YOLOv9 vs. YOLO11: Phân tích chuyên sâu về kỹ thuật trong lĩnh vực phát hiện đối tượng hiện đại
Sự phát triển nhanh chóng của thị giác máy tính đã liên tục đẩy giới hạn của những gì khả thi trong phát hiện đối tượng theo thời gian thực. Khi so sánh các kiến trúc hàng đầu, YOLOv9 và Ultralytics YOLO11 nổi bật như những bước tiến đột phá, mỗi loại đáp ứng các nhu cầu kỹ thuật riêng biệt. YOLOv9 giới thiệu các phương pháp mới để duy trì luồng gradient trong quá trình đào tạo mạng sâu, trong khi YOLO11 cách mạng hóa hệ sinh thái thị giác đa dụng với hiệu suất, tính linh hoạt và khả năng sử dụng vượt trội.
Bản so sánh kỹ thuật toàn diện này phân tích kiến trúc, số liệu 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 những model xuất sắc, YOLO26 mới được phát hành đại diện cho bước tiến tiếp theo. Nó có thiết kế end-to-end không cần NMS giúp đơn giản hóa việc triển khai, 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 được khuyến nghị cao nhất.
Thông số kỹ thuật và Tác giả
Hiểu được dòng dõi của các model này cung cấp bối cảnh cần thiết cho các quyết định kiến trúc và các phụ thuộc vào framework của chúng.
YOLOv9
YOLOv9 tập trung mạnh vào nghiên cứu học thuật về các điểm nghẽn thông tin trong deep learning, 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 cho nhiều tác vụ.
- Tác giả: Glenn Jocher và Jing Qiu
- Tổ chức: Ultralytics
- Ngày: 27 tháng 9 năm 2024
- GitHub: https://github.com/ultralytics/ultralytics
Đổi mới kiến trúc
Thông tin Gradient có thể lập trình trong YOLOv9
YOLOv9 giới thiệu khái niệm Thông tin Gradient có thể lập trình (PGI) cùng với Mạng tập hợp lớp hiệu quả tổng quát (GELAN). Khi các mạng thần kinh trở nên sâu hơn, chúng thường bị ảnh hưởng bởi các điểm nghẽn thông tin, nơi các chi tiết quan trọng bị mất trong quá trình feed-forward. PGI giải quyết vấn đề này bằng cách cung cấp các 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 giỏi trong các tác vụ đòi hỏi độ trung thực đặc trưng cao, mặc dù nó dựa vào Non-Maximum Suppression (NMS) tiêu chuẩn trong quá trình hậu xử lý, điều này có thể gây ra độ trễ trên các thiết bị biên.
Hiệu suất được tối ưu hóa trong YOLO11
YOLO11 xây dựng dựa trên nhiều năm nghiên cứu nền tảng để cung cấp một kiến trúc được tối ưu hóa cao. Nó cải tiến các phiên bản trước bằng cách giảm chi phí tính toán trong khi tối đa hóa việc trích xuất đặc trưng. Không giống như các pipeline NMS truyền thống gây nghẽn hiệu suất CPU, YOLO11 sử dụng các đầu phát hiện được tinh chỉnh đạt được sự cân bằng đáng kinh ngạc giữa độ trễ và độ chính xác. Hơn nữa, YOLO11 tự hào có mức sử dụng bộ nhớ thấp hơn đáng kể trong cả quá trình đào tạo model và suy luận so với các model Transformer nặng nề, vốn thường mất nhiều thời gian hơn để đào tạo và yêu cầu lượng bộ nhớ CUDA khổng lồ.
So sánh các chỉ số hiệu suất
Khi so sánh các model này trên tập dữ liệu COCO tiêu chuẩn, cả hai đều thể hiện những khả năng đáng kinh ngạc, nhưng các sự đánh đổi xuất hiện giữa tổng số lượng tham số và tốc độ vận hành.
Dưới đây là phân tích chi tiết về Chỉ số hiệu suất YOLO.
| Model | kích thước (pixels) | mAPval 50-95 | Tốc độ CPU ONNX (ms) | Tốc độ T4 TensorRT10 (ms) | tham số (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 suất phần cứng: YOLO11 liên tục vượt trội hơn YOLOv9 về tốc độ suy luận. Ví dụ, YOLO11n đạt tốc độ 1.5ms đáng kinh ngạc trên GPU NVIDIA T4 sử dụng TensorRT, làm cho nó trở nên vô cùng khả thi cho các pipeline thời gian thực nghiêm ngặt.
- Yêu cầu tính toán: Các model YOLO11 thường yêu cầu ít FLOPs hơn (ví dụ: 68.0B cho YOLO11m so với 76.3B cho YOLOv9m), dẫn đến mức tiêu thụ điện năng thấp hơn trên các thiết bị biên chạy bằng pin như Raspberry Pi hoặc phần cứng di động.
- Sự tương đương về độ chính xác: Mặc dù YOLOv9e nhỉnh hơn một chút so với YOLO11x về mAP tuyệt đối (55.6 so với 54.7), YOLO11 đạt độ chính xác đỉnh cao 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 thành công của dự án. Đây là nơi Lợi thế Ultralytics thực sự tỏa sáng.
Kho lưu trữ YOLOv9 gốc có tính chuyên môn cao, cung cấp việc triển khai nghiên cứu tiên tiến. Tuy nhiên, Nền tảng Ultralytics và gói mã nguồn mở tương ứng của nó cung cấp trải nghiệm người dùng hợp lý, API đơn giản và tài liệu mở rộng giúp giảm đáng kể thời gian đưa sản phẩm ra thị trường.
Tính linh hoạt đa nhiệm
YOLOv9 tập trung chủ yếu vào phát hiện bounding box. Ngược lại, YOLO11 là một nền tảng đa tác vụ thống nhất hỗ trợ nguyên bản:
Triển khai liền mạch
Sử dụng hệ sinh thái Ultralytics cho phép các nhà phát triển xuất model sang một loạt các định dạng một cách liền mạch chỉ với một dòng mã Python. Cho dù nhắm mục tiêu ONNX, OpenVINO, TFLite hay CoreML, quá trình chuyển đổi từ đào tạo sang sản xuất đều rất 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 một công cụ tuyệt vời cho các môi trường tập trung vào nghiên cứu hoặc các tình huống ưu tiên độ trung thực đặc trưng cực cao mà độ trễ phần cứng không phải là ràng buộc chính. Kiến trúc GELAN của nó có thể rất có lợi trong phân tích hình ảnh y tế, nơi việc phát hiện các biến thể 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 đặc biệt khuyến nghị. Nó vượt trội trong các môi trường đòi hỏi tốc độ cao, triển khai có thể 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.
- Drone tự hành: Nơi các kiến trúc có FLOP thấp bảo tồn tuổi thọ pin trong khi vẫn mang lại khả năng phát hiện vật thể nhỏ mạnh mẽ.
- Dự án năng động: Các quy trình làm việc có thể bắt đầu bằng phát hiện nhưng sau đó phát triển thành yêu cầu ước tính tư thế hoặc phân đoạn.
Nhìn về phía trước: Bước tiến tiếp theo
Mặc dù YOLO11 đại diện cho trạng thái tiên tiến nhất của thế hệ mình, bối cảnh thị giác máy tính vẫn tiếp tục tiến bộ. Người dùng khám phá ranh giới của AI cũng nên hướng tới YOLO26.
Tiên phong trong thiết kế end-to-end không cần NMS lần đầu được khám phá trong YOLOv10, YOLO26 giới thiệu bộ tối ưu hóa MuSGD (kết hợp giữa SGD và Muon) cho sự ổn định đào tạo chưa từng có. Với việc loại bỏ Distribution Focal Loss (DFL) để đơn giản hóa việc xuất, và các cơ chế mất mát tiên tiến như ProgLoss và STAL, YOLO26 đạt được tốc độ suy luận CPU nhanh hơn tới 43%. Đối với các dự án hiện đại, nó mang lại sự kết hợp tối ưu giữa đổi mới học thuật và độ tin cậy sẵn sàng cho sản xuất. Hơn nữa, các đội ngũ nâng cấp từ các hệ thống cũ như Ultralytics YOLOv8 sẽ thấy quá trình chuyển đổi sang YOLO26 hoặc YOLO11 hoàn toàn không gặp khó khăn nhờ API Ultralytics thống nhất.