YOLOv8 so với YOLO11: So sánh kỹ thuật toàn diện về các mô hình thị giác thời gian thực

Sự phát triển nhanh chóng của thị giác máy tính chủ yếu được thúc đẩy bởi những tiến bộ không ngừng trong các framework phát hiện đối tượng thời gian thực. Đối với các nhà phát triển và nghiên cứu viên đang điều hướng trong bối cảnh hiện đại, việc chọn đúng model là rất quan trọng để cân bằng giữa độ chính xác, tốc độ và hiệu quả tài nguyên. Trong bài so sánh kỹ thuật này, chúng ta sẽ khám phá sự khác biệt giữa hai model nền tảng từ hệ sinh thái Ultralytics: Ultralytics YOLOv8 và Ultralytics YOLO11.

Cả hai model đều thể hiện những đặc điểm nổi bật của các kiến trúc Ultralytics—dễ sử dụng, hệ sinh thái được duy trì tốt và hiệu quả huấn luyện vượt trội với yêu cầu bộ nhớ thấp. Hãy cùng đi sâu vào thiết kế kiến trúc, điểm chuẩn hiệu năng và các kịch bản triển khai lý tưởng của chúng.

Tổng quan về các model

Trước khi so sánh các giá trị kỹ thuật cụ thể, việc thiết lập nguồn gốc và các thông số kỹ thuật cốt lõi của cả hai model là rất hữu ích.

Ultralytics YOLOv8

Được phát hành như một bước tiến lớn vào đầu năm 2023, YOLOv8 đã giới thiệu khả năng phát hiện không neo (anchor-free) và những cải tiến đáng kể cho các hàm mất mát, nhanh chóng trở thành tiêu chuẩn vàng cho nhiều tác vụ học máy khác nhau.

• Tác giả: Glenn Jocher, Ayush Chaurasia và Jing Qiu
• Tổ chức: Ultralytics
• Ngày: 2023-01-10
• GitHub: ultralytics/ultralytics

Tìm hiểu thêm về YOLOv8

Ultralytics YOLO11

Dựa trên sự thành công của những người tiền nhiệm, YOLO11 đã tinh chỉnh kiến trúc cốt lõi để đẩy xa hơn nữa biên Pareto về độ chính xác và độ trễ, giới thiệu số lượng tham số được tối ưu hóa cao mà không làm giảm khả năng dự đoán.

• Tác giả: Glenn Jocher và Jing Qiu
• Tổ chức: Ultralytics
• Ngày: 2024-09-27
• GitHub: ultralytics/ultralytics

Tìm hiểu thêm về YOLO11

Sự khác biệt về kiến trúc và phương pháp luận

Sự chuyển dịch từ YOLOv8 sang YOLO11 đại diện cho một bước phát triển cẩn trọng trong thiết kế mạng thần kinh thay vì thay đổi hoàn toàn, đảm bảo rằng hệ sinh thái được duy trì tốt xung quanh các model vẫn giữ được sự ổn định.

Tối ưu hóa Backbone và Neck

YOLOv8 đã giới thiệu một backbone CNN tinh giản, từ bỏ các hộp neo truyền thống và xử lý việc phát hiện đối tượng thuần túy như một bài toán dự đoán điểm trung tâm. Cách tiếp cận không neo này đã giảm đáng kể độ phức tạp của việc hồi quy BBox. YOLO11 đã lấy nền tảng này và giới thiệu một mạng hình tháp đặc trưng (FPN) được tối ưu hóa, đồng thời sửa đổi các khối C2f thành các mô-đun C3k2. Sự sửa đổi này cho phép YOLO11 trích xuất các đặc trưng không gian phong phú hơn, giúp cải thiện độ chính xác đối với các đối tượng nhỏ thường thấy trong tập dữ liệu COCO.

Yêu cầu bộ nhớ và hiệu quả huấn luyện

Một trong những lợi thế đáng chú ý nhất của cả YOLOv8 và YOLO11 là yêu cầu bộ nhớ thấp trong quá trình huấn luyện. Không giống như các vision transformer nặng nề có thể dễ dàng làm cạn kiệt VRAM trên phần cứng phổ thông, các model này được tối ưu hóa cho việc huấn luyện PyTorch trên GPU tiêu chuẩn. YOLO11 đạt được sự sụt giảm đáng kể về tổng số tham số—lên đến 22% ít tham số hơn trong biến thể lớn (L) so với YOLOv8—trong khi vẫn tăng độ chính xác trung bình (mAP). Điều này có nghĩa là các epoch nhanh hơn và dấu chân carbon thấp hơn cho việc huấn luyện model.

Các chỉ số hiệu suất

Để thực sự đánh giá cân bằng hiệu năng của các model này, chúng ta phải nhìn vào các điểm chuẩn khách quan. Bảng dưới đây so sánh YOLOv8 và YOLO11 trên các biến thể quy mô tiêu chuẩn (từ nano đến extra-large).

Như đã chứng minh, YOLO11 liên tục vượt qua YOLOv8 về độ chính xác trong khi sử dụng ít tham số và FLOP hơn. Tốc độ suy luận CPU, được đo bằng ONNX Runtime, làm nổi bật hiệu quả vượt trội của YOLO11 cho việc triển khai ở biên (edge). Khi được xuất sang NVIDIA TensorRT, cả hai model đều mang lại độ trễ dưới 15ms đặc biệt, điều cần thiết cho phân tích luồng video trong thế giới thực.

Hệ sinh thái và tính dễ sử dụng

Cả hai model đều được hưởng lợi rất lớn từ gói Python ultralytics hợp nhất. Sự dễ sử dụng này cho phép các kỹ sư chuyển đổi liền mạch giữa YOLOv8 và YOLO11. Việc huấn luyện, kiểm chứng và xuất dữ liệu có thể được thực hiện chỉ với một vài dòng code.

from ultralytics import YOLO

# Load a pre-trained YOLO11 model (you can simply swap to "yolov8n.pt")
model = YOLO("yolo11n.pt")

# Train the model efficiently on a local dataset
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)

# Export the optimized model to ONNX
model.export(format="onnx")

Sự tích hợp liền mạch mở rộng đến Nền tảng Ultralytics, giúp đơn giản hóa việc huấn luyện trên đám mây, giám sát model và triển khai mà không cần kiến thức DevOps nâng cao.

Tính linh hoạt và ứng dụng thực tế

Một dấu ấn lớn của framework Ultralytics là tính linh hoạt vốn có. Cả YOLOv8 và YOLO11 đều hỗ trợ nhiều tác vụ thị giác máy tính ngoài việc phát hiện đối tượng tiêu chuẩn:

• Phân đoạn thực thể: Các mặt nạ mức pixel độ chính xác cao, hữu ích cho chẩn đoán hình ảnh y tế và lái xe tự hành.
• Ước tính tư thế: Phát hiện điểm mấu chốt được thiết kế riêng cho phân tích thể thao và tương tác giữa người và máy tính.
• Phân loại hình ảnh: Phân loại hạng nhẹ sử dụng backbone được huấn luyện trên ImageNet.
• Hộp bao định hướng (OBB): Rất quan trọng để xác định các đối tượng xoay trong hình ảnh vệ tinh.

YOLOv8, vì đã có mặt lâu hơn, tự hào có một kho lưu trữ khổng lồ các hướng dẫn từ cộng đồng và các triển khai doanh nghiệp đã được kiểm tra kỹ lưỡng. Nếu bạn đang tích hợp với các pipeline cũ vốn yêu cầu khắt khe về định dạng tensor của YOLOv8, đây vẫn là một lựa chọn rất đáng tin cậy. Tuy nhiên, đối với các dự án mới ưu tiên hiệu quả tối đa—chẳng hạn như triển khai trên các thiết bị biên nhúng như Raspberry Pi—YOLO11 là người chiến thắng rõ ràng về mặt vận hành nhờ tỷ lệ tốc độ trên số lượng tham số vượt trội.

Các trường hợp sử dụng và khuyến nghị

Việc lựa chọn giữa YOLOv8 và YOLO11 phụ thuộc vào các yêu cầu dự án cụ thể, các ràng buộc triển khai và sở thích hệ sinh thái của bạn.

Khi nào nên chọn YOLOv8

YOLOv8 là một lựa chọn mạnh mẽ cho:

• Triển khai đa tác vụ linh hoạt: Các dự án yêu cầu một model đã được kiểm chứng cho detection, segmentation, classification và pose estimation trong hệ sinh thái Ultralytics.
• Các hệ thống sản xuất đã được thiết lập: Các môi trường sản xuất hiện có đã được xây dựng trên kiến trúc YOLOv8 với các đường ống triển khai ổn định, đã được kiểm tra kỹ lưỡng.
• Hỗ trợ cộng đồng và hệ sinh thái rộng lớn: Các ứng dụng được hưởng lợi từ các hướng dẫn mở rộng, tích hợp của bên thứ ba và các tài nguyên cộng đồng tích cực của YOLOv8.

Khi nào nên chọn YOLO11

YOLO11 được khuyến nghị cho:

• Triển khai sản xuất tại biên: Các ứng dụng thương mại trên các thiết bị như Raspberry Pi hoặc NVIDIA Jetson nơi mà độ tin cậy và sự bảo trì tích cực là tối quan trọng.
• Ứng dụng thị giác đa tác vụ: Các dự án yêu cầu phát hiện, phân đoạn, ước tính tư thế và OBB trong một framework thống nhất duy nhất.
• Tạo mẫu nhanh và Triển khai: Các đội ngũ cần di chuyển nhanh từ thu thập dữ liệu đến sản xuất bằng cách sử dụng Ultralytics Python API được sắp xếp hợp lý.

Khi nào nên chọn Ultralytics (YOLO26)

Đối với hầu hết các dự án mới, Ultralytics YOLO26 cung cấp sự kết hợp tốt nhất giữa hiệu suất và trải nghiệm nhà phát triển:

• Triển khai Edge không cần NMS: Các ứng dụng yêu cầu suy luận ổn định, độ trễ thấp mà không cần sự phức tạp của việc hậu xử lý Non-Maximum Suppression.
• Môi trường chỉ sử dụng CPU: Các thiết bị không có GPU tăng tốc chuyên dụng, nơi tốc độ suy luận trên CPU nhanh hơn tới 43% của YOLO26 mang lại lợi thế quyết định.
• Nhận diện đối tượng nhỏ: Các kịch bản thách thức như ảnh drone trên không hoặc phân tích cảm biến IoT nơi ProgLoss và STAL tăng cường đáng kể độ chính xác trên các đối tượng cực nhỏ.

Tiên phong: Lợi thế của YOLO26

Trong khi YOLOv8 và YOLO11 là những kiến trúc phi thường, bối cảnh AI không bao giờ ngừng chuyển động. Đối với các nhà phát triển hướng tới trạng thái hiện đại tuyệt đối vào năm 2026, Ultralytics YOLO26 đại diện cho bước nhảy vọt quan trọng tiếp theo.

YOLO26 định nghĩa lại hoàn toàn pipeline triển khai. Nó có Thiết kế không NMS đầu cuối, một cách tiếp cận đột phá lần đầu tiên được tiên phong trong YOLOv10, giúp loại bỏ các bước hậu xử lý phức tạp. Hơn nữa, loại bỏ DFL (Distribution Focal Loss) giúp đơn giản hóa đáng kể logic xuất và tăng cường khả năng tương thích với các thiết bị biên công suất thấp, dẫn đến suy luận CPU nhanh hơn tới 43% so với các phiên bản tiền nhiệm.

Sự ổn định huấn luyện và tốc độ hội tụ được cải thiện đáng kể bởi Bộ tối ưu hóa MuSGD mới, một biến thể lai lấy cảm hứng từ các kỹ thuật huấn luyện LLM. Ngoài ra, các công thức mất mát mới như ProgLoss + STAL tăng cường đáng kể khả năng nhận diện đối tượng nhỏ—một nỗi đau lịch sử đối với IoT và robot. Với những cải tiến dành riêng cho tác vụ như RLE cho ước tính tư thế và đa quy mô proto cho phân đoạn, YOLO26 đứng ở vị trí không đối thủ.

Tìm hiểu thêm về YOLO26

Kết luận

Việc lựa chọn giữa YOLOv8 và YOLO11 cuối cùng phụ thuộc vào tiến độ dự án và các ràng buộc phần cứng của bạn. YOLOv8 là một gã khổng lồ của ngành đã qua thử thách, mang lại sự ổn định vô song. Ngược lại, YOLO11 tinh chỉnh kiến trúc đó, mang lại mAP cao hơn với ít tham số hơn, làm cho nó trở nên vô cùng hấp dẫn đối với các ứng dụng biên bị hạn chế tài nguyên. Bất kể lựa chọn của bạn là gì, API Python của Ultralytics liền mạch đảm bảo quy trình phát triển của bạn vẫn linh hoạt, hiệu quả và được hỗ trợ kỹ lưỡng. Và khi bạn đã sẵn sàng vượt qua các giới hạn của những gì có thể thực hiện trên các thiết bị biên, YOLO26 đã sẵn sàng và chờ đợi.