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 sự kiện ra mắt tại YOLO Vision 2024 (YV24), sự kiện thường niên kết hợp trực tiếp và trực tuyến của Ultralytics. Cộng đồng AI đang vô cùng hào hứng khi đổ xô khám phá các khả năng của model này. Với khả năng xử lý nhanh hơn, độ chính xác cao hơn và các model được tối ưu hóa cho cả thiết bị edge và triển khai trên cloud, YOLO11 tái định nghĩa những gì có thể thực hiện được trong các ứng dụng computer vision thời gian thực.

Trong một bài phỏng vấn, nhà sáng lập kiêm CEO của Ultralytics, Glenn Jocher, chia sẻ: “Thế giới đang chuyển dịch sang năng lượng sạch, nhưng không đủ nhanh. Chúng tôi muốn các model 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 hết mình cho điều đó. Model nhận diện đối tượng nhỏ nhất, YOLO11n, chỉ có 2,6 triệu tham số - bằng kích thước của một tệp JPEG, thật điên rồ. Model object detection lớn nhất, YOLO11x, có khoảng 56 triệu tham số, và ngay cả con số đó cũng cực kỳ nhỏ so với các model khác. Bạn có thể huấn luyện chúng trên một GPU giá rẻ, như một chiếc GPU Nvidia đời cũ 5 năm, chỉ với sự hào hứng và một chút cà phê.”

Trong bài viết này, chúng ta sẽ tìm hiểu kỹ hơn về YOLO11, khám phá các tính năng, cải tiến, benchmark hiệu suất và các ứng dụng thực tế để giúp bạn hiểu được model này có thể làm gì. Hãy cùng bắt đầu!

Link to this sectionTìm hiểu về YOLO11: Những cải tiến so với các phiên bản trước#

YOLO11 là bước tiến mới nhất trong chuỗi computer vision models YOLO (You Only Look Once), và nó mang lại những cải tiến đáng kể so với các phiên bản trước đó như YOLOv5 và YOLOv8. Đội ngũ tại Ultralytics đã kết hợp phản hồi từ cộng đồng và các 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. Thực tế, người dùng có thể dễ dàng chuyển sang YOLO11 mà không cần thay đổi quy trình làm việc hiện có.

Một trong những điểm nhấn quan trọng của YOLO11 là hiệu suất vượt trội về cả độ chính xác và tốc độ so với các phiên bản tiền nhiệm. Với số lượng tham số ít hơn 22% so với YOLOv8m, YOLO11m đạt được mean average precision (mAP) cao hơn trên COCO dataset, nghĩa là nó có thể phát hiện đối tượng chính xác và hiệu quả hơn. Về tốc độ xử lý, YOLO11 vượt trội hơn các model trước đây, khiến nó trở nên lý tưởng cho các ứng dụng thời gian thực, nơi mà việc phát hiện và phản hồi nhanh chóng là yếu tố then chốt và từng mili giây đều có giá trị.

Biểu đồ benchmark dưới đây minh họa cách YOLO11 nổi bật so với các model trước đó. Trên trục hoành, nó hiển thị COCO Box Average Precision (AP), đo lường độ chính xác của việc phát hiện đối tượng. Trục tung hiển thị độ trễ sử dụng TensorRT10 FP16 trên một NVIDIA T4 GPU, cho thấy tốc độ xử lý dữ liệu của model.

Hình 1. YOLO11 cung cấp khả năng phát hiện đối tượng thời gian thực hiện đại nhất.

Link to this sectionRa mắt model YOLO11: Các tùy chọn mã nguồn mở và doanh nghiệp#

Với sự kiện ra mắt Ultralytics YOLO11, Ultralytics đang mở rộng series YOLO bằng cách cung cấp cả các model mã nguồn mở và doanh nghiệp để đáp ứng nhu cầu ngày càng tăng trong các ngành công nghiệp.

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

YOLO11 có năm kích thước model riêng biệt - Nano, Small, Medium, Large và X. Người dùng có thể chọn model phù hợp nhất tùy thuộc vào nhu cầu cụ thể của ứng dụng computer vision của họ. Năm kích thước này mang lại sự linh hoạt trong các tác vụ như image classification, object detection, instance segmentation, tracking, pose estimation và oriented bounding boxes (OBB) object detection. Với mỗi kích thước, đều có một model sẵn sàng cho từng tác vụ, tổng cộng có 25 model mã nguồn mở tạo nên cốt lõi các sản phẩm của Ultralytics. Những model này lý tưởng cho nhiều ứng dụng đa dạng, từ các tác vụ nhẹ trên thiết bị edge, nơi model YOLO11n mang lại hiệu quả ấn tượng, cho đến các ứng dụng quy mô lớn hơn yêu cầu các model YOLO11l và YOLO11x.

Lần đầu tiên, Ultralytics giới thiệu các model doanh nghiệp, đánh dấu một cột mốc quan trọng trong danh mục 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 model độc quyền được thiết kế đặc biệt cho các trường hợp sử dụng thương mại. Những model doanh nghiệp này, sẽ ra mắt vào tháng tới, được huấn luyện trên dataset độc quyền mới của Ultralytics, bao gồm hơn 1 triệu hình ảnh, mang lại các model pre-trained mạnh mẽ hơn. Chúng được xây dựng cho các ứng dụng thực tế đầy thách thức, chẳng hạn như phân tích hình ảnh y tế và xử lý hình ảnh vệ tinh, nơi việc phát hiện đối tượng chính xác là vô cùng quan trọng.

Link to this sectionKhám phá các tính năng thế hệ mới của YOLO11#

Giờ đây khi đã thảo luận về những gì YOLO11 mang lại, 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 model nhỏ hơn, nhanh hơn và chính xác hơn. Như Glenn Jocher, nhà sáng lập kiêm CEO của Ultralytics, đã giải thích: “Làm việc về nghiên cứu và phát triển YOLO thực sự rất thách thức vì bạn muốn đi theo ba hướng khác nhau: bạn muốn làm cho các model 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 những mối quan tâm cạnh tranh, vì vậy bạn phải thỏa hiệp và chọn nơi 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.

Hình 3. Ví dụ về việc sử dụng YOLO11 để nhận diện đối tượng.

YOLO11 mang đến những cải tiến đáng kể như khả năng feature extraction tốt hơn 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 cho 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 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 những người dùng cần các tùy chọn triển khai linh hoạt trên nhiều thiết lập phần cứng khác nhau, từ thiết bị di động đến máy chủ quy mô lớn.

Link to this sectionCác ứng dụng thời gian thực của YOLO11#

Sự linh hoạt của YOLO11 biến nó 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 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 công suất tính toán hạn chế. Một ví dụ điển hình cho điều này là autonomous driving, 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 phương tiện khác, ngay cả trong những điều kiện khó khăn như ánh sáng yếu hoặc khi vật thể bị che khuất một phần. Việc phát hiện nhanh và chính xác giúp ngăn ngừa tai nạn và đảm bảo các phương tiện tự lái có thể di chuyển an toàn.

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

Một ví dụ thú vị khác về phạm vi của YOLO11 là khả năng xử lý oriented bounding boxes (OBB). Nó rất cần thiết để phát hiện các đối tượng không được căn chỉnh hoàn hảo. OBB object detection là một tính năng đặc biệt hữu ích trong các ngành như nông nghiệp, 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 chụp từ trên không hoặc vệ tinh. Khác với các model truyền thống, YOLO11 có thể nhận diện đối tượng ở mọi góc độ và cung cấp kết quả chính xác hơn nhiều cho các tác vụ đòi hỏi độ chính xác cao.

Link to this sectionYOLO11 cho các nhà phát triển AI: Hãy tự mình trải nghiệm#

Việc bắt đầu với YOLO11 rất đơn giản và dễ tiếp cận, cho dù bạn thích viết code hay chọn phương án không cần code. Để làm việc với YOLO11 thông qua code, bạn có thể sử dụng Ultralytics Python package để dễ dàng huấn luyện và triển khai các model. Nếu bạn thích cách tiếp cận không cần code, Ultralytics Platform cho phép bạn dùng thử YOLO11 chỉ với vài cú nhấp chuột.

Link to this sectionHướng dẫn code YOLO11#

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

Sau khi cài đặt xong gói Ultralytics, việc sử dụng YOLO11 rất đơn giản. Đoạn code dưới đây sẽ hướng dẫn bạn quy trình tải model, huấn luyện, kiểm tra hiệu suất và xuất sang định dạng ONNX. Để có thêm các ví dụ chuyên sâu và cách sử dụng nâng cao, hãy chắc chắn tham khảo tài liệu chính thức của Ultralytics, nơi bạn sẽ tìm thấy các hướng dẫn chi tiết và các phương pháp tốt nhất để tận dụng tối đa YOLO11.

Hình 5. Sử dụng YOLO11 thông qua gói Ultralytics.

Đối với người dùng thích phương pháp không cần code, Ultralytics Platform cung cấp cách dễ dàng để huấn luyện và triển khai các model YOLO11 chỉ với vài cú nhấp chuột. Để bắt đầu với Ultralytics Platform, chỉ cần tạo tài khoản trên Ultralytics Platform, và bạn có thể bắt đầu huấn luyện cũng như quản lý các model của mình thông qua giao diện trực quan.

Link to this sectionYOLO11: 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 repository GitHub của chúng tôi và tham gia cộng đồng đang hoạt động của chúng tôi để tìm hiểu thêm về AI. Khám phá cách AI thị giác đang thúc đẩy sự đổi mới trong các lĩnh vực như chăm sóc sức khỏe và nông nghiệp.