YOLO11 so với YOLO26#

Thị giác máy tính phát triển nhanh chóng, liên tục mở rộng giới hạn về tốc độ, độ chính xác và hiệu quả triển khai. Trong lĩnh vực phát hiện đối tượng thời gian thực, Ultralytics luôn đặt ra chuẩn mực. Bài so sánh kỹ thuật này phân tích quá trình chuyển đổi từ YOLO11 rất thành công sang YOLO26 tiên tiến, đồng thời đánh giá kiến trúc, chỉ số hiệu năng và các kịch bản triển khai lý tưởng.

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 những khác biệt tinh tế giữa hai model này sẽ giúp bạn xây dựng các giải pháp AI mạnh mẽ, sẵn sàng cho 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, được bảo trì liên tục và cộng đồng năng động. Hai model cung cấp tính linh hoạt vượt trội, hỗ trợ sẵn phát hiện đối tượng, phân đoạn instance, phân loại ảnh, ước lượng tư thế và tác vụ Bounding Box định hướng (OBB).

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.

• 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: Bước tiến mới#

Được giới thiệu vào đầu năm 2026, YOLO26 đánh dấu sự chuyển đổi mô hình trong điện toán biên và kiến trúc đầu cuối, 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 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 đưa ra một số đột phá về cấu trúc nhằm loại bỏ các nút thắt cổ chai.

Thiết kế đầu-cuối không cần NMS#

Một trong những nâng cấp đáng kể nhất của YOLO26 là kiến trúc đầu cuối tích hợp sẵn. Head one-to-one tùy chọn (nms=False) loại bỏ bước hậu xử lý Non-Maximum Suppression (NMS), một khái niệm được tiên phong trong YOLOv10. Bỏ qua NMS giúp 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 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 việc định vị chi tiết, loại bỏ thành phần này giúp đơn giản hóa đồ thị xuất của mạng. Thay đổi này cải thiện khả năng tương thích với phần cứng công suất thấp, giúp YOLO26 hoạt động vượt trội trên các thiết bị edge như Raspberry Pi hoặc NVIDIA Jetson.

Optimizer MuSGD#

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

Các hàm loss nâng cao#

YOLO26 tích hợp ProgLoss + STAL (Loss lũy tiến và gán nhãn có nhận biết đối tượng nhỏ). Sự kết hợp này cải thiện đáng kể khả năng phát hiện các đối tượng nhỏ và nằm dày đặc. Ngoài ra, YOLO26 còn có các cải tiến dành riêng cho từng tác vụ: loss phân đoạn ngữ nghĩa và module proto đa tỉ lệ cho phân đoạn instance, Residual Log-Likelihood Estimation (RLE) cho ước lượng tư thế người phức tạp, cùng loss góc chuyên biệt để giảm thiểu vấn đề ở 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 tham số, độ phức tạp tính toán (FLOPs) và tốc độ sẽ quyết định lựa chọn phần cứng. YOLO26 đặc biệt hướng đến tốc độ suy luận CPU, đạt mức suy luận CPU nhanh hơn đến 43% so với phiên bản tiền nhiệm.

Như minh họa, YOLO26 Nano (YOLO26n) cải thiện đáng kể độ chính xác, đồng thời giảm thời gian suy luận CPU từ 56.1ms xuống 38.9ms bằng ONNX Runtime.

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 bởi nguồn điện và phần cứng, chẳng hạn như giám sát nông nghiệp thông minh bằng drone hoặc hệ thống báo động an ninh tại chỗ, YOLO26 là lựa chọn hàng đầu không đối thủ. Việc loại bỏ DFL và tăng tốc CPU 43% cho phép bạn 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 xuất sắc cho các giải pháp doanh nghiệp có những cụm máy chủ lớn đã được tối ưu hóa cho cấu trúc tensor của model này. YOLO11 rất phù hợp với phân tích video trên cloud và pipeline xử lý nội dung đa phương tiện quy mô lớn vốn đã tích hợp sâu với các định dạng đầu ra cụ thể của model.

Đa nhiệm phức tạp#

Nếu dự án của bạn đòi hỏi độ chính xác cao với các đối tượng cực nhỏ—chẳng hạn như phát hiện lỗi trên bảng mạch hoặc theo dõi phương tiện ở xa trong ảnh hàng không—thành phần ProgLoss + STAL trong YOLO26 giúp tăng đáng kể recall và precision trong những trường hợp biên khó xử lý.

Hiệu quả huấn luyện và yêu cầu bộ nhớ#

Một lợi thế lớn của framework Ultralytics là mức sử dụng bộ nhớ cực thấp trong quá trình huấn luyện. Không giống các Transformer thị giác đồ sộ như RT-DETR, vốn có thể tiêu tốn lượng lớn bộ nhớ CUDA, cả YOLO11 và YOLO26 đều được tối ưu để huấn luyện hiệu quả trên phần cứng phổ thông.

Việc tích hợp optimizer MuSGD trong YOLO26 còn cải thiện hiệu quả này bằng cách giúp model tìm được bộ trọng số tối ưu nhanh hơn, giảm tổng số giờ tính toán GPU và chi phí điện toán đám mây.

Sau đây là ví dụ đơn giản cho thấy việc huấn luyện model YOLO26 mới nhất bằng API Python gốc dễ dàng đến mức nào:

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#

Mặc dù YOLO26 đại diện cho đỉnh cao của phát hiện thời gian thực, việc khám phá các model khác trong tài liệu Ultralytics cũng có thể hữu ích. Với người dùng cần duy trì môi trường cũ, các kiến trúc trước đây như YOLOv5 vẫn mang lại hiệu năng mạnh mẽ. Với khả năng zero-shot trong trường hợp không thể xác định lớp từ trước, YOLO-World cung cấp khả năng phát hiện với từ vựng mở dựa trên prompt văn bản.

Kết luận#

Bước tiến từ YOLO11 lên YOLO26 không chỉ là một bản cập nhật nhỏ; đây là sự tái cấu trúc toàn diện 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 để ưu tiên thực thi trên edge, YOLO26 nổi bật như lựa chọn hàng đầu cho nhà phát triển hiện đại. Được hỗ trợ bởi hệ sinh thái Ultralytics mạnh mẽ và tài liệu toàn diện, nâng cấp lên YOLO26 đảm bảo triển khai nhanh hơn, huấn luyện ổn định và độ chính xác SOTA cho hầu như mọi tác vụ thị giác máy tính.