YOLO26 so với YOLO11#

Khi xây dựng các hệ thống thị giác máy tính tiên tiến, việc lựa chọn mô hình phù hợp đóng vai trò cốt lõi để cân bằng giữa độ chính xác, độ trễ và hiệu quả tài nguyên. Trong bối cảnh trí tuệ nhân tạo phát triển nhanh chóng, Ultralytics tiếp tục vượt qua các giới hạn của những gì khả thi. Bản so sánh kỹ thuật chi tiết này khám phá quá trình chuyển đổi từ YOLO11 cực kỳ thành công sang YOLO26 hoàn toàn mới và mang tính cách mạng, cung cấp cho các kỹ sư và nhà nghiên cứu AI những thông tin chi tiết cần thiết để đưa ra quyết định kiến trúc sáng suốt.

Hệ thống phân loại mô hình và Metadata#

Cả hai mô hình đều được phát triển bởi Ultralytics, nhưng chúng đại diện cho các mô hình tư duy khác nhau trong dòng thời gian của các mô hình phát hiện đối tượng và thị giác đa nhiệm.

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 YOLO26

Tìm hiểu thêm về YOLO26

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 YOLO11

Tìm hiểu thêm về YOLO11

Khác biệt kiến trúc và đổi mới#

Bước nhảy vọt từ YOLO11 lên YOLO26 liên quan đến các sự thay đổi cơ bản trong cả kiến trúc mô hình lẫn quy trình huấn luyện nền tảng. Trong khi YOLO11 thiết lập một nền tảng vững chắc cho phát hiện đối tượng và học đa tác vụ, YOLO26 đại tu hoàn toàn pipeline triển khai cho điện toán biên.

Thiết kế End-to-End không dùng NMS#

Một trong những nâng cấp quan trọng nhất trong YOLO26 là kiến trúc thuần túy đầu cuối (end-to-end). Không giống như YOLO11 dựa vào hậu xử lý Non-Maximum Suppression (NMS) để lọc các hộp bao trùng lặp, YOLO26 loại bỏ hoàn toàn bước này. Khái niệm này, lần đầu tiên được tiên phong trong YOLOv10, làm giảm đáng kể biến động độ trễ và đơn giản hóa logic triển khai trên các thiết bị biên đa dạng.

Loại bỏ DFL cho hiệu quả biên#

YOLO11 sử dụng Distribution Focal Loss (DFL) để tinh chỉnh ước tính khung bao. Tuy nhiên, DFL dựa vào các phép toán softmax phức tạp thường không được hỗ trợ tốt bởi các bộ tăng tốc biên năng lượng thấp. YOLO26 loại bỏ thành công DFL mà không làm giảm độ chính xác. Sự đơn giản hóa kiến trúc này giúp cải thiện đáng kể khả năng tương thích với các hệ thống nhúng và cho phép YOLO26 đạt được tốc độ suy luận CPU nhanh hơn tới 43% so với phiên bản tiền nhiệm.

Trình tối ưu hóa MuSGD#

Độ ổn định và tốc độ huấn luyện là yếu tố tối quan trọng. YOLO26 giới thiệu MuSGD Optimizer, một sự kết hợp giữa Stochastic Gradient Descent (SGD) và Muon, lấy cảm hứng mạnh mẽ từ các đổi mới huấn luyện LLM của Kimi K2 từ Moonshot AI. Trình tối ưu hóa này mang lại sự ổn định huấn luyện mô hình ngôn ngữ cho thị giác máy tính, đảm bảo hội tụ nhanh hơn và giảm dấu chân bộ nhớ trong quá trình huấn luyện so với các giải pháp thay thế Transformer nặng nề.

ProgLoss và STAL#

Đối với các nhà nghiên cứu làm việc với ảnh chụp từ trên không hoặc các ứng dụng máydrone, việc phát hiện các đặc điểm nhỏ là một thách thức lịch sử. YOLO26 giới thiệu ProgLoss kết hợp với STAL (Scale-Targeted Attention Loss), mang lại những cải tiến đáng kể trong việc nhận diện đối tượng nhỏ so với YOLO11.

So sánh Hiệu năng và Chỉ số#

Khi so sánh trực tiếp các mô hình, YOLO26 thể hiện sự vượt trội rõ ràng về độ chính xác và hiệu quả trên thiết bị biên, trong khi vẫn duy trì các yêu cầu bộ nhớ cực thấp đặc trưng của hệ sinh thái Ultralytics.

Lưu ý: Mô hình YOLO26 nano (YOLO26n) cho thấy sự cải thiện ~31% về tốc độ CPU so với YOLO11n (38.9ms so với 56.1ms), làm nổi bật triết lý thiết kế ưu tiên thiết bị biên.

Sự linh hoạt trên các tác vụ thị giác máy tính#

Cả hai mô hình đều được hưởng lợi từ hệ sinh thái Ultralytics được bảo trì cao, mang lại sự dễ sử dụng vô song thông qua một Python API thống nhất. Chúng không chỉ là các bộ phát hiện đối tượng; chúng là những cỗ máy đa nhiệm mạnh mẽ. Tuy nhiên, YOLO26 kết hợp một số tiến bộ đặc thù cho tác vụ:

• Phân đoạn cá thể (Instance Segmentation): YOLO26 sử dụng hàm mất mát phân đoạn ngữ nghĩa được tinh chỉnh và tạo nguyên mẫu đa tỷ lệ, tạo ra các đường viền mặt nạ sắc nét hơn so với YOLO11. Tìm hiểu thêm về quy trình phân đoạn.
• Ước lượng tư thế (Pose Estimation): Bằng cách tích hợp Residual Log-Likelihood Estimation (RLE), YOLO26 cải thiện đáng kể độ chính xác của điểm keypoint trong các tư thế phức tạp của con người. Khám phá khả năng ước lượng tư thế.
• Hộp bao định hướng (OBB): Một hàm mất mát góc chuyên biệt giải quyết các vấn đề gián đoạn biên lịch sử, làm cho YOLO26 trở nên cực kỳ đáng tin cậy trong việc phát hiện các đối tượng bị xoay trong nguồn cấp dữ liệu vệ tinh. Đọc về các tác vụ OBB.
• Phân loại ảnh (Image Classification): Cả hai mô hình đều xử lý phân loại tốc độ cao một cách hiệu quả, với YOLO26 mang lại những cải tiến nhỏ về độ chính xác top-1 trên ImageNet.

Ví dụ mã huấn luyện và suy luận#

Ultralytics nổi tiếng với trải nghiệm nhà phát triển. Việc huấn luyện một mô hình SOTA hoặc chạy một script suy luận chỉ mất vài dòng mã, giảm thiểu mã chuẩn và tối đa hóa năng suất. Hơn nữa, việc huấn luyện các mô hình YOLO đòi hỏi 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 lý tưởng và chiến lược triển khai#

Việc lựa chọn giữa YOLO26 và YOLO11 phụ thuộc hoàn toàn vào các ràng buộc của môi trường sản xuất của bạn.

Khi nào nên triển khai YOLO26#

YOLO26 là lựa chọn dứt khoát cho các dự án hiện đại, mới bắt đầu. Nó được xây dựng đặc biệt cho:

• Điện toán biên và IoT: Hiệu suất CPU đáng kinh ngạc và khả năng loại bỏ DFL khiến nó trở thành vua của các thiết bị như Raspberry Pi, Coral NPU và bộ xử lý di động.
• Phân tích máy bay không người lái và trên không: Việc tích hợp ProgLoss + STAL khiến nó có khả năng độc đáo trong việc theo dõi các đối tượng nhỏ, di chuyển nhanh trên các cảnh quan rộng lớn.
• Ứng dụng đòi hỏi độ trễ nghiêm ngặt: Trong robot tự động hoặc kiểm soát chất lượng sản xuất, thiết kế không có NMS đảm bảo độ trễ tất định mà không có các đỉnh hậu xử lý bất ngờ.

Khi nào nên giữ lại YOLO11#

Mặc dù YOLO26 vượt trội hơn, YOLO11 vẫn là một mô hình cực kỳ mạnh mẽ. Bạn có thể gắn bó với YOLO11 nếu:

• Pipeline kế thừa: Cơ sở hạ tầng triển khai C++ hiện có của bạn được kết nối chặt chẽ với các đầu ra dựa trên anchor cụ thể và logic NMS của các kiến trúc cũ hơn.
• Cơ sở học thuật: Bạn đang xuất bản nghiên cứu và cần một tiêu chuẩn 2024 được công nhận rộng rãi để làm chuẩn so sánh với các thuật toán mới của mình.

Sức mạnh của hệ sinh thái Ultralytics#

Bất kể bạn triển khai YOLO11 hay YOLO26, việc tận dụng các mô hình Ultralytics có nghĩa là khai thác một hệ sinh thái được duy trì tốt với các bản cập nhật thường xuyên và sự hỗ trợ cộng đồng rộng lớn.

Đối với các nhóm doanh nghiệp, Ultralytics Platform cung cấp giải pháp đầu cuối cho gắn nhãn dữ liệu, huấn luyện mô hình và triển khai đám mây liền mạch. Từ việc xuất trọng số đã huấn luyện của bạn sang CoreML hoặc TensorRT, đến việc định cấu hình tinh chỉnh siêu tham số nâng cao, các công cụ được cung cấp đảm bảo vòng đời AI của bạn được tối ưu hóa nhất có thể.