YOLO11 so với YOLO26#

Sự tiến hóa nhanh chóng của thị giác máy tính liên tục đẩy lùi các giới hạn về tốc độ, độ chính xác và hiệu quả triển khai. Trong bối cảnh phát hiện đối tượng thời gian thực, Ultralytics luôn thiết lập tiêu chuẩn mới. Bài so sánh kỹ thuật này khám phá quá trình chuyển đổi từ YOLO11 cực kỳ thành công sang YOLO26 tối tân, phân tích kiến trúc, các chỉ số hiệu suất và các kịch bản triển khai lý tưởng của chúng.

Cho dù bạn đang xây dựng drone delivery systems hay tối ưu hóa một smart manufacturing pipeline toàn cầu, việc hiểu rõ các khác biệt tinh tế giữa hai model này sẽ giúp bạn xây dựng các giải pháp AI mạnh mẽ và bền vững với thời gian.

Dòng dõi và hệ sinh thái Model#

Cả hai model đều hưởng lợi từ Ultralytics ecosystem toàn diện, đặc trưng bởi API trực quan, quá trình bảo trì liên tục và một cộng đồng sôi động. Chúng mang đến tính đa dạng chưa từng có, hỗ trợ tự nhiên các tác vụ object detection, instance segmentation, image classification, pose estimation và Oriented Bounding Box (OBB) ngay khi xuất xưởng.

YOLO11: Tiêu chuẩn đã được thiết lập#

Được phát hành vào cuối năm 2024, YOLO11 đã tinh chỉnh những tiến bộ của các thế hệ trước, củng cố vị thế của mình như một cỗ máy đáng tin cậy cho các môi trường sản xuất.

• Tác giả: Glenn Jocher và Jing Qiu
• Tổ chức: Ultralytics
• Ngày: 2024-09-27
• GitHub: https://github.com/ultralytics/ultralytics
• Tài liệu: YOLO11 Documentation

Tìm hiểu thêm về YOLO11

YOLO26: Biên giới mới#

Được giới thiệu vào đầu năm 2026, YOLO26 đại diện cho một sự thay đổi mô hình trong điện toán biên và kiến trúc end-to-end, mang lại những cải tiến đáng kể về tốc độ xử lý và sự dễ dàng trong tích hợp.

• Tác giả: Glenn Jocher và Jing Qiu
• Tổ chức: Ultralytics
• Ngày: 2026-01-14
• GitHub: https://github.com/ultralytics/ultralytics
• Tài liệu: YOLO26 Documentation

Tìm hiểu thêm về YOLO26

Cải tiến kiến trúc#

Trong khi YOLO11 dựa vào các phương pháp hậu xử lý truyền thống đã thúc đẩy thị giác máy tính trong nhiều năm, YOLO26 giới thiệu một số đột phá về cấu trúc được thiết kế để loại bỏ các nút thắt cổ chai.

Thiết kế End-to-End không dùng NMS#

Một trong những nâng cấp đáng kể nhất trong YOLO26 là kiến trúc end-to-end bản xứ. Nó loại bỏ quá trình hậu xử lý Non-Maximum Suppression (NMS), một khái niệm lần đầu tiên được tiên phong trong YOLOv10. Việc bỏ qua NMS giúp đơn giản hóa đáng kể đường ống triển khai và đảm bảo độ trễ ổn định, điều này rất cần thiết cho các ứng dụng thời gian thực như autonomous driving algorithms.

Loại bỏ DFL để tối ưu hóa biên#

YOLO26 loại bỏ Distribution Focal Loss (DFL). Mặc dù DFL rất hữu ích trong YOLO11 để định vị chi tiết, việc loại bỏ nó giúp đơn giản hóa biểu đồ xuất (export graph) của mạng. Sửa đổi này đảm bảo khả năng tương thích nâng cao với phần cứng công suất thấp, biến YOLO26 thành một cỗ máy mạnh mẽ tuyệt đối trên các thiết bị biên như Raspberry Pi hoặc NVIDIA Jetson.

Trình tối ưu hóa MuSGD#

Lấy cảm hứng từ các cơ chế huấn luyện Large Language Model (LLM), cụ thể là Moonshot AI's Kimi K2, YOLO26 sử dụng MuSGD Optimizer mang tính cách mạng. Sự kết hợp giữa Stochastic Gradient Descent (SGD) và Muon này cung cấp các lượt huấn luyện cực kỳ ổn định, hội tụ nhanh hơn nhiều so với các bộ tối ưu hóa AdamW tiêu chuẩn được sử dụng trong các kiến trúc cũ.

Các hàm mất mát (Loss Function) nâng cao#

YOLO26 kết hợp ProgLoss + STAL (Progressive Loss and Scale-Aware Task Alignment Learning). Sự kết hợp này cải thiện đáng kể việc phát hiện các đối tượng nhỏ và dày đặc. Hơn nữa, YOLO26 giới thiệu các cải tiến cụ thể theo tác vụ: một prototype đa quy mô chuyên biệt cho phân đoạn ngữ nghĩa, Residual Log-Likelihood Estimation (RLE) cho các tác vụ ước tính tư thế người phức tạp và một angle loss chuyên dụng để giảm thiểu các vấn đề về biên trong các tác vụ phát hiện OBB.

So sánh hiệu năng#

Khi đánh giá các model này, sự cân bằng giữa số lượng tham số, độ phức tạp tính toán (FLOPs) và tốc độ quyết định việc lựa chọn phần cứng. YOLO26 tập trung đặc biệt vào tốc độ suy luận CPU, đạt được tốc độ suy luận CPU nhanh hơn tới 43% so với phiên bản tiền nhiệm.

Như đã minh họa, YOLO26 Nano (YOLO26n) có sự nhảy vọt đáng kể về độ chính xác trong khi giảm thời gian suy luận trên CPU từ 56,1ms xuống 38.9ms bằng cách sử dụng ONNX Runtime.

Các trường hợp sử dụng và ứng dụng thực tế#

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

Điện toán biên và IoT#

Đối với các ứng dụng bị giới hạn bởi nguồn điện và phần cứng, chẳng hạn như giám sát nông nghiệp thông minh qua drone hoặc security alarm systems cục bộ, YOLO26 là nhà vô địch không thể tranh cãi. Việc loại bỏ DFL và mức tăng 43% tốc độ CPU có nghĩa là bạn có thể chạy các model thị giác phức tạp trên các thiết bị không có GPUs chuyên dụng trong khi vẫn duy trì được tốc độ khung hình cao.

Quy mô đám mây và doanh nghiệp#

YOLO11 vẫn là một lựa chọn tuyệt vời cho các giải pháp doanh nghiệp nơi các trang trại máy chủ lớn đã được tối ưu hóa cho cấu trúc tensor của nó. Nó phục vụ hoàn hảo cho cloud-based video analytics và các đường ống xử lý truyền thông quy mô lớn đã được tích hợp sâu với các định dạng đầu ra cụ thể của nó.

Đa nhiệm phức tạp#

Nếu dự án của bạn đòi hỏi độ chính xác tuyệt đối trên các đối tượng nhỏ — chẳng hạn như phát hiện lỗi trên bảng mạch hoặc theo dõi các phương tiện ở xa trong aerial imagery — việc triển khai ProgLoss + STAL trong YOLO26 mang lại sự cải thiện đáng kể về khả năng thu hồi (recall) và độ chính xác (precision) cho các trường hợp biên khó khăn đó.

Hiệu quả đào tạo và yêu cầu bộ nhớ#

Một ưu điểm lớn của framework Ultralytics là mức tiêu thụ bộ nhớ cực kỳ thấp trong quá trình huấn luyện. Không giống như các vision transformer lớn như RT-DETR hoặc YOLOv8 cũ hơn có thể tiêu thụ lượng lớn bộ nhớ CUDA, cả YOLO11 và YOLO26 đều được tối ưu hóa để huấn luyện hiệu quả trên phần cứng cấp độ người dùng.

Việc tích hợp bộ tối ưu hóa MuSGD trong YOLO26 càng nâng cao điều này bằng cách đảm bảo rằng model tìm thấy các trọng số tối ưu nhanh hơn, làm giảm tổng số giờ tính toán trên GPU và cloud computing costs.

Dưới đây là một ví dụ đơn giản minh họa việc huấn luyện model YOLO26 mới nhất bằng Python API nguyên bản dễ dàng như thế nào:

from ultralytics import YOLO

# Initialize the YOLO26 Nano model
model = YOLO("yolo26n.pt")

# Train the model on the COCO8 dataset
# The MuSGD optimizer and efficient memory management are handled automatically
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)

# Run a quick validation to verify the mAP metrics
metrics = model.val()

# Export the trained model to ONNX for fast CPU inference
model.export(format="onnx")

Khám phá các kiến trúc thay thế#

Mặc dù YOLO26 đại diện cho đỉnh cao của việc phát hiện thời gian thực, việc khám phá các model khác trong tài liệu Ultralytics có thể mang lại lợi ích. Đối với người dùng gắn bó với môi trường cũ, các kiến trúc trước đó như YOLOv5 vẫn mang lại hiệu suất mạnh mẽ. Đối với khả năng zero-shot nơi việc xác định trước các lớp là không thể, YOLO-World cung cấp tính năng phát hiện mở (open-vocabulary) được hỗ trợ bởi các câu lệnh văn bản.

Kết luận#

Bước nhảy vọt từ YOLO11 lên YOLO26 không đơn thuần là một bản cập nhật gia tăng; đó là sự tái tưởng tượng mang tính cấu trúc về cách các model phát hiện đối tượng thời gian thực hoạt động trong môi trường sản xuất. Bằng cách loại bỏ các bước hậu xử lý phức tạp và tối ưu hóa cho việc thực thi hướng biên (edge-first), YOLO26 nổi bật là lựa chọn hàng đầu cho các nhà phát triển hiện đại. Được hỗ trợ bởi Ultralytics ecosystem mạnh mẽ và tài liệu toàn diện, việc nâng cấp lên YOLO26 đảm bảo thời gian triển khai nhanh hơn, huấn luyện ổn định và độ chính xác SOTA cho hầu như mọi tác vụ thị giác máy tính.