YOLO26 so với YOLO11#
Khi xây dựng các hệ thống thị giác máy tính tiên tiến nhất, việc lựa chọn model phù hợp là yếu tố then chốt để cân bằng độ chính xác, độ trễ và hiệu quả sử dụng tài nguyên. Trong bối cảnh trí tuệ nhân tạo không ngừng phát triển, Ultralytics tiếp tục mở rộng giới hạn của những gì có thể thực hiện. Bản so sánh kỹ thuật chi tiết này phân tích quá trình chuyển đổi từ YOLO11 rất thành công sang YOLO26 mang tính cách mạng, cung cấp cho các kỹ sư AI và nhà nghiên cứu những thông tin cần thiết để đưa ra quyết định về kiến trúc một cách sáng suốt.
Dòng model và siêu dữ liệu#
Cả hai model đều được Ultralytics phát triển, nhưng đại diện cho những mô hình khác nhau trong tiến trình phát triển của các model phát hiện đối tượng và thị giác đa nhiệm.
Thông tin chi tiết về YOLO26:
- Tác giả: Glenn Jocher và Jing Qiu
- Tổ chức: Ultralytics
- Ngày: 2026-01-14
- GitHub: Kho lưu trữ Ultralytics
- Tài liệu: Tài liệu chính thức về YOLO26
Thông tin chi tiết về YOLO11:
- Tác giả: Glenn Jocher và Jing Qiu
- Tổ chức: Ultralytics
- Ngày: 2024-09-27
- GitHub: Kho lưu trữ Ultralytics
- Tài liệu: Tài liệu chính thức về YOLO11
Các khác biệt và đổi mới về kiến trúc#
Bước tiến từ YOLO11 lên YOLO26 bao gồm những thay đổi nền tảng trong cả kiến trúc model lẫn quy trình huấn luyện bên dưới. Trong khi YOLO11 thiết lập một baseline vững chắc cho phát hiện đối tượng và học đa nhiệm, YOLO26 đại tu hoàn toàn pipeline triển khai cho điện toán biên.
Thiết kế end-to-end không cần NMS#
Một trong những nâng cấp đáng kể nhất của YOLO26 là kiến trúc end-to-end nguyên bản. Khác với YOLO11, vốn dựa vào bước hậu xử lý Non-Maximum Suppression (NMS) để lọc các bounding box chồng lấn, YOLO26 loại bỏ hoàn toàn bước này. Ý tưởng này lần đầu được tiên phong trong YOLOv10, giúp giảm đáng kể biến động độ trễ và đơn giản hóa logic triển khai trên nhiều thiết bị biên khác nhau.
Loại bỏ DFL để tăng hiệu quả trên thiết bị biên#
YOLO11 sử dụng Distribution Focal Loss (DFL) để tinh chỉnh các ước lượng bounding box. Tuy nhiên, DFL phụ thuộc vào các phép toán softmax phức tạp, thường không được các bộ tăng tốc biên công suất thấp hỗ trợ tốt. YOLO26 loại bỏ DFL thành công mà không làm giảm độ chính xác. Sự đơn giản hóa về kiến trúc này mang lại khả năng tương thích được cải thiện đáng kể với các hệ thống nhúng và cho phép YOLO26 đạt tốc độ suy luận trên CPU nhanh hơn tới 43% so với phiên bản tiền nhiệm.
Optimizer MuSGD#
Độ ổn định và tốc độ huấn luyện là yếu tố tối quan trọng. YOLO26 giới thiệu Optimizer MuSGD, một phương pháp lai giữa Stochastic Gradient Descent (SGD) và Muon, lấy cảm hứng sâu sắc từ những đổi mới trong huấn luyện LLM của Kimi K2 thuộc Moonshot AI. Optimizer này mang lại độ ổn định của quá trình huấn luyện model ngôn ngữ cho thị giác máy tính, đảm bảo hội tụ nhanh hơn và giảm footprint bộ nhớ trong quá trình huấn luyện so với các lựa chọn Transformer nặng.
ProgLoss và STAL#
Đối với các nhà nghiên cứu làm việc với ảnh hàng không hoặc các ứng dụng drone, việc phát hiện các đặc điểm nhỏ là một thách thức lâu đời. YOLO26 giới thiệu ProgLoss kết hợp với STAL (Small-Target-Aware Label Assignment), mang lại những cải tiến đáng kể trong việc nhận diện vật thể nhỏ so với YOLO11.
So sánh hiệu năng và các chỉ số#
Khi so sánh trực tiếp, YOLO26 cho thấy ưu thế rõ rệt về độ chính xác và hiệu quả trên thiết bị biên, đồng thời duy trì yêu cầu bộ nhớ cực thấp vốn là đặc trưng của hệ sinh thái Ultralytics.
| Model | kích thước (pixel) | mAPval 50-95 | Tốc độ CPU ONNX (ms) | Tốc độ T4 TensorRT10 (ms) | tham số (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLO26n | 640 | 40.9 | 38.9 | 1.7 | 2.4 | 5.4 |
| YOLO26s | 640 | 48.6 | 87.2 | 2.5 | 9.5 | 20.7 |
| YOLO26m | 640 | 53.1 | 220.0 | 4.7 | 20.4 | 68.2 |
| YOLO26l | 640 | 55.0 | 286.2 | 6.2 | 24.8 | 86.4 |
| YOLO26x | 640 | 57.5 | 525.8 | 11.8 | 55.7 | 193.9 |
| 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 |
Lưu ý: Model nano YOLO26 (YOLO26n) cho thấy tốc độ CPU được cải thiện khoảng ~31% so với YOLO11n (38.9ms so với 56.1ms), làm nổi bật triết lý thiết kế ưu tiên thiết bị biên.
Tính linh hoạt trên các tác vụ thị giác máy tính#
Cả hai model đều hưởng lợi từ hệ sinh thái Ultralytics được duy trì tích cực, mang lại khả năng sử dụng dễ dàng vượt trội thông qua một Python API thống nhất. Chúng không chỉ là các model phát hiện đối tượng; chúng là những model đa nhiệm mạnh mẽ. Tuy nhiên, YOLO26 tích hợp một số cải tiến dành riêng cho từng tác vụ:
- Phân đoạn instance: YOLO26 sử dụng loss phân đoạn ngữ nghĩa được tinh chỉnh và kỹ thuật tạo prototype đa tỷ lệ, tạo ra ranh giới mask rõ nét hơn YOLO11. Tìm hiểu thêm về workflow phân đoạn.
- Ước lượng pose: Bằng cách tích hợp Residual Log-Likelihood Estimation (RLE), YOLO26 cải thiện đáng kể độ chính xác keypoint trong các tư thế người phức tạp. Khám phá khả năng ước lượng pose.
- Bounding box định hướng (OBB): Một hàm loss góc chuyên dụng giải quyết các vấn đề gián đoạn ranh giới tồn tại lâu nay, giúp YOLO26 đặc biệt đáng tin cậy khi phát hiện các đối tượng xoay trong dữ liệu vệ tinh. Đọc về các tác vụ OBB.
- Phân loại ảnh: Cả hai model đều xử lý phân loại tốc độ cao hiệu quả, trong đó YOLO26 mang lại mức cải thiện nhỏ về độ chính xác top-1 trên ImageNet.
Ví dụ mã huấn luyện và suy luận#
Ultralytics được đánh giá cao về trải nghiệm dành cho developer. Việc huấn luyện một model SOTA hoặc chạy một script suy luận chỉ cần vài dòng code, giảm thiểu boilerplate và tối đa hóa năng suất. Ngoài ra, việc huấn luyện các model YOLO yêu cầu ít bộ nhớ CUDA hơn đáng kể so với các mạng Transformer lớn.
from ultralytics import YOLO
# Load the cutting-edge YOLO26 nano model
model = YOLO("yolo26n.pt")
# Train the model on the COCO8 dataset efficiently
# The MuSGD optimizer is automatically enabled for YOLO26
train_results = model.train(
data="coco8.yaml",
epochs=100,
imgsz=640,
device="0", # Utilize GPU for accelerated training
)
# Perform NMS-free inference directly on an image
results = model("https://ultralytics.com/images/bus.jpg")
# Display the clean, instant predictions
results[0].show()Các trường hợp sử dụng và chiến lược triển khai lý tưởng#
Việc lựa chọn giữa YOLO26 và YOLO11 hoàn toàn phụ thuộc vào các ràng buộc của môi trường production.
Khi nào nên triển khai YOLO26#
YOLO26 là lựa chọn tối ưu cho các dự án greenfield hiện đại. Model này được xây dựng đặc biệt cho:
- Điện toán biên và IoT: Hiệu năng CPU vượt trội cùng việc loại bỏ DFL giúp model này trở thành lựa chọn hàng đầu cho các thiết bị như Raspberry Pi, NPU Coral và bộ xử lý di động.
- Phân tích drone và ảnh chụp từ trên không: Việc tích hợp ProgLoss + STAL giúp model này có khả năng đặc biệt trong việc theo dõi các đối tượng nhỏ, di chuyển nhanh trên những khu vực rộng lớn.
- Ứng dụng yêu cầu độ trễ nghiêm ngặt: Trong lĩnh vực robot tự hành hoặc kiểm soát chất lượng sản xuất, thiết kế không cần NMS đảm bảo độ trễ xác định mà không xuất hiện các đỉnh bất ngờ trong hậu xử lý.
Khi nào nên tiếp tục sử dụng YOLO11#
Mặc dù YOLO26 vượt trội hơn, YOLO11 vẫn là một model có năng lực đáng kể. Bạn có thể tiếp tục sử dụng YOLO11 nếu:
- Pipeline legacy: Hạ tầng triển khai C++ hiện tại của bạn gắn chặt với các output dựa trên anchor cụ thể và logic NMS của những kiến trúc cũ.
- Baseline học thuật: Bạn đang công bố nghiên cứu và cần một chuẩn năm 2024 được công nhận rộng rãi để benchmark các thuật toán mới của mình.
Sức mạnh của hệ sinh thái Ultralytics#
Bất kể bạn triển khai YOLO11 hay YOLO26, việc sử dụng các model Ultralytics đồng nghĩa với việc tận dụng một hệ sinh thái được duy trì tốt, với các bản cập nhật thường xuyên và sự hỗ trợ rộng lớn từ cộng đồng.
Đối với các đội ngũ doanh nghiệp, Ultralytics Platform cung cấp giải pháp end-to-end cho gắn nhãn dữ liệu, huấn luyện model và triển khai cloud liền mạch. Từ việc export weight đã huấn luyện sang CoreML hoặc TensorRT đến cấu hình tinh chỉnh hyperparameter nâng cao, các công cụ được cung cấp đảm bảo vòng đời AI của bạn được tối ưu hóa tối đa.