấp nhiều model (D0-D7) phù hợp với các giới hạn khác nhau.

Chỉ mục này được cập nhật liên tục khi các model mới được phát hành và benchmark được cải tiến. Chúng tôi khuyến khích bạn khám phá các tài nguyên này để tìm lựa chọn phù hợp nhất cho dự án thị giác máy tính tiếp theo. Nếu bạn đang tìm kiếm các giải pháp cấp doanh nghiệp với giấy phép riêng, vui lòng truy cập trang Cấp phép. Chúc bạn so sánh hiệu quả!

Người đóng góp
GLglenn-jocher17PDpderrenger1RIRizwanMunawar1

Bình luận