YOLO26 so với... YOLO11 Một kỷ nguyên mới của trí tuệ nhân tạo thị giác toàn diện

Sự phát triển của lĩnh vực phát hiện đối tượng được đánh dấu bằng sự theo đuổi không ngừng nghỉ về tốc độ, độ chính xác và hiệu quả. Hai cột mốc quan trọng nhất trong hành trình này là YOLO26 và YOLO11 . Mặc dù cả hai mô hình đều xuất phát từ nghiên cứu đột phá tại Ultralytics , nhưng chúng đại diện cho các thế hệ triết lý kiến ​​trúc khác nhau. Bài so sánh này sẽ đi sâu vào các sắc thái kỹ thuật của các kiến ​​trúc này, giúp các nhà phát triển và nhà nghiên cứu lựa chọn công cụ phù hợp cho các ứng dụng thị giác máy tính cụ thể của họ.

So sánh Các chỉ số Hiệu suất

Bảng sau đây nêu bật sự khác biệt về hiệu năng giữa hai dòng sản phẩm. COCO tập dữ liệu. Hãy chú ý đến bước nhảy vọt đáng kể trong CPU Tốc độ suy luận của YOLO26, một kết quả trực tiếp từ những tối ưu hóa kiến ​​trúc của nó.

Sự tiến hóa kiến trúc

YOLO26: The NMS -Cách mạng tự do

Ra mắt vào tháng 1 năm 2026, YOLO26 đại diện cho một bước chuyển đổi mang tính đột phá hướng tới phát hiện đối tượng từ đầu đến cuối một cách tự nhiên. Không giống như các bộ phát hiện truyền thống dựa vào các bước xử lý hậu kỳ theo kinh nghiệm như loại bỏ cực đại không đồng nhất (Non-Maximum Suppression - NMS ) để lọc các hộp giới hạn trùng lặp, YOLO26 tích hợp logic này trực tiếp vào kiến ​​trúc mạng. Khái niệm này, ban đầu được tiên phong trong các nghiên cứu như YOLOv10 , đã được hoàn thiện để đảm bảo tính ổn định trong môi trường sản xuất của YOLO26.

Các đổi mới kiến trúc chính bao gồm:

• Thiết kế NMS từ đầu đến cuối - Miễn phí: Bằng cách loại bỏ NMS YOLO26 đơn giản hóa quy trình triển khai. Điều này đặc biệt có lợi cho các kịch bản điện toán biên, nơi sự biến đổi trong... NMS Độ trễ có thể gây ra hiện tượng giật hình trong các ứng dụng thời gian thực.
• Loại bỏ DFL: Việc loại bỏ Suy hao tiêu điểm phân bố (DFL) giúp đơn giản hóa các lớp đầu ra của mô hình. Thay đổi này cải thiện đáng kể khả năng tương thích với các thiết bị công suất thấp và đơn giản hóa việc xuất mô hình sang các định dạng như... ONNX Và CoreML vì cần ít toán tử tùy chỉnh hơn.
• Bộ tối ưu hóa MuSGD: Lấy cảm hứng từ những cải tiến trong huấn luyện Mô hình Ngôn ngữ Lớn (LLM) như Kimi K2 của Moonshot AI, YOLO26 sử dụng bộ tối ưu hóa lai kết hợp SGD và Muon. Điều này mang lại sự ổn định vượt trội cho các lần chạy huấn luyện, cho phép hội tụ nhanh hơn ngay cả với các tập dữ liệu phức tạp.
• ProgLoss + STAL: Việc giới thiệu Progressive Loss (ProgLoss) và Self-Training Anchor Loss (STAL) mang lại những cải tiến đáng kể trong việc phát hiện các vật thể nhỏ . Các hàm mất mát này tự động điều chỉnh tiêu điểm trong quá trình huấn luyện, đảm bảo rằng các ví dụ khó—thường là các vật thể nhỏ hoặc bị che khuất—được học hiệu quả hơn.

Tìm hiểu thêm về YOLO26

YOLO11 Tiêu chuẩn mạnh mẽ

YOLO11 , ra mắt vào tháng 9 năm 2024, được xây dựng dựa trên nền tảng của... YOLOv8 bằng cách giới thiệu khối C3k2 và những cải tiến cho mô-đun SPPF (Spatial Pyramid Pooling - Fast). Mặc dù vẫn là một mô hình có khả năng cao và mạnh mẽ, nhưng nó dựa trên đầu dò không có neo truyền thống, vốn yêu cầu... NMS xử lý hậu kỳ.

YOLO11 Nó hoạt động xuất sắc trong các trường hợp cần hỗ trợ hệ thống kế thừa rộng rãi, hoặc khi phụ thuộc vào các đặc điểm kiến ​​trúc cụ thể của các thế hệ trước. Tuy nhiên, so với kiến ​​trúc được tối ưu hóa của YOLO26, nó có chi phí tính toán cao hơn một chút trong giai đoạn xử lý hậu kỳ, điều này có thể trở thành nút thắt cổ chai trong môi trường xử lý dữ liệu tốc độ cao.

Tìm hiểu thêm về YOLO11

Các trường hợp sử dụng lý tưởng

Khi nào nên chọn YOLO26

YOLO26 là lựa chọn được khuyến nghị cho hầu hết các dự án mới, đặc biệt là những dự án ưu tiên hiệu quả và dễ triển khai.

1. AI biên và IoT: Với quy mô khổng lồ CPU tăng tốc và NMS - Với thiết kế miễn phí, YOLO26 hoàn hảo cho các thiết bị như Raspberry Pi hoặc NVIDIA Jetson. Độ trễ biến thiên thấp hơn là rất quan trọng đối với robot, nơi cần có sự nhất quán về thời gian cho các vòng điều khiển.
2. Các tác vụ thị giác phức tạp: Ngoài khả năng phát hiện, YOLO26 còn cung cấp những cải tiến chuyên biệt cho từng tác vụ. Ví dụ, phương pháp ước lượng logarit xác suất dư (RLE) giúp tăng đáng kể độ chính xác trong ước lượng tư thế , trong khi các hàm mất mát góc chuyên dụng cải thiện độ chính xác của hộp giới hạn định hướng (OBB) đối với ảnh chụp từ trên không.
3. Ứng dụng tiết kiệm năng lượng: Việc loại bỏ DFL và kiến ​​trúc được tối ưu hóa giúp YOLO26 tiêu thụ ít năng lượng hơn cho mỗi lần suy luận, kéo dài thời lượng pin trong các ứng dụng di động.

Khi nào nên chọn YOLO11

YOLO11 vẫn là một lựa chọn hợp lệ cho:

• Hệ thống cũ: Nếu bạn có một hệ thống xử lý dữ liệu hiện có được tối ưu hóa cao cho... YOLO11 định dạng đầu ra cụ thể của nó và không đủ thời gian kỹ thuật để cập nhật logic xử lý hậu kỳ (mặc dù quá trình chuyển đổi sang YOLO26 nhìn chung diễn ra liền mạch với Ultralytics ).
• So sánh chuẩn mực: Các nhà nghiên cứu thường sử dụng các mô hình được áp dụng rộng rãi như... YOLO11 hoặc sử YOLOv8 làm cơ sở so sánh với các kiến ​​trúc mới.

Lợi thế của Ultralytics

Cho dù bạn chọn YOLO26 hay YOLO11 , tận dụng Ultralytics Hệ sinh thái này mang lại những lợi thế vượt trội so với các khuôn khổ cạnh tranh khác.

Dễ sử dụng và đa năng

Ultralytics Các mô hình được thiết kế cho trải nghiệm "từ con số không đến anh hùng". Một mô hình duy nhất Python API hỗ trợ phát hiện , phân đoạn , phân loại và theo dõi . Tính linh hoạt này cho phép các nhóm kỹ thuật chuyển đổi giữa các nhiệm vụ mà không cần phải học các bộ mã mới.

from ultralytics import YOLO

# Load the latest YOLO26 model
model = YOLO("yolo26n.pt")

# Train on a custom dataset with MuSGD optimization automatically handled
results = model.train(data="coco8.yaml", epochs=100)

# Export to ONNX for simplified edge deployment
path = model.export(format="onnx")

Hiệu quả huấn luyện & Bộ nhớ

Cả hai mô hình đều được tối ưu hóa về hiệu quả huấn luyện , nhưng trình tối ưu hóa MuSGD của YOLO26 còn giúp ổn định quá trình này hơn nữa. Không giống như các mô hình dựa trên transformer khổng lồ đòi hỏi lượng VRAM lớn, Ultralytics YOLO Các mô hình thường có thể được tinh chỉnh trên các GPU dành cho người tiêu dùng, giúp mọi người dễ dàng tiếp cận với trí tuệ nhân tạo tiên tiến nhất.

Hệ sinh thái được duy trì tốt

Nền tảng Ultralytics và thư viện mã nguồn mở đảm bảo các dự án của bạn luôn phù hợp với tương lai. Với các bản cập nhật thường xuyên, tài liệu đầy đủ và các công cụ quản lý tập dữ liệu cũng như đào tạo về điện toán đám mây, bạn được hỗ trợ bởi một cộng đồng vững mạnh và đội ngũ phát triển năng động.

Siêu dữ liệu mô hình

YOLO26

• Tác giả: Glenn Jocher và Jing Qiu
• Tổ chức:Ultralytics
• Ngày: 2026-01-14
• GitHub:https://github.com/ultralytics/ultralytics
• Tài liệu: ultralytics

YOLO11

• 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/

Kết luận

Trong khi YOLO11 vẫn là một mẫu máy mạnh mẽ và có khả năng hoạt động tốt, YOLO26 thiết lập một tiêu chuẩn mới về hiệu quả và tốc độ. Khả năng vận hành toàn diện của nó... NMS - Thiết kế miễn phí, kết hợp với các tính năng quan trọng CPU Các tối ưu hóa suy luận và hàm mất mát nâng cao khiến nó trở thành lựa chọn vượt trội cho các ứng dụng thị giác máy tính hiện đại. Bằng cách áp dụng YOLO26, các nhà phát triển có thể đạt được độ chính xác cao hơn và hiệu suất nhanh hơn với độ phức tạp thấp hơn, đồng thời vẫn nằm trong hệ sinh thái Ultralytics thân thiện với người dùng.

Bình luận