Bắt đầu

YOLO11 và YOLOX

Các model phát hiện vật thể thời gian thực đã phát triển nhanh chóng trong vài năm qua. Khi chọn kiến trúc cho production hoặc nghiên cứu học thuật, developer thường cân nhắc các cột mốc đã được xác lập cùng những thiết kế mới hơn. Bài so sánh này trình bày khác biệt giữa Ultralytics YOLO11 và YOLOX của Megvii, bao gồm kiến trúc, chỉ số hiệu năng và các kịch bản triển khai phù hợp.

Tổng quan kiến trúc#

Cả hai model đều thúc đẩy lĩnh vực phát hiện vật thể khi ra mắt, nhưng xuất phát từ những triết lý thiết kế khác nhau và hướng đến trải nghiệm developer khác nhau.

YOLO11: Công cụ đa tác vụ linh hoạt#

Ra mắt vào tháng 9 năm 2024 bởi Glenn Jocher và Jing Qiu tại Ultralytics, YOLO11 được thiết kế như một framework thống nhất, cân bằng độ chính xác cao với hiệu quả.

YOLO11 vượt ra ngoài các hộp giới hạn tiêu chuẩn, đồng thời hỗ trợ phân đoạn instance, phân loại ảnh, ước lượng tư thế và phát hiện Hộp giới hạn định hướng (OBB). Kiến trúc được tinh chỉnh giúp cải thiện khả năng trích xuất và lưu giữ đặc trưng qua các phân cấp không gian phức tạp.

YOLOX: Tiên phong không cần anchor#

Được phát triển bởi các nhà nghiên cứu tại Megvii, YOLOX thu hút nhiều sự chú ý vào năm 2021 nhờ kết nối nghiên cứu với ứng dụng công nghiệp bằng cách tiếp cận hoàn toàn không dùng anchor.

YOLOX giới thiệu head tách biệt và mô hình không dùng anchor, giúp giảm số lượng tham số thiết kế và cải thiện hiệu năng trên các benchmark học thuật tại thời điểm ra mắt.

Tìm hiểu thêm về YOLOX

Bạn có biết?

Thiết kế không dùng anchor do YOLOX phổ biến đã truyền cảm hứng cho nhiều kiến trúc tiếp theo. Ultralytics tiếp nhận và cải tiến các khái niệm này trong những phiên bản sau như YOLOv8 và YOLO11 nhằm nâng cao độ chính xác và tính linh hoạt khi triển khai.

Hiệu năng và các chỉ số#

Khi đánh giá model phát hiện, việc xem xét sự cân bằng giữa số tham số, chi phí tính toán (FLOPs) và độ chính xác trung bình (mAP) là thiết yếu cho triển khai model trong thực tế.

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
YOLOXnano41625.8--0.911.08
YOLOXtiny41632.8--5.066.45
YOLOXs64040.5-2.569.026.8
YOLOXm64046.9-5.4325.373.8
YOLOXl64049.7-9.0454.2155.6
YOLOXx64051.1-16.199.1281.9

YOLO11x vượt trội hơn YOLOXx về độ chính xác (54.7 mAP so với 51.1 mAP), đồng thời chỉ cần khoảng một nửa số tham số (56.9M so với 99.1M) và chạy nhanh hơn trên T4 TensorRT (11.3 ms so với 16.1 ms). Hiệu quả này giúp giảm nhu cầu bộ nhớ trong cả huấn luyện lẫn suy luận, tạo lợi thế rõ rệt cho môi trường production.

Hệ sinh thái và trải nghiệm developer#

Lợi thế của Ultralytics#

Một trong những khác biệt lớn nhất giữa YOLO11 và YOLOX nằm ở tính dễ sử dụng. YOLOX chủ yếu hoạt động như một codebase nghiên cứu, đòi hỏi cấu hình môi trường phức tạp, biên dịch các toán tử C++ và sử dụng nhiều tham số dòng lệnh để bắt đầu huấn luyện trên dataset tùy chỉnh.

YOLO11 được tích hợp đầy đủ vào gói Python của Ultralytics, cung cấp quy trình tinh gọn từ cài đặt đến triển khai. Ultralytics Platform cung cấp các công cụ gán nhãn dữ liệu, theo dõi thí nghiệm và huấn luyện trên cloud, giúp loại bỏ mã khung để kỹ sư tập trung vào hiệu năng model.

from ultralytics import YOLO

# Tải model YOLO11 đã huấn luyện trước
model = YOLO("yolo11n.pt")

# Huấn luyện model bằng API Ultralytics
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Xuất sang ONNX
model.export(format="onnx")

Ngoài ra, chỉ cần một lệnh để xuất model Ultralytics sang các định dạng như TensorRT, CoreML hoặc OpenVINO, trong khi các repository cũ thường cần công cụ bên thứ ba phức tạp hoặc chỉnh sửa graph thủ công.

Các trường hợp sử dụng thực tế#

Khi nào nên cân nhắc YOLOX#

YOLOX vẫn là lựa chọn hợp lệ cho các hệ thống triển khai chuyên biệt, cũ hơn, nơi developer đã xây dựng pipeline suy luận C++ tùy chỉnh dựa trên đầu ra tensor của head tách biệt. Các nhà nghiên cứu thực hiện nghiên cứu so sánh với kiến trúc thời kỳ 2021 cũng có thể tiếp tục dùng YOLOX làm baseline.

Điểm mạnh của YOLO11#

Với hầu hết kịch bản production hiện đại, YOLO11 mang lại trải nghiệm tốt hơn:

  • Thành phố thông minh và bán lẻ: Nhờ tỷ lệ tốc độ trên độ chính xác cao, YOLO11 xử lý tốt cảnh đông đúc, hỗ trợ phân tích bán lẻ tự động và hệ thống quản lý giao thông mà không cần cụm GPU lớn.
  • Điện toán edge: Hiệu quả bộ nhớ và nhiều tùy chọn xuất giúp YOLO11 phù hợp với triển khai AI edge trên các thiết bị như Raspberry Pi hoặc nền tảng NVIDIA Jetson.
  • Pipeline phức tạp: Nếu dự án cần kết hợp phát hiện vật thể với keypoint tư thế (ví dụ: phân tích thể thao) hoặc phân đoạn instance chính xác (ví dụ: ảnh y khoa), YOLO11 xử lý tất cả tác vụ nguyên bản thông qua một API thống nhất.

Trường hợp sử dụng và khuyến nghị#

Việc lựa chọn giữa YOLO11 và YOLOX phụ thuộc vào yêu cầu cụ thể của dự án, các ràng buộc triển khai và hệ sinh thái mà bạn ưu tiên.

Khi nào nên chọn YOLO11#

YOLO11 là lựa chọn phù hợp cho:

  • Triển khai biên trong môi trường production: Các ứng dụng thương mại trên thiết bị như Raspberry Pi hoặc NVIDIA Jetson, nơi độ tin cậy và hoạt động bảo trì liên tục là ưu tiên hàng đầu.
  • Ứng dụng thị giác đa tác vụ: Các dự án cần phát hiện, phân đoạn, phân loại, ước lượng tư thế và OBB trong cùng một framework thống nhất.
  • Tạo mẫu và triển khai nhanh: Các nhóm cần nhanh chóng chuyển từ thu thập dữ liệu sang production bằng Ultralytics Python API tinh gọn.

Khi nào nên chọn YOLOX#

YOLOX được khuyến nghị cho:

  • Nghiên cứu phát hiện không anchor: Nghiên cứu học thuật sử dụng kiến trúc không anchor rõ ràng của YOLOX làm baseline để thử nghiệm các head phát hiện hoặc hàm loss mới.
  • Thiết bị edge siêu nhẹ: Triển khai trên phần cứng di động rất hạn chế hoặc đời cũ, nơi kích thước nhỏ gọn của biến thể YOLOX-Nano (0.91M tham số) đóng vai trò thiết yếu.
  • Nghiên cứu gán nhãn SimOTA: Các dự án nghiên cứu tìm hiểu chiến lược gán nhãn dựa trên vận tải tối ưu và ảnh hưởng của chúng đến quá trình hội tụ khi huấn luyện.

Khi nào nên chọn Ultralytics (YOLO26)#

Với hầu hết dự án mới, Ultralytics YOLO26 mang đến sự kết hợp tốt nhất giữa hiệu năng và trải nghiệm dành cho nhà phát triển:

  • Triển khai trên thiết bị biên không cần NMS: Các ứng dụng cần inference có độ trễ thấp và ổn định mà không phải xử lý hậu kỳ Non-Maximum Suppression phức tạp.
  • Môi trường chỉ có CPU: Các thiết bị không có khả năng tăng tốc bằng GPU chuyên dụng, nơi tốc độ suy luận CPU nhanh hơn tới 43% của YOLO26n so với YOLO11n mang lại lợi thế quyết định.
  • Phát hiện vật thể nhỏ: Các tình huống khó như ảnh chụp từ drone trên không hoặc phân tích cảm biến IoT, trong đó ProgLoss và STAL cải thiện độ chính xác khi phát hiện vật thể nhỏ.

Nhìn về phía trước: Sức mạnh của YOLO26#

YOLO11 vẫn là lựa chọn tốt, nhưng YOLO26 (ra mắt tháng 1 năm 2026) là model được khuyến nghị cho các dự án thị giác máy tính mới cần hiệu quả và độ ổn định huấn luyện tốt nhất.

YOLO26 triển khai head end-to-end không cần NMS tùy chọn (nms=False). Bằng cách loại bỏ bước hậu xử lý Non-Maximum Suppression (NMS), model loại bỏ biến thiên độ trễ và đơn giản hóa logic triển khai—một khái niệm mà YOLOv10 đã giới thiệu cho các model YOLO.

YOLO26 còn có tính năng Loại bỏ DFL (Distribution Focal Loss), giúp YOLO26n đạt tốc độ suy luận CPU nhanh hơn đến 43% so với YOLO11n, phù hợp với thiết bị công suất thấp và thiết bị edge. Optimizer MuSGD, phương pháp kết hợp SGD và Muon lấy cảm hứng từ quá trình huấn luyện mô hình ngôn ngữ lớn (LLM), cải thiện độ ổn định huấn luyện và tăng tốc hội tụ. Kết hợp với ProgLoss + STAL (Progressive Loss và phương pháp gán nhãn nhận biết mục tiêu nhỏ), YOLO26 vượt trội trong phát hiện vật thể nhỏ ở các môi trường khó như ảnh drone và cảm biến edge IoT.

Tìm hiểu thêm

Bạn muốn mở rộng kiến thức về các kiến trúc phát hiện vật thể? Hãy khám phá khả năng từ vựng mở của YOLO-World hoặc model RT-DETR dựa trên Transformer được ghi lại trong hệ sinh thái Ultralytics.

Tóm lại, YOLOX đã giới thiệu những khái niệm kiến trúc quan trọng vào năm 2021, nhưng bộ công cụ, hiệu quả bộ nhớ và độ chính xác của YOLO11, đặc biệt là YOLO26 mới hơn, khiến hệ sinh thái Ultralytics trở thành lựa chọn vượt trội hơn cho các nhà nghiên cứu và developer doanh nghiệp hiện nay.

Người đóng góp

Bình luận

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