YOLOX và YOLO26#

Lĩnh vực thị giác máy tính đã trải qua những chuyển đổi đáng kinh ngạc trong thập kỷ qua. Hai cột mốc quan trọng trong hành trình này là sự ra mắt của YOLOX, giúp phổ biến kiến trúc không anchor, và sự xuất hiện gần đây của Ultralytics YOLO26, định nghĩa lại hoàn toàn hiệu năng thời gian thực với thiết kế đầu-cuối, không cần NMS ngay từ đầu. Bài so sánh toàn diện này tìm hiểu kiến trúc, chỉ số hiệu năng và các kịch bản triển khai lý tưởng của hai model, giúp nhà phát triển đưa ra quyết định sáng suốt cho dự án AI tiếp theo.

Tổng quan về model#

Hiểu rõ nguồn gốc và mục tiêu thiết kế chính của từng model là cơ sở quan trọng để nắm được những thành tựu kỹ thuật tương ứng.

YOLOX#

• Tác giả: Zheng Ge, Songtao Liu, Feng Wang, Zeming Li và Jian Sun
• Tổ chức: Megvii
• Ngày: 2021-07-18
• arXiv: 2107.08430
• GitHub: Megvii-BaseDetection/YOLOX
• Tài liệu: Tài liệu YOLOX trên GitHub

Ra mắt vào giữa năm 2021, YOLOX đánh dấu một thay đổi lớn khi áp dụng thiết kế không anchor cùng với head tách rời và chiến lược gán nhãn tiên tiến mang tên SimOTA. Bằng cách từ bỏ cơ chế anchor box truyền thống vốn chi phối các kiến trúc trước đó, YOLOX đã kết nối thành công nghiên cứu học thuật với ứng dụng công nghiệp, cung cấp một framework tinh gọn nhưng hiệu quả cao cho phát hiện đối tượng.

Tìm hiểu thêm về YOLOX

YOLO26#

• Tác giả: Glenn Jocher và Jing Qiu
• Tổ chức: Ultralytics
• Ngày: 2026-01-14
• GitHub: ultralytics/ultralytics
• Nền tảng: Ultralytics Platform

Ra mắt vào đầu năm 2026, YOLO26 là thành quả của nhiều năm cải tiến liên tục, tập trung mạnh vào triển khai biên và đơn giản hóa quy trình huấn luyện. Model giới thiệu head one-to-one đầu-cuối, không cần NMS tùy chọn (nms=False), bỏ qua bước hậu xử lý Ức chế phi cực đại truyền thống. Đột phá này giúp đơn giản hóa đáng kể việc triển khai model trên nhiều loại phần cứng. Ngoài ra, bằng cách loại bỏ module Hàm mất mát tiêu cự phân phối (DFL), YOLO26 giảm độ trễ đáng kể, củng cố vị thế là lựa chọn hàng đầu cho các ứng dụng thị giác máy tính hiện đại.

Các cải tiến kiến trúc#

Kiến trúc của hai model này cho thấy sự phát triển nhanh chóng của các phương pháp học sâu, đặc biệt là về hàm mất mát và hậu xử lý.

Phương pháp YOLOX#

YOLOX tách riêng nhiệm vụ phân loại và hồi quy trong head dự đoán, giúp tăng đáng kể tốc độ hội tụ trong quá trình huấn luyện. Thiết kế không anchor giúp giảm số lượng tham số thiết kế, hạn chế nhu cầu tinh chỉnh anchor phức tạp trước khi huấn luyện. Kết hợp với thuật toán gán nhãn SimOTA, YOLOX đạt kết quả tiên tiến vào thời điểm đó, đặc biệt trên các benchmark tiêu chuẩn như dataset COCO.

Ưu thế của YOLO26#

YOLO26 đưa hiệu quả kiến trúc lên một tầm cao mới. Loại bỏ NMS không chỉ giảm độ trễ suy luận mà còn đảm bảo thời gian thực thi nhất quán, xác định — yếu tố then chốt đối với xe tự hành và robot.

Các cải tiến chính của YOLO26 gồm:

• Optimizer MuSGD: Lấy cảm hứng từ các kỹ thuật huấn luyện Mô hình ngôn ngữ lớn (LLM), phương pháp kết hợp SGD và Muon này đảm bảo quá trình huấn luyện ổn định vượt trội và hội tụ nhanh hơn.
• Suy luận CPU nhanh hơn tới 43%: Bằng cách loại bỏ DFL và tinh giản kiến trúc mạng, YOLO26 được tối ưu mạnh cho các thiết bị biên bị giới hạn tài nguyên, từ cảm biến IoT đơn giản đến bo mạch Raspberry Pi.
• ProgLoss + STAL: Các hàm mất mát tiên tiến này cải thiện đáng kể khả năng nhận diện vật thể nhỏ, yếu tố quan trọng khi phân tích ảnh chụp từ trên không và thực hiện kiểm soát chất lượng chính xác trong tự động hóa sản xuất.

Hiệu năng và benchmark#

Khi đánh giá model cho môi trường sản xuất, việc phân tích sự cân bằng giữa độ chính xác, tốc độ và độ phức tạp tính toán là tối quan trọng. Dưới đây là phần so sánh chi tiết các model tiêu chuẩn được đánh giá ở kích thước ảnh 640 pixel (và 416 đối với các biến thể nano/tiny).

Như bảng minh họa, dòng YOLO26 mang lại sự cân bằng hiệu năng vượt trội. Chẳng hạn, YOLO26x đạt 57.5 mAP ấn tượng trong khi chỉ sử dụng gần một nửa số tham số của model YOLOXx, trực tiếp giúp tăng tốc suy luận GPU (11.8 ms so với 16.1 ms) và cải thiện đáng kể tính linh hoạt khi triển khai.

Trải nghiệm huấn luyện và hệ sinh thái#

Một trong những khác biệt sâu sắc nhất giữa hai kiến trúc này nằm ở khả năng sử dụng và mức độ hỗ trợ của hệ sinh thái.

YOLOX vẫn là repository nền tảng cho các nhà nghiên cứu tìm hiểu cơ chế không anchor và cách gán nhãn, nhưng quá trình thiết lập có thể phức tạp, thường đòi hỏi cấu hình thủ công các dependency và operator. Ngược lại, hệ sinh thái Ultralytics thiết lập tiêu chuẩn ngành về tính dễ sử dụng.

Thông qua API Python hợp nhất, nhà phát triển có thể khởi tạo, huấn luyện và triển khai các model YOLO26 một cách đơn giản vượt trội. Hệ thống tự xử lý việc tải dataset, tinh chỉnh siêu tham số và xuất model liền mạch sang các định dạng như ONNX, TensorRT và OpenVINO.

from ultralytics import YOLO

# Khởi tạo model YOLO26 small đầu-cuối tiên tiến nhất
model = YOLO("yolo26s.pt")

# Huấn luyện model; optimizer="auto" sẽ chọn MuSGD cho các lần chạy dài hơn (>10k iterations)
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Xác thực hiệu năng của model trên tập validation
metrics = model.val()

# Xuất model đã tối ưu để triển khai trên thiết bị biên
model.export(format="onnx")

Ngoài ra, các model Ultralytics YOLO có yêu cầu bộ nhớ khi huấn luyện thấp hơn đáng kể so với các lựa chọn thay thế nặng nề dựa trên Transformer, cho phép kỹ sư huấn luyện với batch size lớn hơn ngay cả trên phần cứng dành cho người dùng phổ thông.

Ứng dụng thực tế#

Việc chọn YOLOX hay YOLO26 cuối cùng phụ thuộc vào các giới hạn triển khai và yêu cầu đa nhiệm của bạn.

Điểm mạnh của YOLOX#

YOLOX vẫn là lựa chọn phù hợp cho một số benchmark học thuật cụ thể và các hệ thống cũ xây dựng trên codebase YOLOX gốc. Ý nghĩa lịch sử khiến YOLOX trở thành baseline phổ biến để nghiên cứu các bộ phát hiện không anchor và chiến lược gán nhãn tùy chỉnh.

Những điểm mạnh của YOLO26#

YOLO26 được thiết kế chuyên biệt cho các ứng dụng công nghiệp hiện đại. Vì hỗ trợ nguyên bản phân đoạn thực thể, ước lượng tư thế và box giới hạn có định hướng (OBB), model này linh hoạt hơn nhiều so với các engine phát hiện tiêu chuẩn.

• Bán lẻ thông minh và quản lý tồn kho: Thiết kế không cần NMS đảm bảo hệ thống thanh toán tự động xử lý luồng video với độ trễ cực thấp, nhận diện sản phẩm mà không gặp nút thắt do các vòng hậu xử lý.
• Phân tích drone và ảnh chụp từ trên không: Hàm mất mát góc chuyên biệt cho OBB và khả năng tích hợp ProgLoss + STAL giúp YOLO26 vượt trội trong phát hiện vật thể xoay và chi tiết nhỏ trong ảnh vệ tinh diện rộng.
• Hệ thống an ninh biên: Với tốc độ suy luận CPU nhanh hơn 43%, YOLO26 cho phép doanh nghiệp triển khai phân tích an ninh mạnh mẽ trực tiếp trên phần cứng cục bộ giá rẻ mà không cần tài nguyên điện toán đám mây đắt đỏ.

Trường hợp sử dụng và khuyến nghị#

Việc lựa chọn giữa YOLOX và YOLO26 phụ thuộc vào yêu cầu cụ thể của dự án, các giới hạn triển khai và hệ sinh thái bạn ưu tiên.

Khi nào nên chọn YOLOX#

YOLOX là lựa chọn phù hợp khi:

• Nghiên cứu phát hiện không anchor: Nghiên cứu học thuật sử dụng kiến trúc không anchor rõ ràng của YOLOX làm baseline để thử nghiệm các head phát hiện hoặc hàm loss mới.
• Thiết bị biên siêu nhẹ: Triển khai trên vi điều khiển hoặc phần cứng di động đời cũ, nơi kích thước cực nhỏ của biến thể YOLOX-Nano (0.91M tham số) là yếu tố then chốt.
• Nghiên cứu gán nhãn SimOTA: Các dự án nghiên cứu tìm hiểu chiến lược gán nhãn dựa trên vận tải tối ưu và ảnh hưởng của chúng đến quá trình hội tụ khi huấn luyện.

Khi nào nên chọn YOLO26#

YOLO26 được khuyến nghị cho:

• Triển khai trên thiết bị biên không cần NMS: Các ứng dụng cần inference có độ trễ thấp và ổn định mà không phải xử lý hậu kỳ Non-Maximum Suppression phức tạp.
• Môi trường chỉ có CPU: Các thiết bị không có GPU tăng tốc chuyên dụng, nơi tốc độ CPU inference nhanh hơn đến 43% của YOLO26 mang lại lợi thế rõ rệt.
• Phát hiện vật thể nhỏ: Các tình huống khó như ảnh chụp từ drone trên không hoặc phân tích cảm biến IoT, trong đó ProgLoss và STAL cải thiện đáng kể độ chính xác khi phát hiện vật thể rất nhỏ.

Khám phá các model Ultralytics khác#

Nếu bạn đang tìm hiểu sự phát triển của thị giác máy tính, trong dòng model Ultralytics còn có những model năng lực cao khác đáng để khám phá:

• YOLO11: Thế hệ tiền nhiệm trực tiếp của YOLO26, cung cấp hiệu năng mạnh mẽ và sự hỗ trợ rộng rãi từ cộng đồng cho các môi trường sản xuất ổn định.
• YOLOv8: Kiến trúc đã được kiểm chứng qua thực tế, thiết lập tiêu chuẩn về tính dễ sử dụng và linh hoạt trong hàng nghìn lần triển khai thực tế.

Tóm lại, dù YOLOX đưa những khái niệm quan trọng vào lĩnh vực phát hiện đối tượng, YOLO26 mới mang đến bước tiến vượt bậc về tốc độ, độ chính xác và sự đơn giản khi triển khai, trở thành lựa chọn hàng đầu cho các nhà phát triển và doanh nghiệp có tầm nhìn dài hạn.