YOLO11 so với YOLOv9 So sánh kỹ thuật toàn diện

Lĩnh vực thị giác máy tính không ngừng phát triển, với các kiến trúc mới liên tục mở rộng giới hạn của những gì có thể thực hiện được 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 mô hình đều mang lại hiệu suất vượt trội, nhưng chúng đại diện cho những cách tiếp cận khác nhau để giải quyết các thách thức cốt lõi của suy luận và huấn luyện học sâu.

Hướng dẫn này cung cấp sự so sánh kỹ thuật toàn diện giữa các yếu tố sau: YOLO11 Và YOLOv9 Phân tích kiến trúc, các chỉ số hiệu năng và kịch bản triển khai lý tưởng của chúng để giúp bạn chọn mô hình phù hợp cho dự án trí tuệ nhân tạo tiếp theo của mình.

Tổng quan mô hình

Ultralytics YOLO11

YOLO11 Đây là một mô hình được tối ưu hóa cao, đa năng, được thiết kế cho môi trường sản xuất chuyên nghiệp. Nó cân bằng giữa độ chính xác tiên tiến với các yêu cầu thực tiễn của điện toán biên 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/

Tìm hiểu thêm về YOLO11

YOLOv9

YOLOv9 Đây là một đóng góp học thuật quan trọng, giới thiệu các khái niệm mới nhằm giảm thiểu sự mất mát thông tin trong mạng nơ-ron sâu, tập trung mạnh vào những tiến bộ lý thuyết trong việc trích xuất đặc trưng.

Tác giả: Chien-Yao Wang và Hong-Yuan Mark Liao
Tổ chức: Viện Khoa học Thông tin, 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/

Tìm hiểu thêm về YOLOv9

Đổi mới Kiến trúc

YOLOv9: Thông tin Gradient có thể lập trình

YOLOv9 Bài viết giải quyết vấn đề "nút thắt cổ chai thông tin" - nơi dữ liệu bị mất khi truyền qua các lớp liên tiếp của mạng nơ-ron sâu. Để giải quyết vấn đề này, các tác giả đã giới thiệu Thông tin Gradient Lập trình được (PGI) và Mạng Tổng hợp Lớp Hiệu quả Tổng quát (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 biểu diễn đặc trưng có độ chính xác cao. Kiến trúc GELAN tối đa hóa hiệu quả tham số, cho phép YOLOv9 Để đạt được độ chính xác cao với cấu trúc tương đối nhẹ.

YOLO11 : Hệ sinh thái và hiệu quả

Trong khi YOLOv9 tập trung vào dòng chảy gradient, YOLO11 Được thiết kế để có độ bền và tính linh hoạt cao trong thực tế. Nó tinh chỉnh những yếu tố cơ bản. YOLO kiến trúc để giảm thiểu đáng kể CUDA yêu cầu bộ nhớ trong quá trình huấn luyện so với các phương án sử dụng nhiều bộ chuyển đổi hơn. Hơn nữa, YOLO11 Đây không chỉ là một công cụ phát hiện đối tượng; nó còn hỗ trợ đầy đủ các chức năng như phân đoạn đối tượng , phân loại hình ảnh , ước lượng tư thế và hộp giới hạn định hướng (OBB) .

Phát triển tinh gọn

Một trong số YOLO11 Điểm mạnh lớn nhất của nó là khả năng tích hợp vào Nền tảng Ultralytics , giúp đơn giản hóa sự phức tạp của việc tải dữ liệu, tăng cường dữ liệu và huấn luyện phân tán thành một API thống nhất.

So sánh hiệu suất

Khi lựa chọn mô hình để sản xuất, cần đánh giá sự cân bằng giữa độ chính xác trung bình (Average Precision) và độ chính xác trung bình (Average Precision) ( mAP Tốc độ suy luận và số lượng tham số là rất quan trọng.

Mô hình	Kích thước ^(pixels)	mAP^val 50-95	Tốc độ ^{CPU ONNX (ms)}	Tốc độ ^{T4 TensorRT10 (ms)}	Tham số ^(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 bảng đã chỉ ra, YOLOv9e đạt độ chính xác tổng thể cao nhất, rất phù hợp cho việc đánh giá hiệu năng trong 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 được 51,5 mAP ở mức 4,7 ms ( TensorRT ), vượt trội hơn YOLOv9m có kích thước tương tự về tốc độ.

Phương pháp luận đào tạo và Hệ sinh thái

Trải nghiệm của nhà phát triển khác biệt đáng kể giữa hai framework này.

Đào tạo YOLOv9

Đào tạo YOLOv9 Việc này thường đòi hỏi phải tương tác với mã nghiên cứu được tùy chỉnh cao, 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 môi trường doanh nghiệp có nhịp độ nhanh.

Đào tạo YOLO11

YOLO11 tận dụng lợi thế của việc bảo trì tốt Ultralytics Python API cung cấp trải nghiệm "từ người mới bắt đầu đến chuyên gia" liền mạch. Quy trình huấn luyện hiệu quả được hỗ trợ bởi các mức tạ đã được huấn luyện sẵn và sự hỗ trợ cộng đồng tuyệt vời.

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 Các nhà phát triển có thể tải mô hình, bắt đầu huấn luyện với các siêu tham số mặc định được tối ưu hóa và xuất kiến trúc đã được huấn luyện sang các framework như ONNX hoặc TensorRT để triển khai trên thiết bị biên.

Các ứng dụng thực tế

Khi nào nên chọn YOLOv9

YOLOv9 Đây là một lựa chọn tuyệt vời cho các nhà nghiên cứu muốn khám phá các kiến trúc học sâu. Khung PGI của nó biến nó thành ứng cử 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 triển khai không quan trọng bằng hiệu suất thuật toán.

Khi nào nên chọn YOLO11

YOLO11 Đây là công cụ tối ưu cho sản xuất. Khả năng phát hiện đối tượng được tối ưu hóa của nó làm cho nó trở nên hoàn hảo cho việc quản lý giao thông thành phố thông minh và các thiết bị biên như Raspberry Pi hoặc... NVIDIA Jetson. Hơn nữa, tính linh hoạt của nó trong nhiều nhiệm vụ khác nhau có nghĩa là một quy trình phát triển duy nhất có thể xử lý việc phân đoạn trong sản xuất và ước tính tư thế trong phân tích thể thao .

Xu hướng tiên tiến: Giới thiệu YOLO26

Trong khi YOLO11 Và YOLOv9 Những thành tựu đáng chú ý trong lĩnh vực trí tuệ nhân tạo đang phát triển nhanh chóng. Đối với các nhà phát triển bắt đầu các dự án mới ngày nay, Ultralytics Tôi đặc biệt khuyên dùng YOLO26 (phát hành tháng 1 năm 2026), phần mềm này đẩy giới hạn của thị giác máy tính lên một tầm cao mới.

YOLO26 kết hợp những cải tiến tốt nhất gần đây thành một cỗ máy mạnh mẽ sẵn sàng cho sản xuất:

Thiết kế không cần NMS từ đầu đến cuối: YOLO26 loại bỏ hoàn toàn hiện tượng Non-Maximum Suppression (NMS) một cách tự nhiên. NMS xử lý hậu kỳ, giúp quy trình triển khai trở nên đơn giản và nhanh chóng hơn rất nhiều.
Loại bỏ DFL: Việc loại bỏ hiện tượng suy hao tiêu điểm phân tán (Distribution Focal Loss - DFL) đảm bảo khả năng tương thích tốt hơn với các bộ vi điều khiển công suất thấp và các bộ tăng tốc AI biên.
Công cụ tối ưu hóa MuSGD: Lấy cảm hứng từ những cải tiến trong đào tạo LLM, công cụ tối ưu hóa MuSGD (một sự kết hợp của...) 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 đặc biệt cho các thiết bị điện toán biên không có GPU chuyên dụng.
ProgLoss + STAL: Các hàm mất mát được cải tiến này giúp tăng cường đáng kể khả năng nhận dạng vật thể nhỏ, điều rất quan trọng đối với việc giám sát nông nghiệp và ảnh chụp từ trên không.

Người dùng quan tâm đến việc khám phá các kiến trúc đa dạng cũng có thể tìm hiểu về RT-DETR để theo dõi đối tượng dựa trên transformer hoặc YOLO -World để phát hiện đối tượng với từ vựng mở mà không cần huấn luyện thêm.

Kết luận

Cả hai YOLO11 Và YOLOv9 đã khẳng định vị trí của mình trong lịch sử thị giác máy tính. YOLOv9 Cung cấp những cải tiến kiến trúc tuyệt vời để tối đa hóa khả năng giữ lại các tính năng. Tuy nhiên, đối với phần lớn các triển khai thực tế — từ các ứng dụng AI doanh nghiệp đến các thiết bị biên di động — tính dễ sử dụng, hiệu quả bộ nhớ và khả năng hỗ trợ tác vụ đa dạng của YOLO11 Nó mang lại lợi thế không thể phủ nhận. Và khi ngành công nghiệp tiến lên, việc áp dụng YOLO26 mới hơn đảm bảo rằng hệ thống của bạn đang vận hành quá trình suy luận nhanh nhất và đáng tin cậy nhất hiện nay.