YOLO11 so với YOLOv5#

Lựa chọn kiến trúc mạng neural phù hợp là một quyết định then chốt cho bất kỳ dự án computer vision nào. Khi bối cảnh của artificial intelligence phát triển, các công cụ dành cho nhà phát triển và nhà nghiên cứu cũng tiến1 hóa theo. Hướng dẫn toàn diện này cung cấp một sự so sánh kỹ thuật chi tiết giữa hai mô hình mang tính bước ngoặt từ hệ sinh thái Ultralytics: YOLOv5 rất nổi tiếng và YOLO11 tiên tiến.

Cho dù bạn đang triển khai các mô hình nhẹ cho các ứng dụng edge AI hay xử lý các luồng video độ phân giải cao trên các GPU đám mây, việc hiểu rõ các sắc thái kiến trúc, performance metrics và các trường hợp sử dụng lý tưởng cho các mô hình này sẽ đảm bảo bạn đưa ra lựa chọn dựa trên dữ liệu cho các ràng buộc triển khai cụ thể của mình.

Dòng dõi mô hình và chi tiết kỹ thuật#

Cả hai mô hình đều phản ánh cam kết của Ultralytics đối với sự hợp tác nguồn mở, hiệu suất mạnh mẽ và khả năng sử dụng vượt trội, khiến chúng trở thành lựa chọn ưa thích của cộng đồng machine learning toàn cầu.

Chi tiết về YOLO11#

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

Tìm hiểu thêm về YOLO11

Chi tiết về YOLOv5#

• Tác giả: Glenn Jocher
• Tổ chức: Ultralytics
• Ngày: 2020-06-26
• GitHub: ultralytics/yolov5
• Tài liệu: YOLOv5 Documentation

Tìm hiểu thêm về YOLOv5

Sự khác biệt về kiến trúc#

Sự phát triển từ YOLOv5 lên YOLO11 giới thiệu một số thay đổi kiến trúc sâu sắc được thiết kế để tối ưu hóa độ chính xác và hiệu suất tham số.

YOLOv5 là một mô hình tiên phong trong hệ sinh thái PyTorch, giới thiệu phần thân (backbone) CSPNet (Cross Stage Partial Network) được tối ưu hóa cao và phần cổ (neck) PANet (Path Aggregation Network). Mô hình này dựa trên phát hiện dựa trên mỏ neo, yêu cầu các anchor boxes được xác định trước để dự đoán ranh giới đối tượng. Mặc dù rất hiệu quả, việc tinh chỉnh các mỏ neo này cho các computer vision datasets tùy chỉnh có thể khá phức tạp.

Ngược lại, YOLO11 chuyển sang mô hình phát hiện hiện đại hơn, không dùng anchor. Điều này loại bỏ nhu cầu tinh chỉnh anchor box thủ công, giúp tối ưu hóa quá trình huấn luyện và cải thiện khả năng tổng quát hóa trên các tập dữ liệu đa dạng như tập dữ liệu COCO. Ngoài ra, YOLO11 có phần đầu tách rời (decoupled head), nghĩa là các tác vụ phân loại và hồi quy bounding box được xử lý ở các nhánh riêng biệt. Sự tách biệt này cải thiện đáng kể tốc độ hội tụ và mAP (mean Average Precision), đặc biệt là trong các kịch bản phát hiện đối tượng phức tạp.

Các chỉ số và Benchmark hiệu suất#

Bảng dưới đây so sánh các chỉ số chính trên các kích thước mô hình khác nhau. Các mô hình của Ultralytics nổi tiếng với yêu cầu bộ nhớ, thường tiêu thụ ít bộ nhớ CUDA hơn trong quá trình đào tạo so với các giải pháp thay thế dựa trên Transformer nặng nề, điều này làm giảm đáng kể rào cản phần cứng khi bắt đầu.

Như đã quan sát, YOLO11 đạt được sự cân bằng hiệu suất rất thuận lợi, liên tục mang lại điểm mAP cao hơn ở số lượng tham số tương đương so với các phiên bản YOLOv5 tương ứng.

Phương pháp đào tạo và khả năng sử dụng#

Một nguyên lý cốt lõi của triết lý Ultralytics là khả năng sử dụng đặc biệt dễ dàng, được hỗ trợ bởi hệ sinh thái được bảo trì tốt và sự hỗ trợ rộng rãi từ cộng đồng.

YOLOv5 trước đây dựa vào các tập lệnh giao diện dòng lệnh (CLI) mạnh mẽ (train.py, detect.py) để thực thi. Mặc dù rất mạnh mẽ, việc tích hợp các tập lệnh này trực tiếp vào các ứng dụng Python tùy chỉnh thường đòi hỏi các giải pháp thay thế.

YOLO11 đã cách mạng hóa điều này bằng cách giới thiệu gói Python ultralytics được tối ưu hóa. API thống nhất này xử lý mọi thứ từ huấn luyện đến exporting models sang các định dạng như ONNX, OpenVINO và TensorRT một cách nguyên bản.

So sánh mã nguồn#

Việc đào tạo một mô hình Ultralytics hiện nay cực kỳ hiệu quả. Đây là cách bạn có thể đào tạo YOLO11 bằng cách sử dụng Python API gốc của nó:

from ultralytics import YOLO

# Load a pretrained YOLO11 small model
model = YOLO("yolo11s.pt")

# Train the model on custom data
results = model.train(data="coco8.yaml", epochs=50, imgsz=640, device=0)

# Export the model to ONNX for deployment
model.export(format="onnx")

Đối với các hệ thống kế thừa sử dụng YOLOv5, việc đào tạo qua CLI trông như thế này:

# Clone the repository and run the training script
git clone https://github.com/ultralytics/yolov5
cd yolov5
pip install -r requirements.txt

python train.py --img 640 --batch 16 --epochs 50 --data coco128.yaml --weights yolov5s.pt

Các trường hợp sử dụng lý tưởng và ứng dụng thực tế#

Cả hai mô hình đều có những điểm mạnh riêng phù hợp với các môi trường vận hành khác nhau.

Khi nào nên sử dụng YOLOv5#

Mặc dù là thế hệ mới hơn, YOLOv5 vẫn là một

• Tích hợp hệ thống kế thừa: Các môi trường được tích hợp sâu với các cấu trúc tensor hoặc quy trình triển khai cụ thể của YOLOv5 mà không thể dễ dàng tái cấu trúc.
• Mức cơ sở học thuật: Các nhà nghiên cứu cần các mức cơ sở lâu đời, được thiết lập sẵn cho các nghiên cứu học thuật có thể tái tạo trong medical image analysis.

Khi nào nên sử dụng YOLO11#

YOLO11 đại diện cho lựa chọn lý tưởng cho các quy trình sản xuất hiện đại nhờ tính linh hoạt đáng kinh ngạc:

• Môi trường đa tác vụ: Không giống như YOLOv5 chủ yếu là một mô hình phát hiện (với các bổ sung phân đoạn sau này), YOLO11 hỗ trợ nguyên bản instance segmentation, image classification, pose estimation và phát hiện Oriented Bounding Box (OBB) ngay khi xuất xưởng.
• Phân tích video mật độ cao: Lý tưởng cho các hệ thống giao thông thông minh hoặc retail inventory management, nơi việc trích xuất độ chính xác tối đa từ các khung cảnh phức tạp là cực kỳ quan trọng.

Hướng tới tương lai: Kiến trúc YOLO26#

Mặc dù YOLO11 là một tiêu chuẩn đặc biệt, lĩnh vực thị giác máy tính vẫn tiếp tục tiến1 bước nhanh chóng. Các nhà phát triển tìm kiếm đỉnh cao tuyệt đối về hiệu quả cũng nên cân nhắc Ultralytics YOLO26 mới nhất (phát hành tháng 1 năm 2026).

YOLO26 đại diện cho một bước nhảy vọt, được thiết kế rõ ràng cho cả tối ưu hóa biên và quy mô doanh nghiệp. Các đổi mới chính bao gồm:

• Thiết kế End-to-End không dùng NMS: YOLO26 hỗ trợ end-to-end nguyên bản, loại bỏ quá trình hậu xử lý Non-Maximum Suppression (NMS) để triển khai nhanh hơn và đơn giản hơn.
• Loại bỏ DFL: Distribution Focal Loss đã được loại bỏ để đơn giản hóa việc xuất mô hình và tăng cường khả năng tương thích với thiết bị tiêu thụ điện năng thấp.
• Trình tối ưu hóa MuSGD: Một sự kết hợp đột phá giữa SGD và Muon, mang lại sự ổn định khi đào tạo LLM vào computer vision để hội tụ nhanh hơn.
• Cải thiện tốc độ suy luận CPU lên đến 43%: Được tối ưu hóa mạnh mẽ cho các triển khai IoT và các thiết bị không có GPUs chuyên dụng.
• ProgLoss + STAL: Các hàm mất mát được cải thiện đáng kể mang lại những cải tiến đáng chú ý trong việc nhận dạng đối tượng nhỏ, rất quan trọng cho hình ảnh từ máy bay không người lái (drone).

Tìm hiểu thêm về YOLO26

Tóm tắt#

Việc lựa chọn giữa YOLO11 và YOLOv5 cuối cùng phụ thuộc vào giai đoạn vòng đời dự án của bạn. Di sản của YOLOv5 là không thể phủ nhận, mang lại độ ổn định cực cao và sự hỗ trợ cộng đồng lớn mạnh. Tuy nhiên, đối với bất kỳ dự án mới nào, YOLO11 được khuyến nghị cao hơn các thế hệ cũ. Nó kết hợp độ chính xác tiên tiến, API Python cực kỳ trang nhã và chi phí bộ nhớ huấn luyện thấp hơn, củng cố vị thế tiên phong về đổi mới AI của Ultralytics. Đối với những ai muốn đẩy giới hạn đi xa hơn nữa, việc khám phá YOLO26 tối tân trên Ultralytics Platform sẽ mang lại kết quả chưa từng có.