YOLOX vs YOLO11#
Sự phát triển của thị giác máy tính chịu ảnh hưởng mạnh mẽ từ việc tìm kiếm các framework phát hiện đối tượng theo thời gian thực, cân bằng giữa độ chính xác cao và tốc độ suy luận. Trong số những cột mốc đáng chú ý nhất của hành trình này có YOLOX và Ultralytics YOLO11. Mặc dù cả hai model đều có những đóng góp đáng kể cho lĩnh vực này, kiến trúc nền tảng, triết lý thiết kế và hệ sinh thái dành cho developer của chúng khác biệt đáng kể.
Bản so sánh kỹ thuật toàn diện này phân tích kiến trúc, chỉ số hiệu năng, phương pháp training và các kịch bản triển khai lý tưởng của hai model, giúp bạn đưa ra quyết định sáng suốt cho dự án trí tuệ nhân tạo tiếp theo.
Tổng quan về YOLOX#
Được các nhà nghiên cứu Zheng Ge, Songtao Liu, Feng Wang, Zeming Li và Jian Sun tại Megvii giới thiệu vào ngày 18 tháng 7 năm 2021, YOLOX đánh dấu một bước chuyển đáng kể trong dòng YOLO. Model này đã thu hẹp thành công khoảng cách giữa nghiên cứu học thuật và ứng dụng công nghiệp bằng cách giới thiệu thiết kế không dùng anchor.
Để biết thêm thông tin nền tảng kỹ thuật, bạn có thể xem bài báo YOLOX trên Arxiv gốc.
Các đặc điểm kiến trúc chính#
YOLOX rời bỏ phương pháp phát hiện dựa trên anchor truyền thống bằng cách áp dụng head tách biệt và cơ chế không dùng anchor. Thiết kế này làm giảm số lượng tham số thiết kế và cải thiện hiệu năng của model trên nhiều benchmark khác nhau. Ngoài ra, model còn giới thiệu các chiến lược gán nhãn nâng cao như SimOTA để tăng tốc quá trình training và cải thiện khả năng hội tụ.
Mặc dù YOLOX mang lại độ chính xác xuất sắc vào thời điểm đó, model này chủ yếu tập trung vào phát hiện đối tượng bằng bounding box và không hỗ trợ sẵn các tác vụ thị giác phức tạp khác.
Bằng cách loại bỏ các anchor box được định nghĩa trước, YOLOX đã giảm đáng kể việc tinh chỉnh heuristic cần thiết cho các dataset khác nhau, trở thành một baseline mạnh cho nghiên cứu về các phương pháp không dùng anchor.
Tổng quan về Ultralytics YOLO11#
Được Glenn Jocher và Jing Qiu tại Ultralytics phát hành vào ngày 27 tháng 9 năm 2024, YOLO11 là một model tiên tiến định nghĩa lại tính linh hoạt và sự dễ sử dụng trong thị giác máy tính. Được xây dựng trên nền tảng nhiều năm nghiên cứu, model cung cấp một giải pháp tinh chỉnh cao, sẵn sàng cho production và hoạt động hiệu quả trên nhiều tác vụ.
Lợi thế của Ultralytics#
YOLO11 không chỉ là một object detector; đây là một framework hợp nhất hỗ trợ phân đoạn instance, phân loại ảnh, ước tính pose và phát hiện bounding box định hướng (OBB). Model sở hữu kiến trúc hiệu quả cao, ưu tiên sự cân bằng liền mạch giữa tốc độ, số lượng tham số và độ chính xác.
Hơn nữa, YOLO11 được tích hợp hoàn toàn vào Ultralytics Platform, cung cấp một hệ sinh thái tinh gọn cho việc gán nhãn dữ liệu, training model và triển khai.
So sánh hiệu năng và các chỉ số#
Khi so sánh hai model này, sự cân bằng về hiệu năng trở nên rõ ràng. YOLO11 đạt mean Average Precision (mAP) cao hơn với số lượng tham số và FLOPs ít hơn đáng kể ở hầu hết các nhóm kích thước so với các model YOLOX tương ứng.
| Model | kích thước (pixel) | mAPval 50-95 | Tốc độ CPU ONNX (ms) | Tốc độ T4 TensorRT10 (ms) | tham số (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOXnano | 416 | 25.8 | - | - | 0.91 | 1.08 |
| YOLOXtiny | 416 | 32.8 | - | - | 5.06 | 6.45 |
| YOLOXs | 640 | 40.5 | - | 2.56 | 9.0 | 26.8 |
| YOLOXm | 640 | 46.9 | - | 5.43 | 25.3 | 73.8 |
| YOLOXl | 640 | 49.7 | - | 9.04 | 54.2 | 155.6 |
| YOLOXx | 640 | 51.1 | - | 16.1 | 99.1 | 281.9 |
| 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 |
Như đã minh họa, các model YOLO11 luôn vượt trội YOLOX về độ chính xác trong khi có số lượng tham số gọn hơn. Chẳng hạn, YOLO11m đạt 51.5 mAP chỉ với 20.1M tham số, trong khi YOLOXx đạt mAP 51.1 tương đương nhưng cần tới 99.1M tham số. Hiệu quả sử dụng bộ nhớ trong quá trình training và suy luận này khiến YOLO11 đặc biệt phù hợp để triển khai trên các thiết bị AI edge, tránh yêu cầu lớn về bộ nhớ CUDA thường thấy ở các model cũ hơn hoặc dựa trên Transformer như RT-DETR.
Các model Ultralytics cần ít GPU memory hơn đáng kể trong quá trình training so với YOLOX và các kiến trúc dựa trên Transformer, cho phép các nhà nghiên cứu training những model mạnh trên phần cứng phổ thông dành cho người dùng.
Hệ sinh thái và tính dễ sử dụng#
Một trong những khác biệt nổi bật nhất giữa hai framework là trải nghiệm developer.
YOLOX thường yêu cầu clone repository, thiết lập các environment phức tạp và chạy những command-line argument dài dòng để training cũng như export model sang các format như ONNX hoặc TensorRT.
Ngược lại hoàn toàn, Ultralytics YOLO11 cung cấp Python API và CLI cực kỳ đơn giản. Thư viện Ultralytics tự động xử lý tăng cường dữ liệu, tinh chỉnh hyperparameter và export.
from ultralytics import YOLO
# Load a pretrained YOLO11 model
model = YOLO("yolo11n.pt")
# Train the model effortlessly on custom data
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Export the trained model to TensorRT for optimized deployment
model.export(format="engine")Hệ sinh thái được duy trì tốt này được hỗ trợ bởi tài liệu phong phú và khả năng tích hợp liền mạch với các công cụ như Weights & Biases để theo dõi experiment.
Các trường hợp sử dụng lý tưởng#
Việc lựa chọn giữa hai model này thường phụ thuộc vào các đặc điểm cụ thể của môi trường triển khai.
Khi nào nên sử dụng YOLOX#
- Hệ thống legacy: Nếu bạn có một pipeline hiện có được xây dựng chuyên biệt quanh framework MegEngine hoặc các paradigm phát hiện đối tượng đầu năm 2021.
- Baseline học thuật: Khi thực hiện nghiên cứu yêu cầu benchmark trực tiếp với các kiến trúc nền tảng không dùng anchor của thời kỳ năm 2021.
Khi nào nên sử dụng YOLO11#
- Triển khai production: Cho các ứng dụng thương mại trong bán lẻ thông minh hoặc hệ thống cảnh báo an ninh, nơi code ổn định, được duy trì tốt và độ chính xác cao là những yêu cầu bắt buộc.
- Pipeline đa tác vụ: Khi dự án yêu cầu tracking đối tượng, ước tính pose người và phân đoạn instance bằng một framework hợp nhất duy nhất.
- Thiết bị edge hạn chế tài nguyên: Nhờ số lượng tham số thấp và throughput cao, YOLO11 lý tưởng để triển khai trên Raspberry Pi hoặc các edge node di động thông qua CoreML và NCNN.
Nhìn về phía trước: Lợi thế của YOLO26#
Mặc dù YOLO11 là một bước tiến vượt bậc so với YOLOX, lĩnh vực thị giác máy tính đang phát triển nhanh chóng. Đối với các developer bắt đầu dự án mới hiện nay, Ultralytics YOLO26 là lựa chọn được khuyến nghị rõ ràng.
Được phát hành vào tháng 1 năm 2026, YOLO26 kế thừa kiến trúc xuất sắc của YOLO11 và giới thiệu một số tính năng đột phá:
- Thiết kế đầu cuối không dùng NMS: YOLO26 loại bỏ quá trình hậu xử lý Non-Maximum Suppression (NMS) để tạo ra các quy trình triển khai nhanh hơn và đơn giản hơn (một khái niệm lần đầu được khám phá trong YOLOv10).
- Suy luận CPU nhanh hơn tới 43%: Nhờ loại bỏ Distribution Focal Loss (DFL), YOLO26 hiệu quả hơn rất nhiều trên CPU và các thiết bị edge công suất thấp.
- Optimizer MuSGD: Lấy cảm hứng từ những cải tiến trong training LLM của Moonshot AI, optimizer MuSGD đảm bảo các lần training có độ ổn định cao và hội tụ nhanh.
- Hàm loss nâng cao: Nhờ sử dụng ProgLoss + STAL, YOLO26 đạt được những cải thiện đáng kể trong việc nhận diện đối tượng nhỏ, yếu tố quan trọng đối với hình ảnh từ drone và robot tự hành.
Đối với phần lớn các tác vụ thị giác máy tính hiện đại, nâng cấp pipeline để tận dụng YOLO26 sẽ mang lại sự cân bằng tốt nhất về tốc độ, độ chính xác và tính đơn giản khi triển khai.