YOLOv9 so với YOLO11#
Sự phát triển nhanh chóng của thị trường thị giác máy tính đã liên tục đẩy lùi các giới hạn của những gì có thể đạt được trong phát hiện đối tượng thời gian thực. Khi so sánh các kiến trúc hàng đầu, YOLOv9 và Ultralytics YOLO11 nổi bật như những bước tiến vĩ đại, mỗi mô hình phục vụ các nhu cầu kỹ thuật riêng biệt. YOLOv9 đã giới thiệu các phương pháp mới để bảo tồn luồng gradient trong quá trình huấn luyện mạng sâu, trong khi YOLO11 cách mạng hóa hệ sinh thái thị giác đa dụng với hiệu suất, tính linh hoạt và sự dễ sử dụng chưa từng có.
Bản so sánh kỹ thuật toàn diện này phân tích kiến trúc, các chỉ số hiệu suất, yêu cầu bộ nhớ và các kịch bản triển khai lý tưởng để giúp bạn chọn model tối ưu cho dự án AI tiếp theo của mình.
Mặc dù YOLOv9 và YOLO11 là các mô hình xuất sắc, YOLO26 mới ra mắt lại đại diện cho bước tiến tiếp theo. Mô hình này sở hữu thiết kế không cần NMS từ đầu đến cuối (end-to-end NMS-free) giúp đơn giản hóa việc triển khai, tốc độ suy luận trên CPU nhanh hơn tới 43% và bộ tối ưu hóa MuSGD đột phá giúp hội tụ nhanh chóng. Đối với tất cả các dự án sản xuất mới, YOLO26 là lựa chọn rất được khuyến nghị.
Thông số kỹ thuật và Quyền tác giả#
Việc hiểu về dòng dõi của các model này cung cấp bối cảnh cần thiết cho các quyết định kiến trúc và các phụ thuộc framework của chúng.
YOLOv9#
YOLOv9 mang đến trọng tâm học thuật mạnh mẽ về các điểm nghẽn thông tin trong học sâu, ưu tiên tối đa độ trung thực của đặc trưng thông qua các khối mạng tùy chỉnh.
- Tác giả: Chien-Yao Wang và Hong-Yuan Mark Liao
- Tổ chức: Institute of Information Science, Academia Sinica
- Ngày: 21 tháng 2 năm 2024
- Arxiv: https://arxiv.org/abs/2402.13616
- GitHub: https://github.com/WongKinYiu/yolov9
Ultralytics YOLO11#
YOLO11 được thiết kế từ đầu cho môi trường sản xuất, tập trung vào sự cân bằng giữa độ chính xác hàng đầu, tốc độ triển khai thực tế và tính linh hoạt đa tác vụ.
- Tác giả: Glenn Jocher và Jing Qiu
- Tổ chức: Ultralytics
- Ngày: 27 tháng 9, 2024
- GitHub: https://github.com/ultralytics/ultralytics
Cải tiến kiến trúc#
Thông tin gradient lập trình được trong YOLOv9#
YOLOv9 giới thiệu khái niệm Thông tin Gradient Lập trình được (PGI) cùng với Mạng tổng hợp lớp hiệu quả tổng quát (GELAN). Khi các mạng thần kinh ngày càng sâu hơn, chúng thường gặp phải tình trạng nghẽn thông tin, nơi các chi tiết quan trọng bị mất trong quá trình truyền tiến. PGI giải quyết vấn đề này bằng cách cung cấp các bản cập nhật gradient đáng tin cậy giúp giữ lại thông tin không gian chi tiết, trong khi GELAN tối đa hóa hiệu quả tham số. Điều này giúp YOLOv9 đặc biệt phù hợp với các tác vụ yêu cầu độ trung thực đặc trưng cao, mặc dù nó dựa vào NMS (Non-Maximum Suppression) tiêu chuẩn trong quá trình hậu xử lý, điều này có thể gây ra độ trễ trên các thiết bị biên.
Hiệu quả tinh gọn trong YOLO11#
YOLO11 được xây dựng dựa trên nhiều năm nghiên cứu nền tảng nhằm cung cấp một kiến trúc được tối ưu hóa cao. Mô hình cải thiện các thế hệ trước bằng cách giảm chi phí tính toán đồng thời tối đa hóa khả năng trích xuất đặc trưng. Không giống như các đường ống NMS truyền thống vốn gây nghẽn cổ chai hiệu năng CPU, YOLO11 sử dụng các đầu dò được tinh chỉnh nhằm đạt được sự cân bằng đáng kinh ngạc giữa độ trễ và độ chính xác. Hơn nữa, YOLO11 tự hào sở hữu mức tiêu thụ bộ nhớ thấp hơn đáng kể trong cả quá trình huấn luyện mô hình và suy luận so với các mô hình Transformer nặng, vốn thường chậm hơn khi huấn luyện và đòi hỏi lượng lớn bộ nhớ CUDA.
So sánh các chỉ số hiệu suất#
Khi so sánh các mô hình này trên tập dữ liệu COCO tiêu chuẩn, cả hai đều thể hiện năng lực đáng kinh ngạc, nhưng sự đánh đổi xuất hiện giữa tổng số lượng tham số và tốc độ vận hành.
Dưới đây là phân tích chi tiết về Các chỉ số hiệu năng YOLO.
| Mô hình | kích thước (pixel) | mAPval 50-95 | Tốc độ CPU ONNX (ms) | Tốc độ T4 TensorRT10 (ms) | params (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv9t | 640 | 38.3 | - | 2.3 | 2.0 | 7.7 |
| YOLOv9s | 640 | 46.8 | - | 3.54 | 7.1 | 26.4 |
| YOLOv9m | 640 | 51.4 | - | 6.43 | 20.0 | 76.3 |
| YOLOv9c | 640 | 53.0 | - | 7.16 | 25.3 | 102.1 |
| YOLOv9e | 640 | 55.6 | - | 16.77 | 57.3 | 189.0 |
| 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 |
Phân tích kết quả#
- Tốc độ và hiệu quả phần cứng: YOLO11 liên tục vượt trội hơn YOLOv9 về tốc độ suy luận. Ví dụ, YOLO11n đạt tốc độ kinh ngạc 1.5ms trên GPU NVIDIA T4 sử dụng TensorRT, khiến nó cực kỳ khả thi cho các đường ống thời gian thực khắt khe.
- Yêu cầu tính toán: Các mô hình YOLO11 nhìn chung yêu cầu ít FLOPs hơn (ví dụ: 68.0B cho YOLO11m so với 76.3B cho YOLOv9m), điều này chuyển hóa thành mức tiêu thụ điện năng thấp hơn trên các thiết bị biên chạy bằng pin như Raspberry Pi hoặc phần cứng di động.
- Độ chính xác tương đương: Mặc dù YOLOv9e nhỉnh hơn YOLO11x một chút về mAP tuyệt đối (55.6 so với 54.7), YOLO11 đạt được độ chính xác cao nhất với độ trễ thấp hơn đáng kể (11.3ms so với 16.77ms), cho thấy sự cân bằng hiệu suất thuận lợi hơn cho các triển khai thực tế.
Hệ sinh thái và tính dễ sử dụng#
Mặc dù các chỉ số thô rất quan trọng, hệ sinh thái framework thường quyết định sự thành công của dự án. Đây là nơi Ưu thế của Ultralytics thực sự tỏa sáng.
Kho lưu trữ YOLOv9 gốc có tính chuyên môn hóa cao, cung cấp các triển khai nghiên cứu tiên tiến. Tuy nhiên, Ultralytics Platform và gói mã nguồn mở tương ứng mang lại trải nghiệm người dùng tinh gọn, API đơn giản cùng tài liệu phong phú giúp rút ngắn đáng kể thời gian đưa sản phẩm ra thị trường.
Tính linh hoạt đa tác vụ#
YOLOv9 tập trung chủ yếu vào phát hiện bbox. Ngược lại, YOLO11 là một nền tảng đa tác vụ mạnh mẽ hỗ trợ nguyên bản:
Triển khai liền mạch#
Sử dụng hệ sinh thái Ultralytics cho phép các nhà phát triển liền mạch xuất mô hình sang nhiều định dạng khác nhau chỉ với một dòng mã Python. Cho dù mục tiêu là ONNX, OpenVINO, TFLite hay CoreML, quá trình chuyển đổi từ huấn luyện sang sản xuất diễn ra vô cùng dễ dàng.
from ultralytics import YOLO
# Load a highly efficient YOLO11 model
model = YOLO("yolo11n.pt")
# Train rapidly on a custom dataset with minimal memory footprint
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Export the trained model to OpenVINO for Intel CPU acceleration
model.export(format="openvino")Các trường hợp sử dụng lý tưởng#
Khi nào nên sử dụng YOLOv9#
YOLOv9 là công cụ tuyệt vời cho các môi trường tập trung vào nghiên cứu hoặc các kịch bản ưu tiên độ trung thực đặc trưng cực cao, nơi độ trễ phần cứng không phải là ràng buộc chính. Kiến trúc GELAN của nó có thể rất hữu ích trong phân tích hình ảnh y tế, nơi việc phát hiện những thay đổi pixel nhỏ nhất là rất quan trọng.
Tại sao YOLO11 là lựa chọn vượt trội#
Đối với các nhà phát triển, kỹ sư và đội ngũ sản xuất, YOLO11 được đánh giá rất cao. Nó vượt trội trong các môi trường đòi hỏi triển khai tốc độ cao, có khả năng mở rộng:
- Phân tích bán lẻ thông minh: Theo dõi sản phẩm và khách hàng một cách liền mạch bằng cách sử dụng các bộ xử lý tiêu chuẩn Intel tiêu chuẩn.
- Drone tự hành: Nơi các kiến trúc có FLOP thấp giúp bảo toàn tuổi thọ pin trong khi vẫn cung cấp khả năng phát hiện đối tượng nhỏ mạnh mẽ.
- Các dự án động: Các quy trình làm việc có thể bắt đầu bằng phát hiện nhưng sau đó phát triển để yêu cầu ước lượng tư thế hoặc phân đoạn.
Hướng tới tương lai: Sự tiến hóa tiếp theo#
Mặc dù YOLO11 đại diện cho công nghệ tiên tiến nhất của thế hệ này, bối cảnh thị giác máy tính vẫn tiếp tục tiến步. Những người dùng đang khám phá các giới hạn của AI cũng nên hướng tới YOLO26.
Tiên phong trong thiết kế không cần NMS từ đầu đến cuối được khám phá lần đầu trong YOLOv10, YOLO26 giới thiệu bộ tối ưu hóa MuSGD (sự kết hợp giữa SGD và Muon) mang lại độ ổn định huấn luyện chưa từng có. Với việc loại bỏ Distribution Focal Loss (DFL) để đơn giản hóa quá trình xuất, cùng các cơ chế mất mát tiên tiến như ProgLoss và STAL, YOLO26 đạt tốc độ suy luận CPU nhanh hơn tới 43%. Đối với các dự án hiện đại, mô hình này cung cấp sự kết hợp tối ưu giữa đổi mới học thuật và độ tin cậy sẵn sàng cho sản xuất. Hơn nữa, các nhóm nâng cấp từ các hệ thống cũ như Ultralytics YOLOv8 sẽ thấy việc chuyển đổi sang YOLO26 hoặc YOLO11 hoàn toàn mượt nhờ vào API Ultralytics thống nhất.