YOLO11 so với YOLO26#

Sự phát triển nhanh chóng của thị giác máy tính không ngừng mở rộng các giới hạn về tốc độ, độ chính xác và hiệu quả triển khai. Trong lĩnh vực phát hiện đối tượng theo thời gian thực, Ultralytics luôn thiết lập tiêu chuẩn. Bản so sánh kỹ thuật này phân tích quá trình chuyển đổi từ YOLO11 rất thành công sang YOLO26 tiên tiến, tập trung vào kiến trúc, các chỉ số hiệu năng và những kịch bản triển khai phù hợp.

Dù bạn đang xây dựng hệ thống giao hàng bằng drone hay tối ưu hóa quy trình sản xuất thông minh trên quy mô toàn cầu, việc hiểu rõ những khác biệt tinh tế giữa hai model này sẽ giúp bạn xây dựng các giải pháp AI mạnh mẽ và phù hợp lâu dài với tương lai.

Dòng model và hệ sinh thái#

Cả hai model đều hưởng lợi từ hệ sinh thái Ultralytics toàn diện, nổi bật với API dễ sử dụng, hoạt động bảo trì liên tục và cộng đồng năng động. Chúng mang lại tính linh hoạt vượt trội, hỗ trợ tự nhiên các tác vụ phát hiện đối tượng, phân đoạn instance, phân loại hình ảnh, ước lượng pose và Hộp giới hạn định hướng (OBB) ngay khi cài đặt.

YOLO11: Tiêu chuẩn đã được khẳng định#

Được phát hành vào cuối năm 2024, YOLO11 đã tinh chỉnh những cải tiến của các thế hệ trước, củng cố vị thế là một model workhorse đáng tin cậy cho môi trường production.

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

YOLO26: Biên giới mới#

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

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

Các cải tiến về kiến trúc#

Trong khi YOLO11 dựa vào các phương pháp hậu xử lý truyền thống đã hỗ trợ thị giác máy tính trong nhiều năm, YOLO26 giới thiệu một số đột phá về cấu trúc nhằm loại bỏ các điểm nghẽn.

Thiết kế end-to-end không cần NMS#

Một trong những nâng cấp quan trọng nhất của YOLO26 là kiến trúc end-to-end nguyên bản. Model loại bỏ bước hậu xử lý Non-Maximum Suppression (NMS), một khái niệm lần đầu được tiên phong trong YOLOv10. Việc bỏ qua NMS đơn giản hóa đáng kể pipeline triển khai và đảm bảo độ trễ ổn định, điều thiết yếu cho các ứng dụng thời gian thực như các thuật toán lái xe tự hành.

Loại bỏ DFL để tối ưu hóa cho edge#

YOLO26 loại bỏ Distribution Focal Loss (DFL). Trong khi DFL hữu ích cho YOLO11 trong việc định vị chi tiết, loại bỏ thành phần này giúp đơn giản hóa đồ thị export của network. Thay đổi này đảm bảo khả năng tương thích tốt hơn với phần cứng công suất thấp, biến YOLO26 thành một model mạnh mẽ trên các thiết bị edge như Raspberry Pi hoặc NVIDIA Jetson.

Optimizer MuSGD#

Lấy cảm hứng từ các cơ chế training Large Language Model (LLM), cụ thể là Kimi K2 của Moonshot AI, YOLO26 sử dụng MuSGD Optimizer mang tính đột phá. Sự kết hợp giữa Stochastic Gradient Descent (SGD) và Muon này mang lại các phiên training ổn định đáng kể, hội tụ nhanh hơn nhiều so với các optimizer AdamW tiêu chuẩn được sử dụng trong các kiến trúc cũ.

Các hàm loss nâng cao#

YOLO26 tích hợp ProgLoss + STAL (Progressive Loss và Small-Target-Aware Label Assignment). Sự kết hợp này cải thiện đáng kể khả năng phát hiện các đối tượng nhỏ và tập trung dày đặc. Hơn nữa, YOLO26 giới thiệu các cải tiến dành riêng cho từng tác vụ: một nguyên mẫu đa tỉ lệ chuyên dụng cho phân đoạn ngữ nghĩa, ước tính log-likelihood phần dư (Residual Log-Likelihood Estimation - RLE) cho các ước ức tư thế con người phức tạp, và một hàm mất mát góc chuyên biệt để giảm thiểu các vấn đề về ranh giới trong các tác vụ phát hiện OBB.

So sánh hiệu năng#

Khi đánh giá các model này, sự cân bằng giữa số lượng parameter, độ phức tạp tính toán (FLOPs) và tốc độ sẽ quyết định việc lựa chọn phần cứng. YOLO26 đặc biệt hướng đến tốc độ inference trên CPU, đạt tốc độ inference CPU nhanh hơn 43% so với phiên bản tiền nhiệm.

Như minh họa, YOLO26 Nano (YOLO26n) tăng đáng kể độ chính xác đồng thời giảm thời gian inference trên CPU từ 56.1ms xuống 38.9ms khi 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 hạ tầng cụ thể và mục tiêu dự án của bạn.

Điện toán biên và IoT#

Đối với các ứng dụng bị giới hạn về năng lượng và phần cứng, chẳng hạn như giám sát nông nghiệp thông minh bằng drone hoặc hệ thống báo động an ninh cục bộ, YOLO26 là lựa chọn vượt trội rõ ràng. Việc loại bỏ DFL và tăng 43% tốc độ CPU có nghĩa là bạn có thể chạy các model thị giác phức tạp trên những thiết bị không có GPU chuyên dụng mà vẫn duy trì tốc độ khung hình cao.

Cloud và quy mô doanh nghiệp#

YOLO11 vẫn là một sự 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 phân tích video dựa trên đám mây 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.

Xử lý đa tác vụ phức tạp#

Nếu dự án của bạn yêu cầu độ chính xác cao đối với các đối tượng rất nhỏ—chẳng hạn như phát hiện lỗi trên bo mạch hoặc theo dõi phương tiện ở xa trong hình ảnh trên không—việc triển khai ProgLoss + STAL trong YOLO26 mang lại sự cải thiện rõ rệt về recall và precision cho những trường hợp khó này.

Hiệu quả training 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, 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 phổ thông.

Việc tích hợp trình tối ưu hóa MuSGD trong YOLO26 nâng cao hơn nữa điều này bằng cách đảm bảo rằng model tìm thấy trọng số tối ưu nhanh hơn, giảm tổng số giờ tính toán GPU và chi phí cloud computing.

Dưới đây là một ví dụ đơn giản minh họa việc training model YOLO26 mới nhất bằng native Python API 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 phát hiện thời gian thực, việc khám phá các model khác trong tài liệu Ultralytics vẫn có thể hữu ích. Đối với người dùng bị ràng buộc bởi các môi trường legacy, những kiến trúc trước đây như YOLOv5 vẫn mang lại hiệu năng mạnh mẽ. Đối với các khả năng zero-shot, khi không thể xác định class từ trước, YOLO-World cung cấp khả năng phát hiện với vocabulary mở được hỗ trợ bởi các prompt văn bản.

Kết luận#

Bước chuyển từ YOLO11 sang YOLO26 không chỉ là một bản cập nhật gia tăng; đó là sự tái định hình về cấu trúc đối với cách các model phát hiện đối tượng thời gian thực vận hành trong production. Bằng cách loại bỏ các bước hậu xử lý phức tạp và tối ưu hóa cho việc thực thi ưu tiên edge, YOLO26 nổi bật như lựa chọn hàng đầu dành cho các developer hiện đại. Với nền tảng là hệ sinh thái Ultralytics mạnh mẽ và tài liệu toàn diện, việc nâng cấp lên YOLO26 đảm bảo triển khai nhanh hơn, training ổn định và độ chính xác SOTA cho hầu như mọi tác vụ thị giác máy tính.