YOLO11 so với YOLOv9#
Bối cảnh của thị giác máy tính đang không ngừng tiến triển, với các kiến trúc mới vượt qua các giới hạn của những gì khả thi trong phát hiện đối tượng thời gian thực. Hai cột mốc quan trọng trong hành trình này là Ultralytics YOLO11 và YOLOv9. Mặc dù cả hai model đều mang lại hiệu suất vượt trội, chúng đại diện cho các cách tiếp cận khác nhau để giải quyết các thách thức cốt lõi của việc suy luận và huấn luyện deep learning.
Hướng dẫn này cung cấp một so sánh kỹ thuật toàn diện giữa YOLO11 và YOLOv9, phân tích kiến trúc, các chỉ số hiệu năng và các kịch bản triển khai lý tưởng để giúp bạn chọn model phù hợp cho dự án trí tuệ nhân tạo tiếp theo của mình.
Tổng quan về mô hình#
Ultralytics YOLO11#
YOLO11 là một model đa năng, được tối ưu hóa cao, thiết kế dành cho các môi trường cấp độ sản xuất. Nó cân bằng giữa độ chính xác tiên tiến và các yêu cầu thực tế của edge computing và triển khai quy mô lớn.
- Tác giả: Glenn Jocher và Jing Qiu
- Tổ chức: Ultralytics
- Ngày: 2024-09-27
- GitHub: https://github.com/ultralytics/ultralytics
- Tài liệu: https://docs.ultralytics.com/models/yolo11
YOLOv9#
YOLOv9 là một đóng góp học thuật mạnh mẽ giới thiệu các khái niệm mới nhằm giảm thiểu mất mát thông tin trong các mạng thần kinh sâu, tập trung nhiều vào những tiến bộ lý thuyết trong trích xuất đặc trưng.
- Tác giả: Chien-Yao Wang và Hong-Yuan Mark Liao
- Tổ chức: Viện Thông tin học, Academia Sinica, Đài Loan
- Ngày: 2024-02-21
- Arxiv: https://arxiv.org/abs/2402.13616
- GitHub: https://github.com/WongKinYiu/yolov9
- Tài liệu: https://docs.ultralytics.com/models/yolov9
Cải tiến kiến trúc#
YOLOv9: Thông tin Gradient có thể lập trình#
YOLOv9 giải quyết vấn đề "nút thắt thông tin" (information bottleneck)—nơi dữ liệu bị mất khi đi qua các lớp liên tiếp của một mạng sâu. Để giải quyết vấn đề này, các tác giả đã giới thiệu Programmable Gradient Information (PGI) và Generalized Efficient Layer Aggregation Network (GELAN). PGI đảm bảo rằng các gradient được sử dụng để cập nhật trọng số trong quá trình lan truyền ngược chứa thông tin đầy đủ, dẫn đến các biểu diễn đặc trưng có độ chính xác cao. Kiến trúc GELAN tối đa hóa hiệu quả tham số, cho phép YOLOv9 đạt được độ chính xác cao với cấu trúc tương đối nhẹ.
YOLO11: Hệ sinh thái và Hiệu năng#
Trong khi YOLOv9 tập trung vào dòng chảy gradient, YOLO11 được thiết kế để đạt độ mạnh mẽ và tính đa năng trong thế giới thực. Nó tinh chỉnh kiến trúc YOLO cơ bản để giảm đáng kể các yêu cầu về bộ nhớ CUDA trong quá trình huấn luyện so với các giải pháp thay thế nặng tính transformer. Hơn nữa, YOLO11 không chỉ là một trình phát hiện đối tượng; nó hỗ trợ nguyên bản instance segmentation, image classification, pose estimation, và oriented bounding boxes (OBB).
Một trong những điểm mạnh lớn nhất của YOLO11 là khả năng tích hợp vào Ultralytics Platform, giúp trừu tượng hóa các phức tạp của việc tải dữ liệu, tăng cường dữ liệu và huấn luyện phân tán thành một API thống nhất.
So sánh hiệu năng#
Khi chọn model cho sản xuất, việc đánh giá sự đánh đổi giữa mean Average Precision (mAP), tốc độ suy luận và số lượng tham số là rất quan trọng.
| Mô hình | kích thước (pixel) | mAPval 50-95 | Tốc độ CPU ONNX (ms) | Tốc độ T4 TensorRT10 (ms) | params (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLO11n | 640 | 39.5 | 56.1 | 1.5 | 2.6 | 6.5 |
| YOLO11s | 640 | 47.0 | 90.0 | 2.5 | 9.4 | 21.5 |
| YOLO11m | 640 | 51.5 | 183.2 | 4.7 | 20.1 | 68.0 |
| YOLO11l | 640 | 53.4 | 238.6 | 6.2 | 25.3 | 86.9 |
| YOLO11x | 640 | 54.7 | 462.8 | 11.3 | 56.9 | 194.9 |
| YOLOv9t | 640 | 38.3 | - | 2.3 | 2.0 | 7.7 |
| YOLOv9s | 640 | 46.8 | - | 3.54 | 7.1 | 26.4 |
| YOLOv9m | 640 | 51.4 | - | 6.43 | 20.0 | 76.3 |
| YOLOv9c | 640 | 53.0 | - | 7.16 | 25.3 | 102.1 |
| YOLOv9e | 640 | 55.6 | - | 16.77 | 57.3 | 189.0 |
Như đã thấy trong bảng, YOLOv9e đạt được độ chính xác tổng thể cao nhất, khiến nó trở nên xuất sắc cho các đánh giá học thuật. Tuy nhiên, YOLO11 cung cấp tỷ lệ tốc độ trên độ chính xác vượt trội trên mọi phương diện. Ví dụ, YOLO11m đạt 51.5 mAP ở 4.7 ms (TensorRT), vượt trội hơn YOLOv9m có kích thước tương đương về tốc độ.
Phương pháp huấn luyện và Hệ sinh thái#
Trải nghiệm của nhà phát triển khác biệt đáng kể giữa hai framework.
Huấn luyện YOLOv9#
Huấn luyện YOLOv9 thường đòi hỏi phải tương tác với các mã nghiên cứu tùy chỉnh phức tạp, quản lý các phiên bản phụ thuộc cụ thể và sử dụng các đối số dòng lệnh phức tạp. Mặc dù mạnh mẽ, nó có thể gây khó khăn cho các môi trường doanh nghiệp có nhịp độ nhanh.
Huấn luyện YOLO11#
YOLO11 tận dụng Ultralytics Python API được bảo trì tốt, mang lại trải nghiệm "từ con số không đến thành công" liền mạch. Các quy trình huấn luyện hiệu quả được hỗ trợ bởi các trọng số tiền huấn luyện sẵn có và sự hỗ trợ tuyệt vời từ cộng đồng.
from ultralytics import YOLO
# Load a pre-trained YOLO11 small model
model = YOLO("yolo11s.pt")
# Train on a custom dataset with built-in augmentations
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Export to ONNX format for deployment
model.export(format="onnx")Chỉ với ba dòng Python, lập trình viên có thể tải một model, bắt đầu huấn luyện với các mặc định siêu tham số được tối ưu hóa, và xuất kiến trúc đã huấn luyện sang các framework như ONNX hoặc TensorRT để triển khai ở biên.
Ứng dụng trong thực tế#
Khi nào nên chọn YOLOv9#
YOLOv9 là một lựa chọn tuyệt vời cho các nhà nghiên cứu muốn khám phá các kiến trúc học sâu. Framework PGI của nó biến nó thành ứng viên lý tưởng cho phân tích bán lẻ tốc độ cao, nơi yêu cầu độ chính xác cực cao trên các tập dữ liệu dày đặc và độ phức tạp khi triển khai là yếu tố thứ yếu so với hiệu năng thuật toán.
Khi nào nên chọn YOLO11#
YOLO11 là công cụ tối ưu cho sản xuất. Các tính năng object detection được hợp lý hóa của nó làm cho nó trở nên hoàn hảo cho smart city traffic management và các thiết bị biên như Raspberry Pi hoặc NVIDIA Jetson. Hơn nữa, tính linh hoạt của nó trên các tác vụ khác nhau có nghĩa là một pipeline phát triển duy nhất có thể xử lý segmentation in manufacturing và pose estimation in sports analytics.
Công nghệ tiên phong: Giới thiệu YOLO26#
Mặc dù YOLO11 và YOLOv9 rất đáng chú ý, lĩnh vực trí tuệ nhân tạo tiến triển rất nhanh. Đối với các lập trình viên bắt đầu các dự án mới hôm nay, Ultralytics đặc biệt khuyến nghị YOLO26 (phát hành tháng 1 năm 2026), thứ vượt xa hơn nữa các ranh giới của thị giác máy tính.
YOLO26 kết hợp những đổi mới gần đây nhất thành một cỗ máy sẵn sàng cho sản xuất:
- Thiết kế NMS-Free End-to-End: YOLO26 loại bỏ nguyên bản quá trình hậu xử lý Non-Maximum Suppression (NMS), dẫn đến các quy trình triển khai nhanh hơn và đơn giản hơn nhiều.
- Loại bỏ DFL: Việc loại bỏ Distribution Focal Loss đảm bảo tính tương thích tốt hơn với các vi điều khiển công suất thấp và các bộ tăng tốc AI biên.
- Bộ tối ưu hóa MuSGD: Lấy cảm hứng từ những đổi mới trong huấn luyện LLM, bộ tối ưu hóa MuSGD (kết hợp giữa SGD và Muon) cung cấp khả năng huấn luyện ổn định và hội tụ nhanh hơn.
- Tốc độ suy luận CPU nhanh hơn tới 43%: Được tối ưu hóa cụ thể cho các thiết bị tính toán biên không có GPU chuyên dụng.
- ProgLoss + STAL: Các hàm mất mát được cải tiến này nâng cao đáng kể khả năng nhận diện đối tượng nhỏ, điều cốt yếu đối với agricultural monitoring và hình ảnh hàng không.
Người dùng quan tâm đến việc khám phá các kiến trúc đa dạng cũng có thể muốn tìm hiểu về RT-DETR để theo dõi dựa trên transformer hoặc YOLO-World để phát hiện từ vựng mở zero-shot.
Kết luận#
Cả YOLO11 và YOLOv9 đều đã củng cố vị thế của mình trong lịch sử thị giác máy tính. YOLOv9 mang lại những cải tiến kiến trúc xuất sắc để giữ lại tối đa đặc trưng. Tuy nhiên, đối với đại đa số các trường hợp triển khai trong thế giới thực — từ các ứng dụng AI doanh nghiệp đến mobile edge devices — sự dễ sử dụng, hiệu suất bộ nhớ và hỗ trợ tác vụ đa dạng của YOLO11 mang lại một lợi thế không thể đánh bại. Và khi ngành công nghiệp tiến về phía trước, việc áp dụng YOLO26 mới hơn đảm bảo rằng các hệ thống của bạn đang chạy quá trình suy luận nhanh nhất và đáng tin cậy nhất hiện có hôm nay.