Mọi điều cần biết về Ultralytics YOLO11 và các ứng dụng của model

Vào thứ Hai, ngày 30 tháng 9, Ultralytics chính thức ra mắt Ultralytics YOLO11, bước tiến mới nhất trong thị giác máy tính, sau màn ra mắt tại YOLO Vision 2024 (YV24), sự kiện hybrid thường niên của Ultralytics. Cộng đồng AI đang vô cùng hào hứng khi nhanh chóng khám phá các khả năng của model này. Với tốc độ xử lý nhanh hơn, độ chính xác cao hơn và các model được tối ưu cho cả thiết bị edge lẫn triển khai trên cloud, YOLO11 định nghĩa lại những gì có thể thực hiện trong các ứng dụng thị giác máy tính thời gian thực.

Trong một cuộc phỏng vấn, Nhà sáng lập kiêm CEO của Ultralytics, Glenn Jocher, chia sẻ: “Thế giới đang chuyển sang năng lượng sạch, nhưng chưa đủ nhanh. Chúng tôi muốn các model của mình có thể train trong ít epoch hơn, với ít phép augmentation hơn và ít dữ liệu hơn, nên chúng tôi đang nỗ lực hết sức cho mục tiêu đó. Model phát hiện đối tượng nhỏ nhất, YOLO11n, chỉ có 2,6 triệu tham số — gần bằng kích thước của một tệp JPEG, thực sự rất đáng kinh ngạc. Model phát hiện đối tượng lớn nhất, YOLO11x, có khoảng 56 triệu tham số, và ngay cả model này cũng cực kỳ nhỏ so với các model khác. Bạn có thể train chúng trên một GPU giá rẻ, chẳng hạn GPU NVIDIA đã năm năm tuổi, chỉ với một chút hào hứng và ít 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 ứng dụng thực tế của model này để giúp bạn hiểu rõ model có thể làm được gì. Hãy bắt đầu!

Tìm hiểu về Ultralytics YOLO11: Những cải tiến so với các phiên bản trước#

YOLO11 là bước tiến mới nhất trong dòng YOLO (Bạn chỉ nhìn một lần) gồm các model thị giác máy tính, đồng thời mang đến những cải tiến đáng kể so với các phiên bản trước như YOLOv5 và YOLOv8. Đội ngũ Ultralytics đã tích hợp phản hồi từ cộng đồng cùng các nghiên cứu tiên tiến để giúp YOLO11 nhanh hơn, chính xác hơn và hiệu quả hơn. YOLO11 cũng hỗ trợ các tác vụ thị giác máy tính giống YOLOv8, bao gồm phát hiện đối tượng, phân đoạn instance và phân loại ảnh. Trên thực tế, người dùng có thể dễ dàng chuyển sang YOLO11 mà không cần thay đổi các workflow hiện có.

Một trong những điểm nổi bật chính của YOLO11 là hiệu năng vượt trội cả về độ chính xác lẫn tốc độ so với các phiên bản tiền nhiệm. Với số lượng tham số ít hơn 22% so với YOLOv8m, YOLO11m đạt độ chính xác trung bình (mAP) cao hơn trên dataset COCO, nghĩa là model có thể phát hiện đối tượng chính xác và hiệu quả hơn. Về tốc độ xử lý, YOLO11 vượt trội các model trước đây, trở thành lựa chọn lý tưởng cho các ứng dụng thời gian thực, nơi khả năng phát hiện và phản hồi nhanh là yếu tố then chốt và mỗi mili giây đều quan trọng.

Biểu đồ benchmark bên dưới minh họa cách YOLO11 nổi bật so với các model trước đây. Trục ngang biểu thị độ chính xác trung bình của bounding box trên COCO (AP), dùng để đo độ chính xác của việc phát hiện đối tượng. Trục dọc hiển thị độ trễ khi sử dụng TensorRT10 FP16 trên GPU NVIDIA T4, cho biết tốc độ model xử lý dữ liệu.

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

Ra mắt model Ultralytics YOLO11: Các lựa chọn open-source và enterprise#

Với việc ra mắt Ultralytics YOLO11, Ultralytics đang mở rộng dòng YOLO bằng cách cung cấp cả model open-source và enterprise để đáp ứng nhu cầu ngày càng tăng trong nhiều ngành.

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 theo nhu cầu cụ thể của ứng dụng thị giác máy tính. Năm kích thước này mang đến sự linh hoạt cho các tác vụ như phân loại ảnh, phát hiện đối tượng, phân đoạn instance, tracking, ước tính pose và phát hiện đối tượng bằng các bounding box định hướng (OBB). Với mỗi kích thước, đều có một model cho từng tác vụ, tạo thành tổng cộng 25 model open-source giữ vai trò cốt lõi trong danh mục sản phẩm của Ultralytics. Các model này phù hợp với nhiều ứng dụng, từ các tác vụ nhẹ trên thiết bị edge, nơi model YOLO11n mang lại hiệu quả ấn tượng, đến các ứng dụng quy mô lớn yêu cầu model YOLO11l và YOLO11x.

Lần đầu tiên, Ultralytics giới thiệu các model enterprise, đánh dấu một cột mốc quan trọng trong danh mục sản phẩm của chúng tôi, và chúng tôi rất hào hứng được chia sẻ những đổi mới này với người dùng. YOLO11 giới thiệu năm model độc quyền được thiết kế riêng cho các trường hợp sử dụng thương mại. Các model enterprise này, dự kiến có mặt vào tháng tới, được train trên dataset độc quyền mới của Ultralytics gồm hơn 1 triệu ảnh, mang đến các model pre-trained mạnh mẽ hơn. Chúng được thiết kế cho các ứng dụng thực tế đầy thách thức, chẳng hạn như phân tích ảnh y tế và xử lý ảnh vệ tinh, trong đó việc phát hiện đối tượng chính xác là yếu tố then chốt.

Khám phá các tính năng thế hệ mới của Ultralytics YOLO11#

Giờ đây, sau khi đã thảo luận về những gì Ultralytics YOLO11 cung cấp, hãy cùng xem điều gì khiến YOLO11 trở nên đặc biệt.

Một trong những thách thức chính khi phát triển YOLO11 là tìm ra sự cân bằng phù hợp giữa các ưu tiên đối lập: làm cho model nhỏ hơn, nhanh hơn và chính xác hơn. Như Glenn Jocher, Nhà sáng lập kiêm CEO của Ultralytics, giải thích: “Nghiên cứu và phát triển YOLO thực sự rất khó khăn vì bạn muốn tiến theo ba hướng khác nhau: muốn model nhỏ hơn, muốn chúng chính xác hơn, nhưng đồng thời cũng muốn chúng nhanh hơn trên các nền tảng khác nhau như CPU và GPU. Tất cả những mục tiêu này đều xung đột với nhau, vì vậy bạn phải thỏa hiệp và lựa chọn nơi cần thay đổi.” Bất chấp những thách thức đó, YOLO11 đạt được sự cân bằng ấn tượng, mang lại cả tốc độ và độ chính xác được cải thiện so với các phiên bản trước như YOLOv8.

Hình 3. Ví dụ sử dụng Ultralytics YOLO11 để phát hiện đối tượng.

Ultralytics YOLO11 mang đến những cải tiến đáng kể như trích xuất đặc trưng được nâng cao nhờ kiến trúc backbone và neck được thiết kế lại, giúp phát hiện đối tượng chính xác hơn. Model cũng được tối ưu về tốc độ và hiệu quả, cung cấp thời gian xử lý nhanh hơn trong khi vẫn duy trì độ chính xác cao. Bên cạnh những lợi ích này, YOLO11 có khả năng thích ứng cao trên nhiều môi trường khác nhau, hoạt động liền mạch trên thiết bị edge, nền tảng cloud và các hệ thống sử dụng GPU NVIDIA. Khả năng thích ứng này khiến YOLO11 trở thành lựa chọn lý tưởng cho người dùng cần các tùy chọn triển khai linh hoạt trên nhiều cấu hình hardware, từ thiết bị di động đến server quy mô lớn.

Các ứng dụng Ultralytics YOLO11 thời gian thực#

Tính linh hoạt của Ultralytics YOLO11 khiến nó trở thành một công cụ đáng tin cậy trong nhiều ngành, đặc biệt khi xử lý các trường hợp sử dụng phức tạp. Chẳng hạn, model hoạt động liền mạch trên các thiết bị edge và có thể được sử dụng cho các ứng dụng yêu cầu phân tích thời gian thực trong môi trường có năng lực tính toán hạn chế. Một ví dụ điển hình là lái xe tự hành, nơi phương tiện cần đưa ra quyết định trong tích tắc để đảm bảo 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 điều kiện khó khăn như ánh sáng yếu hoặc khi vật thể bị che khuất một phần. Khả năng phát hiện nhanh và chính xác giúp ngăn ngừa tai nạn và đảm bảo phương tiện tự hành có thể di chuyển an toàn.

Hình 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 bounding box định hướng (OBB). Đây là yếu tố thiết yếu để phát hiện các đối tượng không được căn chỉnh hoàn hảo. Tính năng phát hiện đối tượng bằng OBB đặc biệt hữu ích trong các ngành như nông nghiệp, lập bản đồ và giám sát, nơi ảnh thường chứa các đối tượng bị xoay như cây trồng hoặc tòa nhà trong ảnh chụp từ trên không hay ảnh vệ tinh. Không giống các model truyền thống, YOLO11 có thể xác định đối tượng ở mọi góc độ và cung cấp kết quả chính xác hơn nhiều cho các tác vụ yêu cầu độ chính xác cao.

Ultralytics YOLO11 dành cho developer AI: Tự mình trải nghiệm#

Bắt đầu với YOLO11 rất đơn giản và dễ tiếp cận, dù bạn thích coding hay tùy chọn no-code. Để làm việc với YOLO11 thông qua code, bạn có thể sử dụng Python package của Ultralytics để dễ dàng train và deploy model. Nếu thích phương pháp no-code, Ultralytics Platform cho phép bạn trải nghiệm YOLO11 chỉ với vài cú nhấp chuột.

Hướng dẫn code với Ultralytics YOLO11#

Để sử dụng YOLO11 với Python, trước tiên bạn cần cài đặt package Ultralytics. Tùy theo lựa chọn, bạn có thể thực hiện việc này bằng pip, conda hoặc Docker. Để xem hướng dẫn chi tiết và các best practice liên quan đến quá trình cài đặt, hãy tham khảo Hướng dẫn cài đặt Ultralytics. Trong quá trình cài đặt các package cần thiết cho YOLO11, nếu gặp khó khăn, hãy tham khảo Hướng dẫn xử lý các vấn đề thường gặp để tìm giải pháp và mẹo hữu ích.

Sau khi đã cài đặt package Ultralytics, việc sử dụng YOLO11 rất đơn giản. Đoạn code sau hướng dẫn bạn quy trình load model, train model, kiểm thử hiệu năng và export model sang định dạng ONNX. Để xem thêm các ví dụ chuyên sâu và cách sử dụng nâng cao, hãy tham khảo tài liệu Ultralytics chính thức, nơi cung cấp các hướng dẫn chi tiết và best practice để tận dụng tối đa YOLO11.

Hình 5. Sử dụng YOLO11 thông qua package Ultralytics.

Đối với người dùng предпочerring phương pháp no-code, Ultralytics Platform cung cấp một cách dễ dàng để train và deploy các model YOLO11 chỉ với vài cú nhấp chuột. Để bắt đầu với Ultralytics Platform, chỉ cần tạo tài khoản trên Ultralytics Platform, sau đó bạn có thể bắt đầu train và quản lý các model thông qua một giao diện trực quan.

Ultralytics YOLO11: Định hình tương lai của AI thị giác#

Cộng đồng AI không ngừng thúc đẩy lĩnh vực thị giác máy tính bằng cách nỗ lực phát triển các model nhanh hơn và chính xác hơn cho những ứng dụng thực tế. Ultralytics YOLO11 là một cột mốc quan trọng trong nỗ lực này, mang đến tốc độ, độ chính xác và tính linh hoạt được cải thiện. Model được thiết kế cho các ứng dụng thời gian thực và edge, nên rất phù hợp với những ngành như chăm sóc sức khỏe và lái xe tự hành. Dù sử dụng Python package của Ultralytics hay Ultralytics Platform no-code, YOLO11 đều đơn giản hóa các tác vụ AI thị giác phức tạp. Model cung cấp năng lực thị giác máy tính mạnh mẽ, là lựa chọn tuyệt vời cho developer và doanh nghiệp.

Hãy xem repository GitHub của chúng tôi và tham gia cộng đồng năng động để tìm hiểu thêm về AI. Khám phá cách vision AI thúc đẩy đổi mới trong các lĩnh vực như chăm sóc sức khỏe và nông nghiệp.