Bắt đầu

PP-YOLOE+ và YOLO11

Thị giác máy tính không ngừng phát triển để đáp ứng nhu cầu về model nhanh hơn, chính xác hơn và hiệu quả hơn. Với nhà phát triển và nhà nghiên cứu giải quyết các tác vụ phát hiện đối tượng, việc chọn kiến trúc phù hợp là yếu tố then chốt. Phần so sánh này phân tích hai model nổi bật: PP-YOLOE+ và Ultralytics YOLO11.

Bằng cách so sánh kiến trúc, chỉ số hiệu năng và trường hợp sử dụng phù hợp nhất, hướng dẫn này giúp bạn đưa ra quyết định sáng suốt cho lần triển khai machine learning tiếp theo.

Nguồn gốc model và tổng quan kỹ thuật#

Cả hai model đều bắt nguồn từ nghiên cứu nghiêm túc và quá trình kỹ thuật chuyên sâu, nhưng thuộc về những hệ sinh thái hoàn toàn khác nhau. Sau đây là thông tin cơ bản về từng model.

Tổng quan về PP-YOLOE+#

Được các nhà nghiên cứu tại Baidu phát triển, PP-YOLOE+ là phiên bản tiếp nối PP-YOLOE trước đó, được thiết kế để cải thiện khả năng phát hiện thời gian thực trong hệ sinh thái PaddlePaddle.

Tìm hiểu thêm về PP-YOLOE+

Tổng quan về YOLO11#

YOLO11, do Ultralytics tạo ra, là bước tiến đáng kể về tính dễ sử dụng và độ chính xác. Model phát triển dựa trên chuỗi kiến trúc thành công, được tối ưu để mang lại trải nghiệm nhà phát triển mượt mà và tính linh hoạt đa tác vụ.

Bạn có biết?

Ultralytics YOLO11 hỗ trợ nhiều hơn chỉ phát hiện đối tượng. Ngay khi sử dụng, bạn có thể thực hiện Phân đoạn Instance, Ước tính Tư thế và phát hiện Bounding Box Định hướng (OBB) bằng cùng một API.

So sánh kiến trúc và hiệu năng#

Khi so sánh hai detector này, điều quan trọng là không chỉ xem xét các con số thô mà còn phải hiểu lựa chọn kiến trúc ảnh hưởng thế nào đến triển khai model trong thực tế.

Kiến trúc PP-YOLOE+#

PP-YOLOE+ phụ thuộc nhiều vào framework PaddlePaddle. Model sử dụng thiết kế không anchor với backbone CSPRepResNet và Mạng Tập hợp Đường dẫn (PAN) đã sửa đổi. Biến thể "+" cải tiến phiên bản tiền nhiệm bằng cách tích hợp tiền huấn luyện trên dataset quy mô lớn (như Objects365) và TaskAlignedAssigner cải tiến. Dù đạt mean Average Precision (mAP) cao, sự phụ thuộc chặt chẽ vào PaddlePaddle có thể gây trở ngại cho các nhóm đã quen với môi trường PyTorch hoặc TensorFlow.

Kiến trúc YOLO11#

Ultralytics YOLO11 được xây dựng trực tiếp trên PyTorch, tiêu chuẩn ngành cho deep learning hiện đại. Kiến trúc tập trung mạnh vào Cân bằng Hiệu năng, đạt được sự đánh đổi thuận lợi giữa tốc độ và độ chính xác, phù hợp với nhiều tình huống triển khai thực tế. YOLO11 có module C3k2 được tối ưu để cải thiện luồng gradient và head tách rời xử lý hiệu quả riêng biệt các tác vụ phân loại và hồi quy. YOLO11 cũng được thiết kế để cần ít bộ nhớ hơn, với mức sử dụng bộ nhớ trong huấn luyện và inference thấp hơn đáng kể so với các model Transformer phức tạp như RT-DETR.

Bảng chỉ số hiệu năng#

Bảng sau nêu bật khác biệt về hiệu năng ở nhiều quy mô model. Lưu ý YOLO11 thường đạt mAP tương đương hoặc cao hơn, đồng thời giảm đáng kể số lượng tham số và FLOPs.

Modelkích thước
(pixel)
mAPval50-95Tốc độ
CPU ONNX
(ms)
Tốc độ
T4 TensorRT10
(ms)
params
(M)
FLOPs
(B)
PP-YOLOE+t64039.9-2.844.8519.15
PP-YOLOE+s64043.7-2.627.9317.36
PP-YOLOE+m64049.8-5.5623.4349.91
PP-YOLOE+l64052.9-8.3652.2110.07
PP-YOLOE+x64054.7-14.398.42206.59
YOLO11n64039.556.11.52.66.5
YOLO11s64047.090.02.59.421.6
YOLO11m64051.5183.24.720.168.1
YOLO11l64053.4238.66.225.387.2
YOLO11x64054.7462.811.356.9195.3

Trường hợp sử dụng và khuyến nghị#

Việc lựa chọn PP-YOLOE+ hay YOLO11 phụ thuộc vào yêu cầu cụ thể của dự án, ràng buộc triển khai và lựa chọn hệ sinh thái của bạn.

Khi nào nên chọn PP-YOLOE+#

PP-YOLOE+ là lựa chọn phù hợp trong các trường hợp:

  • Tích hợp hệ sinh thái PaddlePaddle: Các tổ chức có hạ tầng hiện hữu được xây dựng trên framework và bộ công cụ PaddlePaddle của Baidu.
  • Triển khai biên bằng Paddle Lite: Triển khai lên phần cứng có kernel suy luận được tối ưu hóa cao, dành riêng cho Paddle Lite hoặc inference engine Paddle.
  • Phát hiện độ chính xác cao phía máy chủ: Các kịch bản ưu tiên độ chính xác phát hiện tối đa trên máy chủ GPU mạnh, nơi sự phụ thuộc vào framework không phải vấn đề đáng lo ngại.

Khi nào nên chọn YOLO11#

YOLO11 được khuyến nghị cho:

  • Triển khai biên trong môi trường production: Các ứng dụng thương mại trên thiết bị như Raspberry Pi hoặc NVIDIA Jetson, nơi độ tin cậy và hoạt động bảo trì liên tục là ưu tiên hàng đầu.
  • Ứng dụng thị giác đa tác vụ: Các dự án cần phát hiện, phân đoạn, ước lượng tư thế và OBB trong cùng một framework thống nhất.
  • Tạo mẫu và triển khai nhanh: Các nhóm cần nhanh chóng chuyển từ thu thập dữ liệu sang production bằng Ultralytics Python API tinh gọn.

Khi nào nên chọn Ultralytics (YOLO26)#

Với hầu hết dự án mới, Ultralytics YOLO26 mang đến sự kết hợp tốt nhất giữa hiệu năng và trải nghiệm dành cho nhà phát triển:

  • Triển khai trên thiết bị biên không cần NMS: Các ứng dụng cần inference có độ trễ thấp và ổn định mà không phải xử lý hậu kỳ Non-Maximum Suppression phức tạp.
  • Môi trường chỉ có CPU: Các thiết bị không có tăng tốc GPU chuyên dụng, nơi khả năng inference CPU nhanh hơn YOLO11n đến 43% của YOLO26n tạo ra lợi thế rõ rệt.
  • Phát hiện vật thể nhỏ: Các tình huống khó như ảnh chụp từ drone trên không hoặc phân tích cảm biến IoT, trong đó ProgLoss và STAL cải thiện đáng kể độ chính xác khi phát hiện vật thể rất nhỏ.

Lợi thế của Ultralytics#

Dù benchmark học thuật rất quan trọng, thành công lâu dài của một dự án AI phụ thuộc nhiều vào hệ sinh thái xung quanh model. Ultralytics Platform mang lại những lợi thế rõ rệt cho cả nhà phát triển lẫn doanh nghiệp.

  1. Dễ sử dụng: Ultralytics loại bỏ những phần phức tạp của deep learning. Trải nghiệm người dùng tinh gọn và API Python đơn giản cho phép nhà phát triển huấn luyện model tùy chỉnh chỉ với vài dòng code. Điều này trái ngược với các file cấu hình phức tạp thường cần có khi dùng PP-YOLOE+.
  2. Hệ sinh thái được duy trì tốt: Khác với nhiều repository chỉ phục vụ nghiên cứu, hệ sinh thái Ultralytics được phát triển tích cực. Hệ sinh thái có sự hỗ trợ mạnh mẽ từ cộng đồng, cập nhật thường xuyên và tích hợp sâu rộng với các công cụ như Weights & Biases và Comet.
  3. Tính linh hoạt: YOLO11 cung cấp một framework thống nhất cho nhiều tác vụ thị giác máy tính, loại bỏ nhu cầu học các thư viện khác nhau cho phân loại, phân đoạn hoặc phát hiện bounding box.
  4. Hiệu quả huấn luyện: Quy trình huấn luyện hiệu quả của các model YOLO giúp tiết kiệm cả thời gian lẫn chi phí tính toán. Nhờ tận dụng trọng số được huấn luyện trước trên tập dữ liệu COCO, model hội tụ nhanh ngay cả trên phần cứng phổ thông.

So sánh code huấn luyện#

Để minh họa tính dễ sử dụng, dưới đây là cách huấn luyện model YOLO11. Package tự động xử lý tăng cường dữ liệu, ghi log và điều phối phần cứng:

from ultralytics import YOLO

# Tải model YOLO11 small đã được huấn luyện trước
model = YOLO("yolo11s.pt")

# Huấn luyện model trên tập dữ liệu tùy chỉnh trong 100 epoch
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Chạy thử suy luận nhanh trên một ảnh công khai
inference_results = model("https://ultralytics.com/images/bus.jpg")
inference_results[0].show()

Thiết lập quy trình tương tự trong PaddleDetection đòi hỏi phải tự xử lý các cấu hình YAML phức tạp và chạy các lệnh dòng lệnh dài, điều này có thể làm chậm chu kỳ phát triển linh hoạt.

Hướng tới tương lai: YOLO26 ra mắt#

Dù YOLO11 vẫn là công cụ mạnh mẽ, lĩnh vực AI phát triển rất nhanh. YOLO26, ra mắt vào tháng 1 năm 2026, là model mới nhất trong dòng Ultralytics và là model được khuyến nghị cho mọi dự án mới.

YOLO26 giới thiệu một số cải tiến:

  • Thiết kế end-to-end không cần NMS: Dựa trên các khái niệm lần đầu được giới thiệu trong YOLOv10, YOLO26 cung cấp head end-to-end nguyên bản (nms=False), loại bỏ hoàn toàn bước hậu xử lý Non-Maximum Suppression (NMS), giúp đơn giản hóa triển khai và giảm đáng kể độ biến thiên của độ trễ.
  • Inference CPU nhanh hơn đến 43%: Loại bỏ Distribution Focal Loss (DFL) giúp model nhẹ hơn; YOLO26n chạy trên CPU nhanh hơn YOLO11n đến 43%, là lựa chọn phù hợp cho điện toán edge và thiết bị IoT công suất thấp.
  • Optimizer MuSGD: YOLO26 đưa các cải tiến trong huấn luyện LLM vào lĩnh vực thị giác máy tính. Sử dụng optimizer MuSGD (kết hợp SGD và Muon), model đạt được động lực huấn luyện ổn định cao và hội tụ nhanh hơn.
  • ProgLoss + STAL: Progressive Loss và phương pháp gán nhãn nhận biết đối tượng nhỏ cải thiện đáng kể khả năng nhận diện đối tượng nhỏ, một tính năng quan trọng đối với ảnh drone và giám sát trên không.

Kết luận và ứng dụng thực tế#

Khi lựa chọn giữa PP-YOLOE+ và YOLO11 (hoặc YOLO26 mới hơn), yếu tố quyết định là hệ sinh thái triển khai của bạn.

PP-YOLOE+ phù hợp với môi trường công nghiệp có phần cứng và phần mềm đã tích hợp với nền tảng công nghệ Baidu và thư viện PaddlePaddle. Model hoạt động tốt trong phân tích ảnh tĩnh khi mAP tối đa là ưu tiên hàng đầu.

Tuy nhiên, YOLO11 và YOLO26 mang đến cách tiếp cận linh hoạt hơn, thân thiện với nhà phát triển hơn. Số lượng tham số thấp và tốc độ cao khiến các model này phù hợp với:

  • Bán lẻ thông minh: Xử lý luồng video thời gian thực để tự động thanh toán và quản lý hàng tồn kho.
  • Robotics tự hành: Cho phép tránh chướng ngại vật tốc độ cao trên các thiết bị nhúng bị giới hạn tài nguyên.
  • An ninh và giám sát: Cung cấp khả năng phân tích đa tác vụ mạnh mẽ (như theo dõi và ước tính tư thế) chỉ trong một lượt suy luận hiệu quả.

Với các kỹ sư AI hiện đại cần độ tin cậy, sự hỗ trợ rộng rãi từ cộng đồng và pipeline triển khai đơn giản sang các định dạng như ONNX và TensorRT, hệ sinh thái Ultralytics vẫn là lựa chọn được khuyến nghị.

Bình luận

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