Bắt đầu

YOLO11 so với YOLO26

Mỗi thế hệ Ultralytics YOLO đều hướng tới cải thiện tốc độ, độ chính xác và hiệu quả triển khai cho phát hiện đối tượng theo thời gian thực. Bài so sánh kỹ thuật này phân tích quá trình chuyển đổi từ YOLO11 được sử dụng rộng rãi sang YOLO26 hiện tại, xem xét kiến trúc, chỉ số hiệu năng và các kịch bản triển khai phù hợp.

Dù bạn đang xây dựng hệ thống giao hàng bằng drone hay tối ưu hóa pipeline sản xuất thông minh trên quy mô toàn cầu, việc hiểu rõ khác biệt giữa hai model này sẽ giúp bạn chọn đúng model.

Dòng model và hệ sinh thái#

Cả hai model đều tận dụng hệ sinh thái Ultralytics, với API đơn giản, được bảo trì liên tục và có cộng đồng năng động. Cả hai đều hỗ trợ sẵn các tác vụ phát hiện đối tượng, phân đoạn instance, phân loại ảnh, ước tính tư thế và hộp giới hạn định hướng (OBB); YOLO26 còn bổ sung phân đoạn ngữ nghĩa và ước tính độ sâu.

YOLO11: Chuẩn mực đã được khẳng định#

Ra mắt vào cuối năm 2024, YOLO11 hoàn thiện những tiến bộ của các thế hệ trước, củng cố vị thế của model này như một công cụ đáng tin cậy cho môi trường production.

YOLO26: Thế hệ tiếp theo#

Ra mắt vào tháng 1 năm 2026, YOLO26 tập trung vào triển khai trên thiết bị biên và suy luận đầu-cuối tùy chọn, cải thiện tốc độ CPU và tính dễ tích hợp.

Quản lý dữ liệu và triển khai

Cả YOLO11 và YOLO26 đều được tích hợp đầy đủ với Ultralytics Platform, cung cấp workflow không cần code để gán nhãn tập dữ liệu, huấn luyện trên đám mây và giám sát triển khai.

Các cải tiến kiến trúc#

Trong khi YOLO11 dựa vào các phương pháp hậu xử lý truyền thống đã được sử dụng trong thị giác máy tính nhiều năm, YOLO26 giới thiệu một số thay đổi cấu trúc giúp loại bỏ các nút thắt trong triển khai.

Thiết kế đầu-cuối không cần NMS#

Một trong những nâng cấp đáng kể nhất của YOLO26 là kiến trúc end-to-end gốc. Head one-to-one tùy chọn (nms=False) loại bỏ bước hậu xử lý Non-Maximum Suppression (NMS), một khái niệm được YOLOv10 giới thiệu cho các model YOLO. Bỏ qua NMS giúp đơn giản hóa pipeline triển khai và duy trì độ trễ ổn định, yếu tố thiết yếu cho các ứng dụng thời gian thực như thuật toán lái xe tự hành.

Loại bỏ DFL để tối ưu hóa cho edge#

YOLO26 loại bỏ Distribution Focal Loss (DFL). Dù DFL hữu ích trong YOLO11 cho định vị chi tiết, việc loại bỏ DFL giúp đơn giản hóa đồ thị export của mạng. Điều này cải thiện khả năng tương thích với phần cứng công suất thấp, khiến YOLO26 phù hợp với thiết bị biên như Raspberry Pi hoặc NVIDIA Jetson.

Optimizer MuSGD#

Lấy cảm hứng từ các phương pháp huấn luyện mô hình ngôn ngữ lớn (LLM), cụ thể là Kimi K2 thuộc Moonshot AI, YOLO26 sử dụng Bộ tối ưu MuSGD. Phương pháp lai giữa Stochastic Gradient Descent (SGD) và Muon này giúp huấn luyện ổn định hơn và hội tụ nhanh hơn; với optimizer=auto, Ultralytics chọn MuSGD cho các lượt huấn luyện dài hơn.

Hàm mất mát và gán nhãn#

YOLO26 tích hợp ProgLoss + STAL (Progressive Loss và Gán nhãn nhận biết đối tượng nhỏ). Sự kết hợp này cải thiện khả năng phát hiện các đối tượng nhỏ và dày đặc. Ngoài ra, YOLO26 bổ sung các cải tiến riêng cho từng tác vụ: hàm mất mát phân đoạn ngữ nghĩa và module proto đa tỷ lệ cho phân đoạn instance, Residual Log-Likelihood Estimation (RLE) cho ước tính tư thế, cùng hàm mất mát góc chuyên biệt nhằm giảm vấn đề ở ranh giới trong các tác vụ phát hiện OBB.

So sánh hiệu năng#

Sự cân bằng giữa độ chính xác (mAP), số lượng tham số, độ phức tạp tính toán (FLOPs) và tốc độ quyết định lựa chọn phần cứng. YOLO26 đặc biệt hướng đến suy luận CPU; YOLO26n đạt tốc độ suy luận CPU nhanh hơn tới 43% so với YOLO11n.

Modelkích thước
(pixel)
mAPval50-95Tốc độ
CPU ONNX
(ms)
Tốc độ
T4 TensorRT10
(ms)
params
(M)
FLOPs
(B)
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
YOLO26n64040.938.91.72.45.5
YOLO26s64048.687.22.59.520.9
YOLO26m64053.1220.04.720.468.4
YOLO26l64055.0286.26.224.886.8
YOLO26x64057.5525.811.855.7194.4

YOLO26n tăng 1.4 mAP so với YOLO11n (40.9 so với 39.5), đồng thời giảm thời gian suy luận CPU từ 56.1 ms xuống 38.9 ms với ONNX Runtime. YOLO26 chính xác hơn ở mọi kích thước; tại các quy mô m, l và x, YOLO11 vẫn chạy nhanh hơn trên CPU, trong khi độ trễ TensorRT trên T4 tương đương giữa hai dòng model.

Xuất model để đạt tốc độ tối đa

Để đạt hiệu năng tối đa, hãy export các model này sang TensorRT trên phần cứng NVIDIA hoặc OpenVINO cho CPU Intel. Head không cần NMS tùy chọn của YOLO26 (nms=False) giúp đơn giản hóa thêm pipeline đã export.

Trường hợp sử dụng và ứng dụng thực tế#

Việc chọn YOLO11 hay YOLO26 phần lớn phụ thuộc vào hạ tầng cụ thể và mục tiêu dự án của bạn.

Điện toán biên và IoT#

Với các ứng dụng bị giới hạn về năng lượng và phần cứng, chẳng hạn giám sát nông nghiệp thông minh bằng drone hoặc hệ thống báo động an ninh tại chỗ, YOLO26 là lựa chọn phù hợp hơn. Việc loại bỏ DFL và tăng tốc suy luận CPU tới 43% (YOLO26n so với YOLO11n) cho phép chạy các model thị giác phức tạp trên thiết bị không có GPU chuyên dụng mà vẫn duy trì tốc độ khung hình cao.

Quy mô cloud và doanh nghiệp#

YOLO11 vẫn là lựa chọn tốt cho các hệ thống production hiện có được xây dựng xoay quanh model này, chẳng hạn phân tích video trên đám mây và pipeline xử lý nội dung quy mô lớn đã tích hợp với các định dạng đầu ra của model.

Phát hiện vật thể nhỏ#

Nếu dự án yêu cầu độ chính xác cao với đối tượng nhỏ, chẳng hạn phát hiện lỗi trên bảng mạch hoặc theo dõi phương tiện ở xa trong ảnh chụp từ trên không, cách triển khai ProgLoss + STAL trong YOLO26 cải thiện recall và precision cho những trường hợp khó này.

Hiệu quả huấn luyện và yêu cầu bộ nhớ#

Một lợi thế lớn của framework Ultralytics là mức sử dụng bộ nhớ thấp khi huấn luyện. Không giống các detector dựa trên transformer như RT-DETR, vốn có thể tiêu thụ nhiều bộ nhớ CUDA, cả YOLO11 và YOLO26 đều được tối ưu để huấn luyện hiệu quả trên phần cứng phổ thông.

Việc tích hợp bộ tối ưu MuSGD trong YOLO26 còn giúp hội tụ nhanh hơn, giảm tổng số giờ tính toán GPU và chi phí điện toán đám mây.

Sau đây là ví dụ đơn giản về cách huấn luyện YOLO26 bằng Python API:

from ultralytics import YOLO

# Khởi tạo model YOLO26 Nano
model = YOLO("yolo26n.pt")

# Huấn luyện model trên bộ dữ liệu COCO8
# Tự động xử lý việc chọn optimizer (MuSGD cho các lượt huấn luyện dài hơn) và quản lý bộ nhớ
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)

# Chạy đánh giá nhanh để kiểm tra các chỉ số mAP
metrics = model.val()

# Xuất model đã huấn luyện sang ONNX để suy luận CPU nhanh
model.export(format="onnx")

Khám phá các kiến trúc thay thế#

YOLO26 là điểm khởi đầu được khuyến nghị, nhưng các model khác trong tài liệu Ultralytics có thể phù hợp với những nhu cầu cụ thể. Với người dùng bị ràng buộc vào môi trường cũ, các kiến trúc trước đây như YOLOv5 vẫn hoạt động đáng tin cậy. Khi cần khả năng zero-shot và không thể xác định trước các lớp, YOLO-World cung cấp tính năng phát hiện từ vựng mở dựa trên prompt văn bản.

Kết luận#

Chuyển từ YOLO11 sang YOLO26 không chỉ là một bản cập nhật nhỏ: thay đổi này tác động đến cách các model phát hiện thời gian thực vận hành trong production. Với suy luận không cần NMS tùy chọn và các tối ưu hóa ưu tiên thiết bị biên, YOLO26 là lựa chọn được khuyến nghị cho dự án mới. Được hỗ trợ bởi tài liệu Ultralytics, việc nâng cấp lên YOLO26 mang lại triển khai đơn giản hơn, huấn luyện ổn định và độ chính xác cao hơn trên các tác vụ thị giác được hỗ trợ.

Người đóng góp

Bình luận

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