YOLO26 so với YOLOX#
Thị giác máy tính đã phát triển qua những bước tiến kiến trúc đáng kể. Năm 2021, YOLOX giới thiệu mô hình anchor-free có tầm ảnh hưởng lớn, thu hẹp khoảng cách giữa nghiên cứu học thuật và ứng dụng công nghiệp. Đến năm 2026, bối cảnh đã được định hình lại bởi Ultralytics YOLO, đặc biệt với sự ra mắt của YOLO26. Bài so sánh toàn diện này tìm hiểu cách YOLO26 kế thừa các đổi mới trước đây để mang lại hiệu năng, tính linh hoạt và khả năng sử dụng vượt trội.
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#
- Tác giả: Glenn Jocher và Jing Qiu
- Tổ chức: Ultralytics
- Ngày: 2026-01-14
- GitHub: Repository GitHub của Ultralytics
- Tài liệu: Tài liệu chính thức về YOLO26
YOLO26 thể hiện đỉnh cao của kỹ thuật AI hiện đại, cung cấp head end-to-end không cần NMS tùy chọn (nms=False) giúp loại bỏ các nút thắt cổ chai do hậu xử lý phức tạp. Model được tối ưu mạnh cho cả triển khai trên cloud và edge, với hệ sinh thái hỗ trợ liền mạch nhiều tác vụ đa dạng.
Thông tin chi tiết về YOLOX#
- Tác giả: Zheng Ge, Songtao Liu, Feng Wang, Zeming Li và Jian Sun
- Tổ chức: Megvii
- Ngày: 2021-07-18
- Arxiv: Báo cáo kỹ thuật YOLOX
- GitHub: Kho lưu trữ YOLOX trên GitHub
- Tài liệu: Tài liệu 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#
Những khác biệt giữa YOLO26 và YOLOX cho thấy năm năm đổi mới không ngừng trong thiết kế deep learning.
YOLOX thúc đẩy phương pháp anchor-free nhưng vẫn phụ thuộc nhiều vào Non-Maximum Suppression (NMS) truyền thống để lọc các bounding box dư thừa. YOLO26 giới thiệu head End-to-End không cần NMS tùy chọn (nms=False). Đột phá này, lần đầu được tiên phong trong YOLOv10, loại bỏ bước hậu xử lý NMS, giúp pipeline triển khai nhanh và đơn giản hơn, đồng thời giảm đáng kể độ biến thiên độ trễ.
Ngoài ra, YOLO26 có tính năng loại bỏ DFL. Việc bỏ Distribution Focal Loss giúp đơn giản hóa đáng kể quy trình export model, đảm bảo khả năng tương thích tuyệt vời với thiết bị biên và phần cứng công suất thấp. Kết hợp với các tối ưu hóa kiến trúc của model, YOLO26 đạt tốc độ inference trên CPU nhanh hơn tới 43% so với các phiên bản trước, trở thành lựa chọn mạnh mẽ cho 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 mới, kết hợp 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, giúp hội tụ nhanh hơn.
YOLO26 sử dụng ProgLoss + STAL, các hàm loss chuyên biệt giúp cải thiện đáng kể khả năng nhận diện vật thể nhỏ. Điều này rất quan trọng đối với các tác vụ phức tạp như xử lý ảnh hàng không và phân tích môi trường đông đúc.
Hiệu năng và benchmark#
Khi so sánh trực tiếp các model này trên dataset COCO, ưu thế của YOLO26 về cả độ chính xác lẫn hiệu quả trở nên rõ rệt. Các model Ultralytics luôn yêu cầu ít bộ nhớ hơn khi huấn luyện và có tốc độ inference nhanh hơn.
| Model | kích thước (pixel) | mAPval 50-95 | Tốc độ CPU ONNX (ms) | Tốc độ T4 TensorRT10 (ms) | params (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLO26n | 640 | 40.9 | 38.9 | 1.7 | 2.4 | 5.5 |
| YOLO26s | 640 | 48.6 | 87.2 | 2.5 | 9.5 | 20.9 |
| YOLO26m | 640 | 53.1 | 220.0 | 4.7 | 20.4 | 68.4 |
| YOLO26l | 640 | 55.0 | 286.2 | 6.2 | 24.8 | 86.8 |
| YOLO26x | 640 | 57.5 | 525.8 | 11.8 | 55.7 | 194.4 |
| YOLOXnano | 416 | 25.8 | - | - | 0.91 | 1.08 |
| YOLOXtiny | 416 | 32.8 | - | - | 5.06 | 6.45 |
| YOLOXs | 640 | 40.5 | - | 2.56 | 9.0 | 26.8 |
| YOLOXm | 640 | 46.9 | - | 5.43 | 25.3 | 73.8 |
| YOLOXl | 640 | 49.7 | - | 9.04 | 54.2 | 155.6 |
| YOLOXx | 640 | 51.1 | - | 16.1 | 99.1 | 281.9 |
Lưu ý: Model YOLO26x đạt 57.5 mAP ấn tượng trong khi cần ít tham số hơn đáng kể (55.7M) so với model YOLOXx (99.1M), cho thấy hiệu quả sử dụng tham số vượt trội của kiến trúc Ultralytics.
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 phải xử lý các codebase nghiên cứu phức tạp và tự thiết lập môi trường, Ultralytics mang đến trải nghiệm phát triển tinh gọn, từ khởi đầu đến thành thạo.
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 loại ảnh và ước tính tư thế. Ngược lại, YOLOX chỉ hỗ trợ phát hiện bounding box.
Ví dụ huấn luyện#
Huấn luyện model trên dataset tùy chỉnh bằng Ultralytics cực kỳ hiệu quả. Pipeline huấn luyện giảm thiểu mức sử dụng bộ nhớ CUDA, cho phép dùng batch size lớn hơn ngay cả trên phần cứng phổ thông, trái ngược rõ rệt với các kiến trúc cũ hoặc model Transformer nặng.
from ultralytics import YOLO
# Khởi tạo model YOLO26 small tiên tiến nhất
model = YOLO("yolo26s.pt")
# Huấn luyện model dễ dàng trên dataset 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")Nền tảng Ultralytics còn cải thiện quy trình này bằng cách cung cấp tính năng huấn luyện trên cloud, gán nhãn dataset tự động và triển khai chỉ bằng một lần nhấp. Đây là công cụ không thể thiếu cho các nhóm muốn nhanh chóng chuyển từ giai đoạn tạo mẫu sang sản xuất.
Trường hợp sử dụng lý tưởng và ứng dụng thực tế#
Lựa chọn đúng model quyết định thành công của quá trình triển khai thực tế.
AI biên và IoT#
Đối 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 hàng đầu. Kiến trúc không cần NMS và khả năng thực thi trên CPU nhanh hơn 43% giúp model chạy mượt trên các thiết bị như Raspberry Pi mà không cần các giải pháp xử lý lượng tử hóa phức tạp.
Robotics tự hành#
Robotics đòi hỏi độ chính xác cao và độ trễ thấp. Khả năng ước tính tư thế của YOLO26, được tăng cường bởi Residual Log-Likelihood Estimation (RLE), cho phép robot hiểu động học của con người theo thời gian thực. YOLOX không có khả năng phát hiện keypoint nguyên bản nên không phù hợp với các tác vụ tương tác người-robot tiên tiến như vậy.
Kiểm tra trên cao và ảnh hàng không#
Khi kiểm tra hạ tầng bằng drone, việc phát hiện các lỗi nhỏ là tối quan trọng. Các hàm ProgLoss và STAL trong YOLO26 cải thiện đáng kể recall đối với vật thể nhỏ. Ngoài ra, YOLO26 hỗ trợ nguyên bản Hộp giới hạn định hướng (OBB), đi kèm loss góc chuyên biệt để xử lý các vấn đề ở ranh giới, rất phù hợp với ảnh vệ tinh và ảnh hàng không có đối tượng xoay theo nhiều hướng.
Triển khai trên hệ thống cũ#
YOLOX vẫn có thể hữu ích trong các môi trường cũ, nơi những pipeline triển khai C++ hiện có được xây dựng cụ thể quanh đầu ra của head tách biệt phiên bản 2021. Tuy nhiên, với mọi dự án mới, nên chuyển sang hệ sinh thái Ultralytics để tận dụng các cải thiện hiệu năng hiện đại và sự hỗ trợ liên tục từ cộng đồng.
Tìm hiểu thêm các model khác#
Dù YOLO26 đại diện cho công nghệ tiên tiến nhất hiện nay, hệ sinh thái Ultralytics cung cấp nhiều model phù hợp với các nhu cầu cụ thể. Nhà phát triển quan tâm đến kiến trúc dựa trên Transformer có thể dùng RT-DETR như một phương pháp thay thế cho phát hiện end-to-end. Ngoài ra, YOLO11 vẫn là lựa chọn vững chắc, được kiểm thử kỹ lưỡng cho môi trường production cần benchmark lịch sử phong phú.
Tóm lại, quá trình chuyển đổi từ YOLOX sang YOLO26 minh họa tốc độ phát triển nhanh chóng của lĩnh vực này. Kết hợp API trực quan, bộ tính năng linh hoạt và hiệu quả vượt trội, YOLO26 là lựa chọn hàng đầu cho các nhà nghiên cứu và nhà phát triển trên toàn thế giới.