Bắt đầu

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. Ultralytics Model Comparison Hub tập hợp các phân tích kỹ thuật chi tiết và benchmark hiệu năng, đánh giá sự đánh đổi giữa Ultralytics YOLO26 mới nhất với 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 tế, hướng dẫn này cung cấp dữ liệu cần thiết để bạn đưa ra lựa chọn sáng suốt. Các model được đánh giá dựa trên độ chính xác trung bình trung bình (mAP), tốc độ suy luận, 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 để bạn nhanh chóng đánh giá sự đánh đổi giữa các model. Hiểu rõ những chỉ số này là yếu tố thiết yếu để chọn model phù hợp với các giới hạn triển khai 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 thay đổi nhanh chóng. Dù các model cũ vẫn phù hợp với những hệ thống đã triển khai, các kiến trúc mới liên tục cải thiện tốc độ và độ chính xác.

Ultralytics YOLO26#

Ra mắt vào tháng 1 năm 2026, YOLO26 là model Ultralytics mới nhất và là lựa chọn khởi đầu được khuyến nghị cho mọi dự án mới. Model này giới thiệu các cải tiến kiến trúc, trong đó có Thiết kế đầu-cuối không cần NMS tùy chọn (nms=False), loại bỏ nhu cầu hậu xử lý bằng Loại bỏ hộp giới hạn không tối đa (NMS), nhờ đó thời gian suy luận nhanh hơn và ổn định hơn. YOLO26n nhanh hơn tới 43% trên CPU so với YOLO11n, khiến YOLO26 đặc biệt phù hợp để triển khai ở biên.

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 kết hợp hiệu quả của CNN với các khả năng đầu-cuối tương tự Transformer. Model hỗ trợ mọi tác vụ của Ultralytics (phát hiện, phân đoạn thực thể và ngữ nghĩa, ước lượng độ sâu, phân loại, ước lượng tư thế và OBB), đồng thời nhỏ hơn, nhanh hơn và dễ triển khai hơn các thế hệ trước.

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 được hỗ trợ đầy đủ và 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#

Hãy xem các phần so sánh kỹ thuật bên dưới để hiểu những khác biệt cụ thể về kiến trúc, chẳng hạn như lựa chọn backbone, thiết kế head và hàm loss. Nội dung được sắp xếp theo model:

YOLO26 so với#

YOLO26 là model Ultralytics mới nhất, có khả năng phát hiện đầu-cuối không cần NMS, bộ tối ưu MuSGD và tốc độ suy luận CPU của YOLO26n nhanh hơn tới 43% so với YOLO11n. Model được tối ưu cho triển khai ở biên mà vẫn đạt độ chính xác cao.

YOLO11 so với#

YOLO11 kế thừa thành công của các thế hệ trước. Model có kiến trúc backbone và neck được cải tiến để trích xuất đặc trưng tốt hơn và tăng hiệu quả.

YOLOv10 so với#

Được phát triển bởi Đại học Thanh Hoa, YOLOv10 tập trung loại bỏ bước NMS để giảm biến thiên độ trễ, mang lại hiệu năng cao 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) nhằm giải quyết tình trạng mất thông tin trong các mạng nơ-ron sâu.

YOLOv8 so với#

Ultralytics YOLOv8 vẫn là lựa chọn rất phổ biến. Kiến trúc của model kết hợp backbone và neck tiên tiến với head tách nhánh không dùng anchor, tạo nên sự cân bằng tốt giữa độ chính xác và tốc độ.

YOLOv7 so với#

YOLOv7 giới thiệu “tập hợp các thủ thuật miễn phí có thể huấn luyện” và kỹ thuật tái tham số hóa model, tập trung tối ưu 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, với các module Ghép nối hai chiều (BiC) và chiến lược huấn luyện có hỗ trợ anchor.

YOLOv5 so với#

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

RT-DETR so với#

RT-DETR (Transformer phát hiện thời gian thực) kết hợp backbone CNN với encoder-decoder Transformer để đạt độ chính xác cao cùng hiệu năng thời gian thực, đặc biệt hiệu quả 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#

Được phát triển bởi Alibaba Group, DAMO-YOLO sử dụng Tìm kiếm kiến trúc mạng (NAS) và neck RepGFPN hiệu quả để cân bằng độ trễ và độ chính xác.

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.

Danh mục này được cập nhật khi có model mới và các benchmark được tinh chỉnh. Đối với triển khai doanh nghiệp cần giấy phép riêng, hãy xem trang cấp phép Ultralytics.

Bình luận

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