YOLOv8 so với YOLO11: So sánh kỹ thuật chi tiết

Khi lựa chọn một mô hình thị giác máy tính, đặc biệt là cho phát hiện đối tượng, việc hiểu rõ điểm mạnh và điểm yếu của các kiến trúc khác nhau là điều cần thiết. Trang này cung cấp một so sánh kỹ thuật chi tiết giữa Ultralytics YOLOv8 và Ultralytics YOLO11, hai mô hình hiện đại từ Ultralytics được thiết kế để phát hiện đối tượng và các tác vụ thị giác khác. Chúng ta sẽ phân tích các sắc thái kiến trúc, điểm chuẩn hiệu suất và các ứng dụng phù hợp của chúng để hướng dẫn bạn đưa ra quyết định sáng suốt cho dự án của mình.

Ultralytics YOLOv8

Tác giả: Glenn Jocher, Ayush Chaurasia, và Jing Qiu
Tổ chức: Ultralytics
Ngày: 2023-01-10
GitHub: https://github.com/ultralytics/ultralytics
Tài liệu: https://docs.ultralytics.com/models/yolov8/

Được phát hành vào đầu năm 2023, YOLOv8 nhanh chóng trở thành chuẩn mực cho việc phát hiện đối tượng theo thời gian thực, mang lại một bước tiến đáng kể về hiệu suất so với các phiên bản trước. Nó giới thiệu một cơ chế phát hiện không cần anchor và một backbone mới dựa trên CSPDarknet53, giúp cải thiện cả độ chính xác và tốc độ. YOLOv8 là một mô hình rất linh hoạt, hỗ trợ đầy đủ các tác vụ AI thị giác, bao gồm phát hiện, phân vùng instance, ước tính tư thế và phân loại ảnh.

Kiến trúc và các tính năng chính

Kiến trúc của YOLOv8 được xây dựng để đạt hiệu quả và linh hoạt. Đầu không neo của nó làm giảm số lượng dự đoán hộp, đơn giản hóa quy trình hậu xử lý và tăng tốc suy luận. Mô hình này được thiết kế như một khuôn khổ toàn diện, không chỉ là một mô hình duy nhất, cung cấp một nền tảng thống nhất để đào tạo các mô hình cho các nhiệm vụ khác nhau. Sự tích hợp này vào hệ sinh thái Ultralytics có nghĩa là người dùng được hưởng lợi từ quy trình làm việc hợp lý, từ đào tạo đến triển khai, được hỗ trợ bởi tài liệu mở rộng và một bộ công cụ mạnh mẽ.

Điểm mạnh

• Hiệu suất đã được chứng minh: Một mô hình có độ tin cậy cao và được áp dụng rộng rãi, đã thiết lập các tiêu chuẩn ngành về hiệu suất và tốc độ.
• Tính linh hoạt của tác vụ: Một khuôn khổ thống nhất, duy nhất có khả năng xử lý phát hiện, phân đoạn, phân loại và ước tính tư thế.
• Hệ sinh thái trưởng thành: Hưởng lợi từ vô số hướng dẫn của cộng đồng, tích hợp của bên thứ ba và triển khai rộng rãi trong môi trường sản xuất.
• Dễ sử dụng: Có Python API và CLI đơn giản, giúp người mới bắt đầu và chuyên gia đều có thể tiếp cận.

Điểm yếu

• Mặc dù vẫn là một người biểu diễn hàng đầu, độ chính xác và tốc độ của nó đã bị người kế nhiệm của nó, YOLO11, vượt qua, đặc biệt là trong các tình huống bị ràng buộc bởi CPU.
• Các mô hình lớn hơn (YOLOv8l, YOLOv8x) có thể tốn nhiều tài nguyên tính toán, đòi hỏi tài nguyên GPU đáng kể để đạt hiệu suất thời gian thực.

Các Trường hợp Sử dụng

YOLOv8 vẫn là một lựa chọn tuyệt vời cho một loạt các ứng dụng, đặc biệt là nơi sự ổn định và một hệ sinh thái trưởng thành được đánh giá cao. Nó vượt trội trong:

• Tự động hóa công nghiệp: Dành cho kiểm soát chất lượng và phát hiện lỗi trong sản xuất.
• Hệ thống An ninh: Cung cấp sức mạnh cho hệ thống an ninh tiên tiến để giám sát theo thời gian thực và phát hiện xâm nhập.
• Phân tích bán lẻ: Cải thiện quản lý hàng tồn kho và phân tích hành vi khách hàng.

Tìm hiểu thêm về YOLOv8

Ultralytics YOLO11

Tác giả: Glenn Jocher và Jing Qiu
Tổ chức: Ultralytics
Ngày: 2024-09-27
GitHub: https://github.com/ultralytics/ultralytics
Tài liệu: https://docs.ultralytics.com/models/yolo11/

YOLO11 là một bước tiến mới nhất trong series Ultralytics YOLO, được thiết kế để đạt độ chính xác và hiệu quả vượt trội. Dựa trên nền tảng vững chắc của YOLOv8, YOLO11 giới thiệu các cải tiến về kiến trúc giúp tối ưu hóa việc trích xuất và xử lý đặc trưng. Điều này mang lại độ chính xác phát hiện cao hơn với ít tham số hơn và tốc độ suy luận nhanh hơn, đặc biệt là trên CPU. Giống như phiên bản tiền nhiệm, YOLO11 là một mô hình đa nhiệm hỗ trợ phát hiện, phân đoạn, phân loại, ước tính tư thế và hộp giới hạn có hướng (OBB) trong cùng một khuôn khổ hợp lý.

Kiến trúc và các tính năng chính

YOLO11 tinh chỉnh cấu trúc mạng để đạt được sự cân bằng tốt hơn giữa chi phí tính toán và hiệu suất. Nó đạt được độ chính xác cao hơn với số lượng tham số thấp hơn và ít FLOP hơn so với YOLOv8, như được hiển thị trong bảng hiệu suất bên dưới. Hiệu quả này làm cho nó rất phù hợp để triển khai trên nhiều loại phần cứng, từ các thiết bị biên hạn chế về tài nguyên đến các máy chủ đám mây mạnh mẽ. Một ưu điểm chính của YOLO11 là khả năng tích hợp liền mạch vào hệ sinh thái Ultralytics được duy trì tốt, đảm bảo trải nghiệm người dùng tuyệt vời, quy trình đào tạo hiệu quả với các trọng số được đào tạo trước có sẵn và giảm mức sử dụng bộ nhớ trong quá trình đào tạo và suy luận.

Điểm mạnh

• Độ chính xác vượt trội: Cung cấp điểm số mAP cao hơn YOLOv8 trên tất cả các kích thước mô hình, thiết lập một tiêu chuẩn mới cho phát hiện đối tượng.
• Hiệu quả Nâng cao: Cung cấp tốc độ suy luận nhanh hơn đáng kể, đặc biệt là trên CPU, đồng thời yêu cầu ít tham số và FLOP hơn.
• Cân bằng hiệu suất: Cung cấp sự cân bằng đặc biệt giữa tốc độ và độ chính xác, làm cho nó trở nên lý tưởng cho nhiều ứng dụng thực tế khác nhau.
• Khả năng mở rộng và tính linh hoạt: Hoạt động tốt trên nhiều loại phần cứng và hỗ trợ nhiều tác vụ thị giác máy tính trong một khuôn khổ duy nhất, dễ sử dụng.
• Hệ sinh thái được duy trì tốt: Hưởng lợi từ quá trình phát triển tích cực, sự hỗ trợ mạnh mẽ từ cộng đồng thông qua GitHub và Discord, và các bản cập nhật thường xuyên.

Điểm yếu

• Là một mô hình mới hơn, ban đầu nó có thể có ít tích hợp của bên thứ ba hơn so với YOLOv8 được thiết lập nhiều hơn.
• Các mô hình lớn nhất (ví dụ: YOLO11x) vẫn yêu cầu sức mạnh tính toán đáng kể cho quá trình huấn luyện và triển khai, một đặc điểm chung của các trình dò tìm có độ chính xác cao.

Các Trường hợp Sử dụng

YOLO11 là lựa chọn được khuyến nghị cho các dự án mới đòi hỏi mức độ chính xác và hiệu suất thời gian thực cao nhất. Hiệu quả của nó làm cho nó trở nên lý tưởng cho:

• Robot: Cho phép điều hướng chính xác và tương tác đối tượng trong các hệ thống tự động.
• Chăm sóc sức khỏe: Hỗ trợ trong phân tích hình ảnh y tế cho các ứng dụng như phát hiện khối u.
• Thành Phố Thông Minh: Cung cấp năng lượng cho quản lý giao thông thông minh và hệ thống an toàn công cộng.

Tìm hiểu thêm về YOLO11

So sánh hiệu năng trực tiếp: YOLOv8 so với YOLO11

Sự khác biệt chính giữa YOLOv8 và YOLO11 nằm ở hiệu suất. YOLO11 liên tục vượt trội hơn YOLOv8 bằng cách mang lại độ chính xác cao hơn (mAP) với hiệu quả cao hơn (ít tham số hơn và tốc độ nhanh hơn). Ví dụ: YOLO11l đạt được mAP cao hơn (53.4) so với YOLOv8l (52.9) với số lượng tham số ít hơn gần 42% và nhanh hơn đáng kể trên CPU. Xu hướng này đúng với tất cả các biến thể mô hình, làm cho YOLO11 trở thành một phiên bản kế nhiệm mạnh mẽ và hiệu quả hơn.

Kết luận và Đề xuất

Cả YOLOv8 và YOLO11 đều là những mô hình đặc biệt, nhưng chúng phục vụ cho những nhu cầu hơi khác nhau.

• YOLOv8 là một mô hình mạnh mẽ và hoàn thiện, khiến nó trở thành một lựa chọn an toàn cho các dự án đã được xây dựng trên nó hoặc dựa nhiều vào hệ sinh thái rộng lớn gồm các công cụ và hướng dẫn của bên thứ ba hiện có. Nó vẫn là một lựa chọn đáng gờm cho một loạt các tác vụ thị giác máy tính.

• YOLO11 là người chiến thắng rõ ràng về hiệu suất và hiệu quả. Nó đại diện cho đỉnh cao của công nghệ phát hiện vật thể theo thời gian thực. Đối với bất kỳ dự án mới nào, YOLO11 là điểm khởi đầu được khuyến nghị. Độ chính xác vượt trội, tốc độ suy luận nhanh hơn (đặc biệt là trên CPU) và kiến trúc hiệu quả hơn mang lại lợi thế đáng kể và đảm bảo ứng dụng của bạn không bị lỗi thời. Sự hỗ trợ và phát triển liên tục trong hệ sinh thái Ultralytics càng củng cố vị thế của nó như là lựa chọn hàng đầu cho các nhà phát triển và nhà nghiên cứu.

Đối với những ai quan tâm đến việc khám phá các mô hình khác, Ultralytics cũng hỗ trợ một loạt các kiến trúc, bao gồm YOLOv5 nền tảng, YOLOv9 gần đây và các mô hình dựa trên transformer như RT-DETR. Bạn có thể tìm thêm so sánh trên trang so sánh mô hình của chúng tôi.

📅 Đã tạo 1 năm trước ✏️ Đã cập nhật 1 tháng trước

Bình luận