Tất cả những gì bạn cần biết về Ultralytics YOLO11 và các ứng dụng của nó

Vào Thứ Hai, ngày 30 tháng 9, Ultralytics đã chính thức ra mắt Ultralytics YOLO11, bước tiến mới nhất trong lĩnh vực computer vision, tiếp nối màn ra mắt tại YOLO Vision 2024 (YV24), sự kiện kết hợp trực tiếp và trực tuyến thường niên của Ultralytics. Cộng đồng AI đang vô cùng hào hứng khi nhanh chóng khám phá các khả năng của mô hình. Với tốc độ xử lý nhanh hơn, độ chính xác cao hơn và các mô hình được tối ưu hóa cho cả thiết bị biên lẫn việc triển khai trên đám mây, YOLO11 định nghĩa lại những gì khả thi trong các ứng dụng computer vision thời gian thực.

Trong một interview, Người sáng lập kiêm CEO của Ultralytics, Glenn Jocher, chia sẻ: "Thế giới đang hướng tới clean energy, nhưng chưa đủ nhanh. Chúng tôi muốn các mô hình của mình có thể huấn luyện trong ít epoch hơn, với ít augmentation hơn và ít dữ liệu hơn, vì vậy chúng tôi đang nỗ lực làm việc vì điều đó. Mô hình object detection nhỏ nhất, YOLO11n, chỉ có 2,6 triệu tham số - bằng kích thước của một tệp JPEG, thực sự rất điên rồ. Mô hình object detection lớn nhất, YOLO11x, có khoảng 56 triệu tham số, và ngay cả điều đó cũng cực kỳ nhỏ so với các mô hình khác. Bạn có thể huấn luyện chúng trên một GPU giá rẻ, chẳng hạn như GPU Nvidia năm năm tuổi, chỉ với sự nhiệt huyết và một chút cà phê."

Trong bài viết này, chúng ta sẽ tìm hiểu kỹ hơn về Ultralytics YOLO11, khám phá các tính năng, cải tiến, benchmark hiệu năng và các ứng dụng thực tế để giúp bạn hiểu rõ những gì model này có thể làm. Bắt đầu ngay nào!

Hiểu về Ultralytics YOLO11: Các cải tiến so với các phiên bản trước#

YOLO11 là bước tiến mới nhất trong dòng mô hình computer vision models YOLO (You Only Look Once), và nó mang lại những cải tiến đáng kể so với các phiên bản trước như YOLOv5 và YOLOv8. Đội ngũ tại Ultralytics đã kết hợp phản hồi từ cộng đồng và nghiên cứu tiên tiến để làm cho YOLO11 nhanh hơn, chính xác hơn và hiệu quả hơn. YOLO11 cũng hỗ trợ các computer vision tasks tương tự như YOLOv8, bao gồm object detection, instance segmentation và image classification. Trên thực tế, người dùng có thể dễ dàng chuyển sang YOLO11 mà không cần thay đổi các quy trình làm việc hiện có.

Một trong những điểm nổi bật chính của YOLO11 là hiệu năng vượt trội về cả độ chính xác và tốc độ so với các phiên bản tiền nhiệm. Với ít hơn 22% tham số so với YOLOv8m, YOLO11m đạt được mean average precision (mAP) cao hơn trên COCO dataset, nghĩa là nó có thể phát hiện các đối tượng chính xác và hiệu quả hơn. Về tốc độ xử lý, YOLO11 vượt trội hơn các mô hình trước đó, làm cho nó trở nên lý tưởng cho các ứng dụng thời gian thực, nơi việc phát hiện và phản hồi nhanh chóng là tối quan trọng, và mỗi mili giây đều có giá trị.

Biểu đồ so sánh chuẩn dưới đây minh họa cách YOLO11 nổi bật so với các mô hình trước đó. Trên trục hoành, nó hiển thị COCO Box Average Precision (AP), đo lường độ chính xác của object detection. Trục tung hiển thị độ trễ bằng cách sử dụng TensorRT10 FP16 trên NVIDIA T4 GPU, cho biết mô hình xử lý dữ liệu nhanh đến mức nào.

Hình 1. Ultralytics YOLO11 cung cấp các tính năng phát hiện đối tượng thời gian thực tiên tiến nhất.

Ra mắt model Ultralytics YOLO11: Các tùy chọn mã nguồn mở và doanh nghiệp#

Với the launch of Ultralytics YOLO11, Ultralytics đang mở rộng dòng YOLO bằng cách cung cấp cả các mô hình open-source và enterprise để đáp ứng nhu cầu ngày càng tăng trên các ngành công nghiệp.

Hình 2. Với lần ra mắt này, Ultralytics cung cấp 30 model mới.

YOLO11 có năm kích thước mô hình riêng biệt - Nano, Small, Medium, Large và X. Người dùng có thể chọn mô hình tốt nhất tùy thuộc vào nhu cầu cụ thể của computer vision application’s. Năm kích thước mang lại sự linh hoạt trên các tác vụ như image classification, object detection, instance segmentation, tracking, pose estimation và oriented bounding boxes (OBB) object detection. Đối với mỗi kích thước, có sẵn một mô hình cho từng tác vụ, tổng cộng có 25 mô hình open-source tạo nên cốt lõi các dịch vụ của Ultralytics. Những mô hình này lý tưởng cho một loạt các applications, từ các tác vụ nhẹ trên thiết bị biên, nơi mô hình YOLO11n mang lại hiệu quả ấn tượng, đến các larger-scale applications đòi hỏi các mô hình YOLO11l và YOLO11x.

Lần đầu tiên, Ultralytics giới thiệu các mô hình enterprise, đánh dấu một cột mốc quan trọng trong các dòng sản phẩm của chúng tôi, và chúng tôi rất vui mừng được chia sẻ những đổi mới này với người dùng. YOLO11 giới thiệu năm mô hình độc quyền được thiết kế đặc biệt cho các trường hợp sử dụng thương mại. Các mô hình enterprise này, sẽ có sẵn vào tháng tới, được huấn luyện trên dataset độc quyền mới của Ultralytics, bao gồm hơn 1 triệu hình ảnh, cung cấp các mô hình tiền huấn luyện mạnh mẽ hơn. Chúng được kỹ thuật hóa cho các demanding, real-world applications, chẳng hạn như medical imagery analysis và satellite image processing, nơi việc phát hiện đối tượng chính xác là tối quan trọng.

Khám phá các tính năng thế hệ tiếp theo của Ultralytics YOLO11#

Bây giờ chúng ta đã thảo luận về những gì Ultralytics YOLO11 cung cấp, hãy cùng xem điều gì làm cho YOLO11 trở nên đặc biệt.

Một trong những thách thức chính trong việc phát triển YOLO11 là tìm ra sự cân bằng phù hợp giữa các ưu tiên cạnh tranh: làm cho các mô hình nhỏ hơn, nhanh hơn và chính xác hơn. Như Glenn Jocher, Người sáng lập kiêm CEO của Ultralytics, đã giải thích, “Working on YOLO research and development thực sự rất thách thức bởi vì bạn muốn đi theo ba hướng khác nhau: bạn muốn làm cho các mô hình nhỏ hơn, bạn muốn chúng chính xác hơn, nhưng bạn cũng muốn chúng nhanh hơn trên các nền tảng khác nhau như CPU và GPU. Tất cả những điều này là các lợi ích cạnh tranh, vì vậy bạn phải thỏa hiệp và chọn nơi để thực hiện thay đổi." Bất chấp những thách thức này, YOLO11 đạt được sự cân bằng ấn tượng, mang lại cả những cải tiến về tốc độ và độ chính xác so với các phiên bản trước như YOLOv8.

Fig 3. Ví dụ về việc sử dụng Ultralytics YOLO11 cho tác vụ object detection.

Ultralytics YOLO11 mang lại những cải tiến đáng kể như khả năng trích xuất tính năng được cải thiện với kiến trúc backbone và neck được thiết kế lại, dẫn đến việc phát hiện đối tượng chính xác hơn. Model cũng được tối ưu hóa về tốc độ và hiệu suất, mang lại thời gian xử lý nhanh hơn trong khi vẫn duy trì độ chính xác cao. Ngoài những lợi ích này, YOLO11 có khả năng thích ứng cao trên các môi trường khác nhau, hoạt động mượt mà trên các thiết bị edge, nền tảng cloud và các hệ thống sử dụng GPU NVIDIA. Khả năng thích ứng này làm cho nó trở thành lựa chọn lý tưởng cho người dùng cần các tùy chọn triển khai linh hoạt trên các thiết lập phần cứng khác nhau, từ thiết bị di động đến các máy chủ quy mô lớn.

Các ứng dụng thời gian thực của Ultralytics YOLO11#

Tính linh hoạt của Ultralytics YOLO11 làm cho nó trở thành một công cụ đáng tin cậy trong nhiều ngành công nghiệp, đặc biệt là khi xử lý các trường hợp sử dụng phức tạp. Ví dụ, nó hoạt động mượt mà trên các thiết bị edge và có thể được sử dụng cho các ứng dụng yêu cầu phân tích thời gian thực trong các môi trường có năng lực tính toán hạn chế. Một ví dụ tuyệt vời về điều này là lái xe tự động, nơi các phương tiện cần đưa ra quyết định trong tích tắc để giữ an toàn cho mọi người. YOLO11 hỗ trợ bằng cách phát hiện và phân tích các đối tượng trên đường, như người đi bộ hoặc các xe khác, ngay cả trong các điều kiện khắc nghiệt như ánh sáng yếu hoặc khi các vật thể bị che khuất một phần. Phát hiện nhanh chóng và chính xác giúp ngăn ngừa tai nạn và đảm bảo các phương tiện tự hành có thể di chuyển an toàn.

Fig 4. Glenn Jocher trên sân khấu tại YV24, nói về các ứng dụng của Ultralytics YOLO11.

Một ví dụ thú vị khác về phạm vi ứng dụng của Ultralytics YOLO11 là khả năng xử lý các hộp giới hạn xoay (OBB). Nó rất cần thiết để phát hiện các đối tượng không được căn chỉnh hoàn hảo. Phát hiện đối tượng OBB là một tính năng đặc biệt hữu ích trong các ngành công nghiệp như nông nghiệp, lập bản đồ và giám sát, nơi hình ảnh thường chứa các đối tượng bị xoay như cây trồng hoặc các tòa nhà trong hình ảnh hàng không hoặc vệ tinh. Không giống như các model truyền thống, YOLO11 có thể nhận dạng các đối tượng ở bất kỳ góc độ nào và cung cấp kết quả chính xác hơn nhiều cho các tác vụ đòi hỏi độ chính xác.

Ultralytics YOLO11 dành cho các nhà phát triển AI: Hãy tự mình trải nghiệm#

Bắt đầu với YOLO11 rất đơn giản và dễ tiếp cận, cho dù bạn thích viết mã hay tùy chọn no-code. Để làm việc với YOLO11 thông qua mã, bạn có thể sử dụng Ultralytics Python package để dễ dàng huấn luyện và triển khai các mô hình. Nếu bạn thích phương pháp no-code, Ultralytics Platform cho phép bạn dùng thử YOLO11 chỉ với vài cú nhấp chuột.

Hướng dẫn chi tiết mã nguồn Ultralytics YOLO11#

Để sử dụng YOLO11 với Python, trước tiên bạn cần cài đặt gói Ultralytics. Tùy thuộc vào sở thích của bạn, bạn có thể thực hiện việc này bằng pip, conda hoặc Docker. Để biết hướng dẫn chi tiết và các phương pháp hay nhất liên quan đến quá trình cài đặt, hãy nhớ xem Ultralytics Installation Guide của chúng tôi. Trong khi cài đặt các gói cần thiết cho YOLO11, nếu bạn gặp bất kỳ khó khăn nào, hãy tham khảo Common Issues Guide của chúng tôi để tìm giải pháp và mẹo.

Sau khi bạn đã cài đặt gói Ultralytics, using YOLO11 is straightforward. Đoạn mã sau đây hướng dẫn bạn quy trình loading a model, training it, testing its performance và exporting nó sang ONNX format. Để có thêm các ví dụ chuyên sâu và cách sử dụng nâng cao, hãy chắc chắn tham khảo official Ultralytics documentation, nơi bạn sẽ tìm thấy các guides chi tiết và các phương pháp hay nhất để getting the most out of YOLO11.

Hình 5. Sử dụng YOLO11 thông qua gói Ultralytics.

Đối với những người dùng thích phương pháp no-code, Ultralytics Platform cung cấp một cách dễ dàng để huấn luyện và triển khai các mô hình YOLO11 chỉ với vài cú nhấp chuột. Để get started with Ultralytics Platform, chỉ cần tạo một tài khoản trên Ultralytics Platform, và bạn có thể bắt đầu huấn luyện và quản lý các mô hình của mình thông qua một giao diện trực quan.

Ultralytics YOLO11: Định hình tương lai của vision AI#

Cộng đồng AI đang không ngừng thúc đẩy lĩnh vực computer vision bằng cách nỗ lực phát triển các model nhanh hơn, chính xác hơn cho các ứng dụng thực tế. Ultralytics YOLO11 là một cột mốc quan trọng trong nỗ lực này, mang lại tốc độ, độ chính xác và sự linh hoạt được cải thiện. Nó được thiết kế cho các ứng dụng thời gian thực và edge, khiến nó trở nên lý tưởng cho các ngành công nghiệp như chăm sóc sức khỏe và xe tự lái. Cho dù bạn đang sử dụng Ultralytics Python package hay nền tảng không cần code Ultralytics Platform, YOLO11 đều đơn giản hóa các tác vụ vision AI phức tạp. Nó mang lại những khả năng computer vision mạnh mẽ, trở thành sự lựa chọn tuyệt vời cho các nhà phát triển và doanh nghiệp.

Hãy xem qua GitHub repository của chúng tôi và tham gia our active community để tìm hiểu thêm về AI. Khám phá cách vision AI đang thúc đẩy đổi mới trong các lĩnh vực như healthcare và agriculture.