Ultralytics YOLO27:

So sánh model#

Việc lựa chọn đúng kiến trúc neural network là nền tảng cho mọi dự án thị giác máy tính thành công. Chào mừng bạn đến với Ultralytics Model Comparison Hub! Trang này tập trung 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 yêu cầu độ trễ tính bằng mili giây của edge AI hay độ chính xác cao cần thiết cho hình ảnh y tế, hướng dẫn này cung cấp các phân tích dựa trên dữ liệu để đưa ra lựa chọn phù hợp. Chúng tôi đánh giá model dựa trên độ chính xác trung bình (mAP), tốc độ inference, hiệu quả tham số và mức độ dễ triển khai.

Benchmark hiệu năng tương tác#

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

Biểu đồ này trực quan hóa các metric hiệu năng chính, giúp bạn nhanh chóng đánh giá những đánh đổi giữa các model khác nhau. Việc hiểu các metric này là nền tảng để lựa chọn model phù hợp với các ràng buộc triển khai cụ thể của bạn.

Hướng dẫn quyết định nhanh#

Chưa biết bắt đầu từ đâu? Hãy sử dụng cây quyết định này để thu hẹp kiến trúc phù hợp nhất với phần cứng và yêu cầu hiệu năng của bạn.

graph TD
    A[Start: Define Project Needs]:::start --> B{Deployment Hardware?}:::decide
    B -- "Edge / Mobile (CPU/NPU)" --> C{Latency Priority?}:::decide
    B -- "Cloud / GPU" --> D{Accuracy vs Speed?}:::decide

    C -- "Extreme Speed (Real-time)" --> E[YOLO26n / YOLO26s]:::out
    C -- "Balanced Legacy" --> F[YOLO11s / YOLOv8s]:::out

    D -- "Max Accuracy (SOTA)" --> G[YOLO26x / YOLO26l]:::out
    D -- "Balanced Performance" --> H[YOLO26m / YOLO11m]:::out

    A --> I{Specialized Features?}:::decide
    I -- "NMS-Free Inference" --> J[YOLO26 / YOLOv10]:::out
    I -- "Multitask (Seg/Pose/OBB)" --> K[YOLO26 / YOLO11]:::out
    I -- "Video Analytics" --> L[YOLO26 + Tracking]:::out

    classDef start fill:#4CAF50,color:#fff
    classDef decide fill:#FF9800,color:#fff
    classDef out fill:#9C27B0,color:#fff

Bối cảnh hiện tại: YOLO26 và hơn thế nữa#

Lĩnh vực phát hiện đối tượng thay đổi nhanh chóng. Mặc dù các model cũ vẫn phù hợp cho việc hỗ trợ hệ thống legacy, những kiến trúc mới đang mở rộng giới hạn của những gì có thể thực hiện.

Ultralytics YOLO26#

Được phát hành vào tháng 1 năm 2026, YOLO26 là model tiên tiến nhất hiện nay và là điểm khởi đầu được khuyến nghị cho mọi dự án mới. Model này giới thiệu các cải tiến kiến trúc đột phá, bao gồm thiết kế end-to-end không cần NMS, loại bỏ nhu cầu hậu xử lý ức chế phi cực đại, nhờ đó mang lại 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 cho việc triển khai edge.

Các cải tiến chính bao gồm:

  • End-to-End không cần NMS: Đơn giản hóa việc triển khai mà không cần hậu xử lý
  • Loại bỏ DFL: Tối ưu hóa quy trình export sang ONNX, TensorRT và CoreML
  • Optimizer MuSGD: Optimizer SGD/Muon kết hợp, lấy cảm hứng từ quá trình huấn luyện LLM để hội tụ ổn định
  • ProgLoss + STAL: Cải thiện hiệu năng phát hiện đối tượng nhỏ
Tại sao nên chọn YOLO26?

YOLO26 đại diện cho đỉnh cao kỹ thuật của Ultralytics, kết hợp hiệu quả của CNN với các khả năng end-to-end tương tự Transformer. Model hỗ trợ mọi task—phát hiện, phân đoạn, ước lượng tư thế, phân loại 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, giảm 22% số lượng tham số so với YOLOv8 đồng thời cải thiện độ chính xác phát hiện. Model được hỗ trợ đầy đủ và khuyến nghị cho người dùng cần độ ổn định đã được kiểm chứng hoặc đang có các pipeline YOLO11 hiện hữu.

Các 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 hay repository của cộng đồng.

Lưu ý khi sử dụng trong production

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

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


Watch: YOLO Models Comparison: Ultralytics YOLO11 vs. YOLOv10 vs. YOLOv9 vs. Ultralytics YOLOv8

So sánh model chi tiết#

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

YOLO26 so với#

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

YOLO11 so với#

YOLO11 phát triển dựa trên thành công của các phiên bản tiền nhiệm, ứng dụng những nghiên cứu tiên tiến. Model có kiến trúc backbone và neck được cải tiến để trích xuất feature tốt hơn và tối ưu hiệu quả.

YOLOv10 so với#

Được phát triển bởi Đại học Thanh Hoa, YOLOv10 tập trung loại bỏ bước ức chế phi cực đại (NMS) để giảm biến thiên độ trễ, 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 layer hiệu quả tổng quát hóa (GELAN) để giải quyết tình trạng mất thông tin trong các neural network sâu.

YOLOv8 so với#

Ultralytics YOLOv8 vẫn là lựa chọn rất phổ biến, sở hữu kiến trúc backbone và neck tiên tiến cùng head tách anchor-free để tối ưu sự cân bằng giữa độ chính xác và tốc độ.

YOLOv7 so với#

YOLOv7 giới thiệu "tập hợp các thành phần miễn phí có thể huấn luyện" và tái tham số hóa model, tập trung tối ưu hóa quy trình huấn luyện mà không làm tăng chi phí suy luận.

YOLOv6 so với#

YOLOv6 của Meituan được thiết kế cho các ứng dụng công nghiệp, tích hợp các mô-đun Kết nối Hai chiều (BiC) và các chiến lược huấn luyện có hỗ trợ anchor.

YOLOv5 so với#

Ultralytics YOLOv5 được đánh giá cao nhờ tính dễ sử dụng, độ ổn định và tốc độ. Đây vẫn là lựa chọn mạnh mẽ cho các dự án yêu cầu 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, nổi bật trong việc hiểu 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 biệt để cân bằng hiệu quả với độ chính xác.

DAMO-YOLO so với#

DAMO-YOLO của Alibaba Group sử dụng Tìm kiếm Kiến trúc Neural (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 biến thể không dùng anchor, nổi tiếng với head tách biệt và chiến lược gán nhãn SimOTA.

EfficientDet so với#

EfficientDet của Google Brain sử dụng scaling tổ hợp và BiFPN để tối ưu hóa hiệu quả tham số, cung cấp một dải model (D0-D7) cho các ràng buộc khác nhau.

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

Những người đóng góp
GLglenn-jocher15PDpderrenger1RIRizwanMunawar1

Bình luận