YOLO26 so với YOLOX#
Sự phát triển của thị giác máy tính được đánh dấu bằng những bước tiến kiến trúc đáng kể. Năm 2021, YOLOX giới thiệu một mô hình anchor-free có ảnh hưởng lớn, thu hẹp khoảng cách giữa nghiên cứu học thuật và ứng dụng công nghiệp. Đến năm 2026, bối cảnh này đã được định hình lại bởi Ultralytics YOLO, cụ thể là với sự ra mắt của YOLO26. Bài so sánh toàn diện này phân tích cách YOLO26 kế thừa các cải tiến lịch sử để mang lại hiệu năng, tính linh hoạt và khả năng sử dụng vượt trội.
Tổng quan về model#
Việc hiểu rõ nguồn gốc và triết lý cốt lõi của các model này là yếu tố thiết yếu để đưa ra quyết định triển khai phù hợp.
Thông tin chi tiết về YOLO26#
- Tác giả: Glenn Jocher và Jing Qiu
- Tổ chức: Ultralytics
- Ngày: 2026-01-14
- GitHub: Kho lưu trữ GitHub của Ultralytics
- Tài liệu: Tài liệu chính thức về YOLO26
YOLO26 đại diện cho đỉnh cao của kỹ thuật AI hiện đại, cung cấp thiết kế end-to-end nguyên bản, loại bỏ các nút thắt hậu xử lý phức tạp. Model này được tối ưu mạnh cho cả triển khai trên cloud và edge, với một hệ sinh thái hỗ trợ liền mạch nhiều tác vụ khác nhau.
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 GitHub của YOLOX
- Tài liệu: Tài liệu YOLOX
YOLOX là một bước tiến lớn, giới thiệu head tách biệt và kiến trúc anchor-free cùng với chiến lược gán nhãn SimOTA. Tại thời điểm ra mắt, model này mang lại sự cân bằng xuất sắc giữa tốc độ và độ chính xác, trở thành lựa chọn phổ biến cho nhiều hệ thống legacy.
Các cải tiến về kiến trúc#
Những khác biệt giữa YOLO26 và YOLOX làm nổi bật năm năm đổi mới không ngừng trong thiết kế deep learning.
Mặc dù YOLOX thúc đẩy phương pháp anchor-free, model này vẫn phụ thuộc nhiều vào Non-Maximum Suppression (NMS) truyền thống để lọc các bounding box dư thừa. YOLO26 giới thiệu Thiết kế End-to-End Không cần NMS. Đột phá này, lần đầu được tiên phong trong YOLOv10, loại bỏ hoàn toàn bước hậu xử lý NMS, giúp pipeline triển khai nhanh và đơn giản hơn với độ biến thiên latency thấp hơn đáng kể.
Ngoài ra, YOLO26 còn có Loại bỏ DFL. Việc loại bỏ Distribution Focal Loss giúp đơn giản hóa đáng kể quy trình export của model, đảm bảo khả năng tương thích xuất sắc với các thiết bị edge và phần cứng công suất thấp. Khi kết hợp với các tối ưu hóa kiến trúc của model, YOLO26 đạt tốc độ suy luận trên CPU nhanh hơn tới 43% so với các phiên bản tiền nhiệm, trở thành lựa chọn mạnh mẽ cho những môi trường không có GPU chuyên dụng.
Độ ổn định khi training là một yếu tố khác biệt quan trọng. YOLO26 sử dụng Optimizer MuSGD mới, là sự kết hợp giữa SGD và Muon, lấy cảm hứng từ các cải tiến trong training LLM của Moonshot AI. Optimizer này mang độ ổn định của quá trình training mô hình ngôn ngữ lớn vào thị giác máy tính, hỗ trợ hội tụ nhanh hơn.
YOLO26 sử dụng ProgLoss + STAL, các hàm loss chuyên biệt mang lại cải thiện đáng kể trong việc nhận diện vật thể nhỏ. Điều này rất quan trọng đối với các tác vụ phức tạp như xử lý ảnh chụp từ trên không và phân tích các môi trường dày đặc.
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 ràng. Các model Ultralytics luôn yêu cầu ít bộ nhớ hơn trong quá trình training và có tốc độ suy luận nhanh hơn.
| 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 |
| 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 yêu cầu ít parameter hơn đáng kể (55.7M) so với model YOLOXx (99.1M), làm nổi bật hiệu quả sử dụng parameter đáng kinh ngạc 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 yêu cầu làm việc với các codebase nghiên cứu phức tạp và thiết lập môi trường thủ công, Ultralytics cung cấp trải nghiệm developer được tinh gọn theo hướng "zero-to-hero".
Với Python API thống nhất, developer có thể dễ dàng chuyển đổi giữa các tác vụ như phát hiện vật thể, phân đoạn instance, phân loại ảnh và ước tính pose. Ngược lại, YOLOX bị giới hạn nghiêm ngặt ở tác vụ phát hiện bounding box.
Ví dụ training#
Training model trên một dataset tùy chỉnh với Ultralytics mang lại hiệu quả đáng kể. Pipeline training giảm thiểu mức sử dụng bộ nhớ CUDA, cho phép dùng batch size lớn hơn ngay cả trên phần cứng phổ thông, hoàn toàn khác biệt so với các kiến trúc cũ hoặc model Transformer nặng.
from ultralytics import YOLO
# Initialize the cutting-edge YOLO26 small model
model = YOLO("yolo26s.pt")
# Train the model effortlessly with the MuSGD optimizer
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)
# Export the trained model to ONNX format for deployment
model.export(format="onnx")Ultralytics Platform còn nâng cao quy trình này hơn nữa bằng cách cung cấp training trên cloud, gán nhãn dataset tự động và các tùy chọn triển khai một click. Đây là công cụ không thể thiếu đối với các team muốn nhanh chóng chuyển từ giai đoạn prototype sang production.
Các trường hợp sử dụng lý tưởng và ứng dụng thực tế#
Việc lựa chọn model phù hợp quyết định thành công của quá trình triển khai trong thực tế.
AI edge và IoT#
Đối với các ứng dụng yêu cầu 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 tối ưu. Kiến trúc không cần NMS và khả năng thực thi trên CPU nhanh hơn 43% giúp model chạy mượt mà trên các thiết bị như Raspberry Pi mà không cần các giải pháp thay thế phức tạp cho quá trình lượng tử hóa.
Robotics tự động#
Robotics yêu cầu độ chính xác cao và latency 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 có khả năng phát hiện keypoint nguyên bản khiến model này không phù hợp với các tác vụ tương tác người–robot nâng cao như vậy.
Kiểm tra trên cao và từ trên không#
Khi kiểm tra cơ sở hạ tầng bằng drone, việc phát hiện các khiếm khuyết rất nhỏ là yếu tố 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 Oriented Bounding Boxes (OBB), đi kèm hàm loss góc chuyên biệt để giải quyết các vấn đề về ranh giới, rất phù hợp với ảnh vệ tinh và ảnh chụp từ trên không, nơi các vật thể có thể xoay theo hướng bất kỳ.
Triển khai legacy#
YOLOX vẫn có thể được sử dụng trong các môi trường legacy, nơi các pipeline triển khai C++ hiện có được xây dựng cụ thể quanh đầu ra head tách biệt của model này vào năm 2021. Tuy nhiên, đối với mọi dự án mới, khuyến nghị mạnh mẽ là 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.
Khám phá các model khác#
Mặc dù YOLO26 đại diện cho công nghệ tiên tiến nhất hiện nay, hệ sinh thái Ultralytics cung cấp nhiều model được thiết kế cho các nhu cầu cụ thể. Đối với các developer quan tâm đến kiến trúc dựa trên Transformer, RT-DETR cung cấp một phương pháp thay thế cho phát hiện end-to-end. Ngoài ra, YOLO11 vẫn là một lựa chọn mạnh mẽ, được kiểm thử kỹ lưỡng cho các môi trường production yêu cầu benchmark lịch sử toàn diện.
Tóm lại, quá trình chuyển đổi từ YOLOX sang YOLO26 minh họa cho tốc độ tiến bộ nhanh chóng của lĩnh vực này. Bằng cách 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 developer trên toàn thế giới.