So sánh YOLOv10 và YOLO11#
Bối cảnh thị giác máy tính đang không ngừng phát triển, với các kiến trúc mới đẩy giới hạn của những gì khả thi trong xử lý thời gian thực. Đối với các lập trình viên và nhà nghiên cứu đang điều hướng trong lĩnh vực có nhịp độ nhanh này, việc hiểu rõ các sắc thái giữa các mô hình tiên tiến là vô cùng quan trọng. So sánh chi tiết này khám phá sự khác biệt về kỹ thuật, các đánh đổi hiệu năng và các trường hợp sử dụng lý tưởng cho YOLOv10 và Ultralytics YOLO11, hai framework phát hiện đối tượng có năng lực cao.
Mặc dù cả hai mô hình đều đạt được kết quả đáng chú ý trên các tập dữ liệu benchmark, triết lý thiết kế cơ bản và sự tích hợp hệ sinh thái của chúng lại khác biệt đáng kể. Bằng cách kiểm tra kiến trúc của chúng, chúng ta có thể xác định giải pháp nào phù hợp nhất với các ràng buộc triển khai và mục tiêu dự án của bạn.
YOLOv10: Tiên phong trong phát hiện End-to-End không dùng NMS#
Được ra mắt vào mùa xuân năm 2024, YOLOv10 đã giới thiệu một cách tiếp cận mới cho quy trình phát hiện đối tượng truyền thống bằng cách giải quyết trực tiếp độ trễ phát sinh từ việc hậu xử lý.
- Tác giả: Ao Wang, Hui Chen, Lihao Liu, và cộng sự.
- Tổ chức: Tsinghua University
- Ngày: 23 tháng 5 năm 2024
- Bài báo nghiên cứu: arXiv:2405.14458
- Mã nguồn: THU-MIG/yolov10 trên GitHub
- Tài liệu: Tài liệu YOLOv10
Điểm đổi mới nổi bật của YOLOv10 là chiến lược gán kép nhất quán, cho phép huấn luyện không cần NMS. Các bộ phát hiện đối tượng truyền thống phụ thuộc rất nhiều vào Non-Maximum Suppression (NMS) để lọc ra các dự đoán bounding box dư thừa. Bằng cách loại bỏ bước này, YOLOv10 đạt được khả năng phát hiện đầu-cuối thực sự, giảm độ trễ suy luận và đơn giản hóa việc triển khai trên các bộ tăng tốc phần cứng như Neural Processing Units (NPUs) — nơi các thao tác NMS tùy chỉnh nổi tiếng là khó tối ưu hóa.
YOLO11: Sự linh hoạt và hiệu năng được thúc đẩy bởi hệ sinh thái#
Được ra mắt vào cuối năm đó, YOLO11 đại diện cho sự tinh chỉnh liên tục của dòng mô hình Ultralytics, tập trung vào sự cân bằng tối ưu giữa tốc độ, độ chính xác và trải nghiệm lập trình viên.
- Tác giả: Glenn Jocher và Jing Qiu
- Tổ chức: Ultralytics
- Ngày: 27 tháng 9, 2024
- Mã nguồn: Ultralytics trên GitHub
- Tích hợp Nền tảng: Ultralytics Platform
YOLO11 được thiết kế cho môi trường sản xuất. Mặc dù xuất sắc trong việc phát hiện bounding box tiêu chuẩn, điểm mạnh thực sự của nó nằm ở tính linh hoạt. Không giống như YOLOv10 chủ yếu tập trung vào phát hiện đối tượng, YOLO11 hỗ trợ nguyên bản các tác vụ instance segmentation, pose estimation, image classification và Oriented Bounding Box (OBB) bằng cách sử dụng một kiến trúc hợp nhất. Nó tự hào có yêu cầu bộ nhớ cực kỳ thấp trong quá trình huấn luyện, giúp các nhóm làm việc với GPUs cấp độ phổ thông dễ dàng tiếp cận hơn so với các kiến trúc nặng hơn dựa trên Transformer.
So sánh Hiệu năng và Chỉ số#
Khi so sánh các mô hình này cạnh nhau, việc xem xét cách chúng hoạt động trên các biến thể quy mô khác nhau tại các tiêu chuẩn chuẩn như COCO dataset là điều cần thiết.
Bảng dưới đây nêu bật những khác biệt về hiệu năng. YOLO11 thường xuyên vượt qua YOLOv10 về chỉ số mAP ở hầu hết các danh mục kích thước trong khi vẫn duy trì tốc độ suy luận TensorRT cực kỳ cạnh tranh.
| Mô hình | kích thước (pixel) | mAPval 50-95 | Tốc độ CPU ONNX (ms) | Tốc độ T4 TensorRT10 (ms) | params (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv10n | 640 | 39.5 | - | 1.56 | 2.3 | 6.7 |
| YOLOv10s | 640 | 46.7 | - | 2.66 | 7.2 | 21.6 |
| YOLOv10m | 640 | 51.3 | - | 5.48 | 15.4 | 59.1 |
| YOLOv10b | 640 | 52.7 | - | 6.54 | 24.4 | 92.0 |
| YOLOv10l | 640 | 53.3 | - | 8.33 | 29.5 | 120.3 |
| YOLOv10x | 640 | 54.4 | - | 12.2 | 56.9 | 160.4 |
| YOLO11n | 640 | 39.5 | 56.1 | 1.5 | 2.6 | 6.5 |
| YOLO11s | 640 | 47.0 | 90.0 | 2.5 | 9.4 | 21.5 |
| YOLO11m | 640 | 51.5 | 183.2 | 4.7 | 20.1 | 68.0 |
| YOLO11l | 640 | 53.4 | 238.6 | 6.2 | 25.3 | 86.9 |
| YOLO11x | 640 | 54.7 | 462.8 | 11.3 | 56.9 | 194.9 |
Để tái tạo tốc độ suy luận nhanh chóng này tại máy cục bộ, hãy đảm bảo bạn xuất các mô hình của mình sang các định dạng được tối ưu hóa như OpenVINO cho CPU Intel hoặc TensorRT cho GPU NVIDIA.
Phân tích chuyên sâu về kiến trúc#
Phương pháp luận và hiệu quả huấn luyện#
Kiến trúc của YOLOv10 nhấn mạnh việc giảm bớt sự dư thừa tính toán. Bằng cách tối ưu hóa các thiết kế backbone và neck sử dụng chiến lược dựa trên hiệu suất-độ chính xác toàn diện, các tác giả từ Đại học Thanh Hoa đã giảm đáng kể số lượng tham số trong các mô hình tầm trung (như YOLOv10m) so với các phiên bản trước đó.
Tuy nhiên, Hiệu quả Huấn luyện là một dấu ấn lớn của các mô hình Ultralytics. YOLO11 tận dụng gói Python ultralytics được tinh chỉnh cao, giúp trừu tượng hóa việc hyperparameter tuning phức tạp. Framework này tự động xử lý các kỹ thuật tăng cường dữ liệu nâng cao, lập lịch tốc độ học và huấn luyện phân tán đa GPU ngay khi mở hộp. Kiến trúc của YOLO11 cũng thể hiện dòng gradient tuyệt vời, mang lại khả năng hội tụ nhanh hơn và sử dụng VRAM thấp hơn trong giai đoạn huấn luyện.
Sự dễ sử dụng và lợi thế hệ sinh thái#
Một yếu tố quan trọng đối với việc áp dụng trong doanh nghiệp là Hệ sinh thái được duy trì tốt. Các kho lưu trữ nghiên cứu, mặc dù mang tính đột phá, thường trở nên không còn hoạt động sau khi bài báo được xuất bản lần đầu. Hệ sinh thái Ultralytics, hỗ trợ YOLO11, cung cấp trải nghiệm lập trình viên liền mạch, từ đầu đến cuối.
Tích hợp liền mạch với các công cụ như Weights & Biases để theo dõi thử nghiệm và Roboflow để quản lý tập dữ liệu, YOLO11 đẩy nhanh quá trình chuyển đổi từ nguyên mẫu sang sản xuất. Tính dễ sử dụng được thể hiện rõ qua API được hợp lý hóa, cho phép các nhà phát triển huấn luyện và xuất mô hình chỉ với vài dòng mã.
from ultralytics import YOLO
# Initialize the YOLO11 small model
model = YOLO("yolo11s.pt")
# Train the model efficiently with optimized memory handling
results = model.train(data="coco8.yaml", epochs=50, imgsz=640, device="0")
# Export to ONNX format for deployment flexibility
model.export(format="onnx")Các trường hợp sử dụng và Khuyến nghị#
Việc lựa chọn giữa YOLOv10 và YOLO11 phụ thuộc vào yêu cầu dự án cụ thể, các ràng buộc triển khai và sở thích về hệ sinh thái của bạn.
Khi nào nên chọn YOLOv10#
YOLOv10 là một lựa chọn mạnh mẽ cho:
- Phát hiện thời gian thực không cần NMS: Các ứng dụng hưởng lợi từ việc phát hiện đầu cuối (end-to-end) mà không cần NMS, giúp giảm độ phức tạp khi triển khai.
- Sự cân bằng giữa tốc độ và độ chính xác: Các dự án yêu cầu sự cân bằng mạnh mẽ giữa tốc độ suy luận và độ chính xác của phát hiện trên nhiều quy mô model khác nhau.
- Các ứng dụng có độ trễ nhất quán: Các kịch bản triển khai nơi thời gian suy luận có thể dự đoán được là tối quan trọng, chẳng hạn như robot hoặc các hệ thống tự hành.
Khi nào nên chọn YOLO11#
YOLO11 được khuyến nghị cho:
- Triển khai Biên Sản xuất: Các ứng dụng thương mại trên các thiết bị như Raspberry Pi hoặc NVIDIA Jetson nơi độ tin cậy và việc bảo trì chủ động là tối quan trọng.
- Ứng dụng Thị giác Đa tác vụ: Các dự án yêu cầu detection, segmentation, pose estimation và OBB trong một framework thống nhất duy nhất.
- Tạo mẫu và Triển khai Nhanh chóng: Các nhóm cần chuyển đổi nhanh chóng từ thu thập dữ liệu sang sản xuất bằng cách sử dụng Ultralytics Python API đã được tối ưu hóa.
Khi nào nên chọn Ultralytics (YOLO26)#
Đối với hầu hết các dự án mới, Ultralytics YOLO26 mang lại sự kết hợp tốt nhất giữa hiệu suất và trải nghiệm của nhà phát triển:
- Triển khai Edge không cần NMS: Các ứng dụng yêu cầu suy luận nhất quán, độ trễ thấp mà không có sự phức tạp của hậu xử lý Non-Maximum Suppression.
- Môi trường chỉ dùng CPU: Các thiết bị không có tăng tốc GPU chuyên dụng, nơi suy luận CPU nhanh hơn tới 43% của YOLO26 mang lại lợi thế quyết định.
- Phát hiện Vật thể Nhỏ: Các kịch bản thử thách như aerial drone imagery hoặc phân tích cảm biến IoT nơi ProgLoss và STAL cải thiện đáng kể độ chính xác trên các vật thể nhỏ xíu.
Khám phá các kiến trúc khác#
Mặc dù YOLOv10 và YOLO11 là những lựa chọn xuất sắc, trường hợp sử dụng cụ thể của bạn có thể hưởng lợi từ các kiến trúc khác có sẵn trong tài liệu. Đối với lý luận dựa trên chuỗi, các mô hình Transformer như RT-DETR cung cấp độ chính xác cao, mặc dù chúng thường đòi hỏi yêu cầu bộ nhớ lớn hơn. Ngược lại, nếu bạn cần khả năng zero-shot để nhận diện các lớp mới mà không cần huấn luyện lại, YOLO-World cung cấp cách tiếp cận từ vựng mở được thúc đẩy bởi các câu lệnh ngôn ngữ tự nhiên.
Thế hệ tiếp theo: YOLO26#
Đối với các nhóm tìm kiếm công nghệ đỉnh cao tuyệt đối, Ultralytics YOLO26 vừa ra mắt kết hợp các tính năng tốt nhất của cả hai mô hình đã thảo luận ở trên. Được phát hành vào tháng 1 năm 2026, YOLO26 là khuyến nghị tối ưu cho các kịch bản triển khai hiện đại.
Xây dựng dựa trên nền tảng của những người tiền nhiệm, YOLO26 tích hợp nguyên bản Thiết kế không dùng NMS End-to-End, loại bỏ hiệu quả các nút thắt cổ chai về hậu xử lý mà YOLOv10 đã giải quyết đầu tiên, nhưng thực hiện điều đó trong khung công tác Ultralytics mạnh mẽ. Hơn nữa, YOLO26 còn có tính năng Loại bỏ DFL (Distribution Focal Loss), giúp đơn giản hóa đáng kể các đồ thị xuất mô hình và tăng cường khả năng tương thích với các thiết bị edge và IoT năng lượng thấp.
Sự ổn định trong huấn luyện cũng đã đạt được bước tiến thế hệ với việc giới thiệu Bộ tối ưu hóa MuSGD, một cách tiếp cận lai lấy cảm hứng từ các phương pháp luận huấn luyện LLM đảm bảo khả năng hội tụ cực nhanh. Kết hợp với các hàm loss nâng cao như ProgLoss + STAL, YOLO26 mang lại những cải tiến đáng chú ý trong việc nhận diện đối tượng nhỏ. Để triển khai trên các thiết bị edge tiêu chuẩn, những tinh chỉnh kiến trúc này mang lại CPU Inference nhanh hơn tới 43%, biến YOLO26 thành một lựa chọn vô song trong tất cả các tác vụ thị giác máy tính.