Bắt đầu

YOLO11 và YOLOv7

Lĩnh vực thị giác máy tính tiếp tục phát triển nhanh chóng, và phát hiện đối tượng thời gian thực vẫn là một trong những ứng dụng được triển khai rộng rãi nhất. Việc chọn kiến trúc phù hợp đòi hỏi cân bằng giữa tốc độ, độ chính xác và khả năng triển khai dễ dàng. Hướng dẫn này cung cấp phần so sánh kỹ thuật giữa hai kiến trúc nổi bật: Ultralytics YOLO11 và YOLOv7.

Tổng quan về model và chi tiết kỹ thuật#

Cả hai model đều có ảnh hưởng đến cộng đồng deep learning, nhưng xuất phát từ những triết lý và giai đoạn phát triển khác nhau.

Thông tin YOLO11:

Chi tiết YOLOv7:

Tìm hiểu thêm về YOLOv7

Khác biệt về kiến trúc#

Cả hai detector đều sử dụng các khái niệm thiết kế hiện đại, nhưng nền tảng cấu trúc của chúng khác nhau.

YOLOv7 giới thiệu khái niệm Extended Efficient Layer Aggregation Networks (E-ELAN). Kiến trúc này được thiết kế để liên tục cải thiện khả năng học của mạng mà không phá vỡ đường truyền gradient ban đầu, như mô tả trong bài báo nghiên cứu. YOLOv7 dựa vào tái tham số hóa cấu trúc và phương pháp "bag-of-freebies" có thể training trong quá trình training, cải thiện độ chính xác tổng thể trên dataset COCO mà không làm tăng chi phí suy luận.

Ngược lại, YOLO11 được xây dựng trên kiến trúc Ultralytics. Model chú trọng pipeline trích xuất đặc trưng tinh chỉnh hơn với ít parameter hơn, qua đó giảm mức sử dụng bộ nhớ khi training. YOLO11 đạt được sự cân bằng hiệu năng tốt, sử dụng ít parameter hơn nhưng vẫn ngang bằng hoặc vượt độ chính xác phát hiện của các model lớn hơn. YOLO11 cũng hỗ trợ nhiều tác vụ hơn, trở thành lựa chọn linh hoạt cho các ứng dụng thị giác máy tính hiện đại.

Hiệu quả sử dụng bộ nhớ

Model Ultralytics YOLO thường cần ít bộ nhớ training hơn nhiều detector khác, cho phép developer training các mạng mạnh mẽ bằng PyTorch trên GPU phổ thông.

So sánh hiệu năng và chỉ số#

Để đánh giá khả năng ứng dụng thực tế, hãy so sánh các chỉ số như độ chính xác trung bình trung bình (mAP), tốc độ suy luận, parameter của model và độ phức tạp tính toán (FLOPs). Bảng sau cho thấy các biến thể theo kích thước của YOLO11 so sánh với những model YOLOv7 lớn hơn như thế nào.

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
YOLOv7l64051.4-6.8436.9104.7
YOLOv7x64053.1-11.5771.3189.9

YOLO11x đạt 54.7 mAP so với 53.1 mAP của YOLOv7x, trong khi sử dụng ít parameter hơn (56.9M so với 71.3M) với độ trễ TensorRT trên T4 tương đương. Ở kích thước l, YOLO11l chính xác hơn (53.4 so với 51.4 mAP), nhanh hơn (6.2 ms so với 6.84 ms) và nhỏ hơn (25.3M so với 36.9M parameter) YOLOv7l.

Hiệu quả huấn luyện và tính tiện dụng của hệ sinh thái#

Một trong những điểm khác biệt rõ nét nhất giữa hai kiến trúc này là trải nghiệm dành cho nhà phát triển và hệ sinh thái đi kèm.

YOLOv7 về cơ bản là một repository nghiên cứu học thuật. Training model thường đòi hỏi thiết lập môi trường phức tạp, quản lý dependency thủ công và các lệnh command line dài. Dù hỗ trợ thử nghiệm nghiên cứu, việc điều chỉnh code trong repository YOLOv7 trên GitHub cho môi trường production tùy chỉnh có thể tốn nhiều thời gian.

YOLO11 chú trọng tính dễ sử dụng. Model được tích hợp hoàn toàn với Ultralytics Platform, một hệ sinh thái được duy trì tốt, bao quát toàn bộ quy trình làm việc. Từ gán nhãn dữ liệu và training cục bộ đến triển khai, Python API thống nhất và giao diện command line đơn giản giúp tinh gọn toàn bộ quy trình.

So sánh mã#

Training model phát hiện đối tượng bằng YOLO11 chỉ cần vài dòng code:

from ultralytics import YOLO

# Tải model YOLO11 cỡ nhỏ đã được huấn luyện trước
model = YOLO("yolo11s.pt")

# Huấn luyện model bằng API hợp nhất
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

# Nhanh chóng xuất sang định dạng ONNX
model.export(format="onnx")

Ngược lại, lệnh huấn luyện YOLOv7 điển hình trông như sau và đòi hỏi thiết lập cẩn thận các đường dẫn, file cấu hình và script bash:

python train.py --workers 8 --device 0 --batch-size 32 --data data/coco.yaml --img 640 640 --cfg cfg/training/yolov7.yaml --weights 'yolov7_training.pt'

YOLO11 cũng linh hoạt hơn. Trong khi YOLOv7 dựa vào các nhánh hoặc sửa đổi riêng để hỗ trợ tác vụ ngoài phát hiện (như ước tính tư thế hoặc phân đoạn), YOLO11 xử lý phát hiện đối tượng, phân đoạn instance, phân loại ảnh, ước tính tư thế và phát hiện bounding box định hướng (OBB) thông qua một framework thống nhất.

Đơn giản hóa việc xuất model

Chỉ cần một lệnh để xuất YOLO11 sang các định dạng như TensorRT hoặc OpenVINO, giúp giảm thiểu các vấn đề hỗ trợ toán tử thường gặp ở model cũ.

Ứng dụng thực tế và trường hợp sử dụng phù hợp#

Việc lựa chọn giữa YOLOv7 và YOLO11 phụ thuộc vào phạm vi dự án và các giới hạn triển khai.

Khi nào nên cân nhắc YOLOv7:

  • Benchmark model cũ: Các nhà nghiên cứu học thuật tìm hiểu thiết kế đường gradient có thể dùng YOLOv7 làm baseline để đánh giá các mạng nơ-ron tích chập mới hơn.
  • Pipeline tùy chỉnh hiện có: Các nhóm có pipeline C++ hoặc CUDA được tùy chỉnh sâu, xây dựng riêng cho logic giải mã bounding box đặc thù của YOLOv7.

Khi nào nên chọn YOLO11:

  • Production thương mại: Các ứng dụng trong bán lẻ thông minh hoặc chẩn đoán y tế được hưởng lợi từ codebase được duy trì và độ ổn định của YOLO11.
  • Môi trường bị giới hạn tài nguyên: Dấu chân tài nguyên nhỏ của YOLO11n rất phù hợp để triển khai trên thiết bị di động và edge thông qua ONNX.
  • Dự án đa nhiệm: Nếu một ứng dụng cần nhận diện một người, lập bản đồ bộ xương của người đó (tư thế) và phân đoạn vật thể người đó đang cầm, YOLO11 cung cấp giải pháp thống nhất.

Tiếp tục với YOLO26#

YOLO11 vẫn là lựa chọn đáng tin cậy, nhưng với các kỹ sư bắt đầu dự án mới hiện nay, Ultralytics YOLO26 là model được khuyến nghị.

Phát hành vào tháng 1 năm 2026, YOLO26 giới thiệu thiết kế end-to-end không cần NMS tùy chọn (nms=False), loại bỏ độ trễ của bước hậu xử lý ức chế phi cực đại. YOLO26 cũng bổ sung Optimizer MuSGD, lấy cảm hứng từ phương pháp training mô hình ngôn ngữ lớn (LLM), giúp hội tụ nhanh hơn. Với ProgLoss + STAL dành cho đối tượng nhỏ và việc loại bỏ DFL giúp YOLO26n suy luận trên CPU nhanh hơn tới 43% so với YOLO11n, YOLO26 được tối ưu cho điện toán edge.

Nếu quan tâm đến các cấu trúc thay thế chuyên biệt, bạn cũng có thể cân nhắc model RT-DETR dựa trên Transformer hoặc model YOLO-World có từ vựng mở và khả năng thích ứng linh hoạt cho một số tình huống triển khai thị giác máy tính cụ thể.

Người đóng góp

Bình luận

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