YOLO11 và YOLOX#

Lĩnh vực thị giác máy tính đã chứng kiến những tiến bộ nhanh chóng trong vài năm qua, với các model phát hiện đối tượng thời gian thực ngày càng tinh vi. Khi lựa chọn kiến trúc cho môi trường production hoặc nghiên cứu học thuật, developer thường cân nhắc sự đánh đổi giữa các cột mốc thế hệ trước và những cải tiến tiên tiến nhất. Bài so sánh toàn diện này phân tích sự khác biệt giữa Ultralytics YOLO11 và YOLOX của Megvii, cung cấp cái nhìn sâu về kiến trúc, chỉ số hiệu năng và các kịch bản triển khai phù hợp.

Tổng quan kiến trúc#

Cả hai model đều là những bước tiến lớn trong lĩnh vực phát hiện đối tượng, nhưng xuất phát từ các 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 hợp nhất, cân bằng giữa độ chính xác cao và hiệu quả vượt trội.

• 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

YOLO11 vượt xa các hộp giới hạn tiêu chuẩn khi hỗ trợ sẵn phân đoạn đối tượng, phân loại ảnh, ước tính tư thế và phát hiện Hộp giới hạn định hướng (OBB). Kiến trúc được tinh chỉnh giúp tối ưu trích xuất đặc trưng, đảm bảo duy trì đặc trưng tốt hơn trên các cấu trúc không gian phức tạp.

YOLOX: Tiên phong không cần anchor#

Được phát triển bởi các nhà nghiên cứu tại Megvii, YOLOX thu hút sự chú ý đáng kể vào năm 2021 khi thu hẹp khoảng cách giữa nghiên cứu và ứng dụng công nghiệp bằng phương pháp hoàn toàn không cần anchor.

• Tác giả: Zheng Ge, Songtao Liu, Feng Wang, Zeming Li và Jian Sun
• Tổ chức: Megvii
• Ngày: 2021-07-18
• Arxiv: https://arxiv.org/abs/2107.08430
• GitHub: https://github.com/Megvii-BaseDetection/YOLOX
• Tài liệu: https://github.com/Megvii-BaseDetection/YOLOX/tree/main/docs

YOLOX giới thiệu head tách rời và phương pháp không cần anchor, giúp giảm đáng kể 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

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 trung bình (mAP) là yếu tố then chốt cho triển khai model trong thực tế.

Như thể hiện trong bảng, YOLO11x vượt trội đáng kể so với YOLOXx về độ chính xác tuyệt đối (54.7 mAP so với 51.1 mAP), trong khi chỉ cần khoảng một nửa số tham số (56.9M so với 99.1M). Hiệu quả này giúp giảm nhu cầu bộ nhớ trong cả quá trình huấn luyện lẫn suy luận, một lợi thế rất lớn trong môi trường production.

Hệ sinh thái và trải nghiệm developer#

Lợi thế của Ultralytics#

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

Ngược lại, YOLO11 được tích hợp hoàn toàn vào package Python Ultralytics, mang đến quy trình làm việc tinh gọn từ "bắt đầu đến thành thạo". Nền tảng Ultralytics cung cấp các công cụ toàn diện để gán nhãn dữ liệu, theo dõi thử nghiệm và huấn luyện trên cloud, xử lý phần boilerplate để kỹ sư có thể tập trung vào hiệu năng model.

from ultralytics import YOLO

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

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

# Xuất sang ONNX hoặc TensorRT liền mạch
model.export(format="onnx")

Hơn nữa, chỉ cần một lệnh duy nhất để xuất model Ultralytics sang các định dạng như TensorRT, CoreML hoặc OpenVINO, trong khi các repository cũ thường yêu cầu công cụ bên thứ ba phức tạp hoặc chỉnh sửa thủ công đồ thị.

Các trường hợp sử dụng thực tế#

Khi nào nên cân nhắc YOLOX#

YOLOX vẫn là lựa chọn phù hợp cho các triển khai chuyên biệt trên hệ thống cũ, nơi các developer đã xây dựng những pipeline suy luận C++ tùy chỉnh sâu dựa trên đầu ra tensor của head tách biệt đặc trưng riêng. Ngoài ra, các nhà nghiên cứu thực hiện nghiên cứu so sánh với những kiến trúc tiên tiến nhất năm 2021 vẫn sẽ sử dụng YOLOX làm baseline bộ dữ liệu benchmark.

Điểm mạnh của YOLO11#

Trong gần như mọi kịch bản triển khai hiện đại, YOLO11 mang lại trải nghiệm vượt trội hơn hẳn:

• Thành phố thông minh và bán lẻ: Nhờ tỷ lệ tốc độ/độ chính xác vượt trội, YOLO11 dễ dàng xử lý các cảnh đông đúc, hỗ trợ phân tích bán lẻ tự động và hệ thống quản lý giao thông mà không cần các cụm GPU quy mô lớn.
• Điện toán biên: Hiệu quả sử dụng bộ nhớ cao cùng các tùy chọn xuất linh hoạt khiến YOLO11 trở thành lựa chọn lý tưởng cho triển khai AI biên trên các thiết bị như Raspberry Pi hoặc nền tảng NVIDIA Jetson.
• Pipeline phức tạp: Nếu dự án yêu cầu kết hợp phát hiện đối tượng với các keypoint tư thế (ví dụ: phân tích thể thao) hoặc phân đoạn instance chính xác (ví dụ: chẩn đoán hình ảnh y tế), YOLO11 xử lý tất cả tác vụ một cách 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 nhiệm: Các dự án cần phát hiện, phân đoạn, ước tính tư thế và OBB trong 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 biên siêu nhẹ: Triển khai trên vi điều khiển hoặc phần cứng di động đời cũ, nơi kích thước cực nhỏ của biến thể YOLOX-Nano (0.91M tham số) là yếu tố then chốt.
• 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 GPU tăng tốc chuyên dụng, nơi tốc độ CPU inference nhanh hơn đến 43% của YOLO26 mang lại lợi thế rõ rệt.
• 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 đáng kể độ chính xác khi phát hiện vật thể rất nhỏ.

Nhìn về phía trước: Sức mạnh của YOLO26#

Mặc dù YOLO11 là một lựa chọn xuất sắc, lĩnh vực AI không ngừng phát triển với tốc độ ngày càng nhanh. Với các nhóm muốn đạt hiệu quả và độ ổn định tối đa, YOLO26 (phát hành tháng 1 năm 2026) là khuyến nghị hàng đầu cho các dự án thị giác máy tính mới.

YOLO26 tạo ra bước tiến vượt bậc nhờ triển khai head End-to-End không cần NMS tùy chọn (nms=False). Bằng cách loại bỏ bước hậu xử lý triệt tiêu cực đại (NMS), model loại bỏ độ biến thiên độ trễ và đơn giản hóa đáng kể logic triển khai—ý tưởng được YOLOv10 tiên phong.

Ngoài ra, YOLO26 còn có tính năng loại bỏ DFL (Distribution Focal Loss), tối ưu hóa kiến trúc để đạt tốc độ suy luận trên CPU nhanh hơn tới 43%, đưa model trở thành lựa chọn hàng đầu cho các thiết bị công suất thấp và thiết bị biên. Độ ổn định khi huấn luyện cũng được tăng cường nhờ bộ tối ưu hóa MuSGD—một phương pháp kết hợp SGD và Muon lấy cảm hứng từ LLM, giúp tăng tốc hội tụ. Kết hợp với các hàm loss tiên tiến như ProgLoss + STAL, YOLO26 nổi bật trong việc phát hiện vật thể nhỏ ở những môi trường khó khăn như ảnh chụp từ drone và cảm biến biên IoT.

Tóm lại, dù YOLOX đã giới thiệu những khái niệm kiến trúc quan trọng vào năm 2021, bộ công cụ toàn diện, hiệu quả bộ nhớ và hiệu năng tiên tiến của YOLO11—đặc biệt là kiến trúc đột phá của YOLO26—khiến hệ sinh thái Ultralytics trở thành lựa chọn hiển nhiên cho các nhà nghiên cứu và developer doanh nghiệp hiện nay.