Bắt đầu

YOLO26 so với YOLOX

Năm 2021, YOLOX giới thiệu thiết kế không anchor có sức ảnh hưởng, thu hẹp khoảng cách giữa nghiên cứu học thuật và ứng dụng công nghiệp trong lĩnh vực phát hiện đối tượng thời gian thực. Tháng 1 năm 2026, Ultralytics YOLO phát hành YOLO26. Bài so sánh này tìm hiểu cách YOLO26 phát triển dựa trên các đổi mới trước đó và khác biệt về hiệu năng, tính linh hoạt và mức độ dễ sử dụng.

Tổng quan về model#

Hiểu rõ nguồn gốc và triết lý cốt lõi của các model này là điều cần thiết để đưa ra quyết định triển khai sáng suốt.

Thông tin chi tiết về YOLO26#

YOLO26 là model Ultralytics YOLO mới nhất, cung cấp head không cần NMS end-to-end tùy chọn (nms=False) để loại bỏ các nút thắt hậu xử lý. Model được tối ưu hóa cho cả triển khai cloud lẫn edge, với hệ sinh thái hỗ trợ nhiều tác vụ thị giác.

Thông tin chi tiết về YOLOX#

Tìm hiểu thêm về YOLOX

YOLOX là một bước tiến lớn, giới thiệu head tách biệt và kiến trúc anchor-free cùng chiến lược gán nhãn SimOTA. Vào thời điểm ra mắt, model cân bằng rất tốt giữa tốc độ và độ chính xác, nhờ đó trở thành lựa chọn phổ biến cho nhiều hệ thống cũ.

Các cải tiến kiến trúc#

Sự khác biệt giữa YOLO26 và YOLOX phản ánh tiến bộ trong thiết kế deep learning từ năm 2021 đến năm 2026.

YOLOX thúc đẩy phương pháp không dùng anchor, nhưng vẫn dựa vào Non-Maximum Suppression (NMS) truyền thống để lọc các bounding box dư thừa. YOLO26 bổ sung head End-to-End không cần NMS tùy chọn (nms=False). Phương pháp này, được YOLOv10 giới thiệu cho các model YOLO, bỏ qua bước hậu xử lý NMS, tạo ra pipeline triển khai nhanh và đơn giản hơn với biến thiên độ trễ thấp hơn.

Ngoài ra, YOLO26 còn loại bỏ DFL. Loại bỏ Distribution Focal Loss giúp đơn giản hóa quy trình export và cải thiện khả năng tương thích với thiết bị edge, phần cứng công suất thấp. Kết hợp với các tối ưu hóa kiến trúc khác, điều này giúp YOLO26n nhanh hơn YOLO11n tới 43% trên CPU, rất phù hợp với môi trường không có GPU chuyên dụng.

Độ ổn định khi huấn luyện là một điểm khác biệt quan trọng khác. YOLO26 sử dụng optimizer MuSGD, một phương pháp lai giữa SGD và Muon, lấy cảm hứng từ các đổi mới trong huấn luyện LLM của Moonshot AI. Optimizer này đưa độ ổn định trong huấn luyện model ngôn ngữ lớn vào thị giác máy tính, hỗ trợ hội tụ nhanh hơn.

Cải tiến trong huấn luyện

YOLO26 sử dụng ProgLoss + STAL, một cơ chế cân bằng loss tiến triển và chiến lược gán nhãn nhận biết mục tiêu nhỏ, giúp cải thiện khả năng nhận diện đối tượng nhỏ. Điều này quan trọng với các tác vụ như xử lý ảnh trên không và phân tích môi trường đông đúc.

Hiệu năng và benchmark#

Trên dataset COCO, YOLO26 đạt mAP cao hơn YOLOX ở mọi kích thước có thể so sánh (ví dụ, 48.6 so với 40.5 ở các model s), cùng độ trễ TensorRT trên T4 thấp hơn.

Modelkích thước
(pixel)
mAPval50-95Tốc độ
CPU ONNX
(ms)
Tốc độ
T4 TensorRT10
(ms)
params
(M)
FLOPs
(B)
YOLO26n64040.938.91.72.45.5
YOLO26s64048.687.22.59.520.9
YOLO26m64053.1220.04.720.468.4
YOLO26l64055.0286.26.224.886.8
YOLO26x64057.5525.811.855.7194.4
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

Lưu ý: YOLO26x đạt 57.5 mAP với 55.7M tham số, trong khi YOLOXx đạt 51.1 mAP với 99.1M tham số.

Hệ sinh thái và tính dễ sử dụng#

Một trong những lợi thế đáng kể nhất khi chọn YOLO26 là hệ sinh thái được Ultralytics duy trì tốt. Trong khi YOLOX đòi hỏi người dùng làm việc với các codebase nghiên cứu và thiết lập môi trường thủ công, Ultralytics mang đến trải nghiệm phát triển đơn giản hơn.

Với Python API thống nhất, nhà phát triển có thể dễ dàng chuyển đổi giữa các tác vụ như phát hiện đối tượng, phân đoạn instance, phân đoạn ngữ nghĩa, ước tính độ sâu, phân loại hình ảnh, ước tính pose và OBB. YOLOX chỉ hỗ trợ phát hiện bounding box.

Ví dụ huấn luyện#

Huấn luyện model trên dataset tùy chỉnh bằng Ultralytics rất hiệu quả. Pipeline huấn luyện giúp duy trì mức sử dụng bộ nhớ CUDA thấp, cho phép dùng batch size lớn hơn trên phần cứng phổ thông so với nhiều kiến trúc cũ hoặc model Transformer nặng.

from ultralytics import YOLO

# Khởi tạo model YOLO26 small
model = YOLO("yolo26s.pt")

# Huấn luyện model trên bộ dữ liệu COCO8
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)

# Export model đã huấn luyện sang định dạng ONNX để triển khai
model.export(format="onnx")

Ultralytics Platform còn cải thiện quy trình làm việc này, cung cấp khả năng huấn luyện trên cloud, gán nhãn dataset có AI hỗ trợ và các tùy chọn triển khai cho những nhóm chuyển từ prototype sang production.

Trường hợp sử dụng lý tưởng và ứng dụng thực tế#

Model phù hợp phụ thuộc vào môi trường triển khai của bạn.

AI biên và IoT#

Với các ứng dụng cần xử lý cục bộ trên phần cứng hạn chế, chẳng hạn như hệ thống báo động an ninh thông minh hoặc cảm biến môi trường từ xa, YOLO26 là lựa chọn phù hợp hơn. Head tùy chọn không cần NMS và khả năng thực thi nhanh trên CPU cho phép model chạy trên các thiết bị như Raspberry Pi mà không cần giải pháp né tránh lượng tử hóa phức tạp.

Robotics tự hành#

Các ứng dụng robotics đòi hỏi độ chính xác cao và độ trễ thấp. Khả năng ước tính pose của YOLO26, được tăng cường bởi Residual Log-Likelihood Estimation (RLE), cho phép robot hiểu động học của con người theo thời gian thực. Việc YOLOX không hỗ trợ phát hiện keypoint gốc khiến model không phù hợp với các tác vụ tương tác người-robot nâng cao như vậy.

Kiểm tra trên cao và ảnh hàng không#

Khi kiểm tra hạ tầng bằng drone, việc phát hiện các lỗi nhỏ là rất quan trọng. ProgLoss và STAL trong YOLO26 cải thiện recall đối với đối tượng nhỏ. Ngoài ra, YOLO26 hỗ trợ gốc Oriented Bounding Boxes (OBB), đi kèm hàm loss góc chuyên biệt để khắc phục vấn đề biên, nhờ đó rất phù hợp với ảnh vệ tinh và ảnh trên không có các đối tượng xoay theo nhiều hướng.

Triển khai trên hệ thống cũ#

YOLOX vẫn có thể được sử dụng trong các môi trường cũ, nơi pipeline triển khai C++ hiện có được xây dựng rõ ràng xoay quanh đầu ra decoupled head riêng của model vào năm 2021. Với các dự án mới, nên chuyển sang hệ sinh thái Ultralytics để tận dụng lợi ích về hiệu năng và sự hỗ trợ liên tục từ cộng đồng.

Tìm hiểu thêm các model khác#

Dù YOLO26 là model Ultralytics được đề xuất, hệ sinh thái vẫn cung cấp nhiều model phù hợp với các nhu cầu cụ thể. Với nhà phát triển quan tâm đến kiến trúc dựa trên Transformer, RT-DETR mang đến một phương pháp thay thế cho phát hiện end-to-end. Ngoài ra, YOLO11 vẫn là lựa chọn đã được kiểm chứng tốt cho môi trường production cần dữ liệu benchmark lịch sử phong phú.

Tóm lại, quá trình chuyển từ YOLOX sang YOLO26 cho thấy lĩnh vực này đã phát triển nhanh chóng như thế nào. Với API trực quan, bộ tính năng linh hoạt và hiệu quả cao, YOLO26 là lựa chọn được đề xuất cho nhà nghiên cứu và nhà phát triển.

Người đóng góp

Bình luận

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