Mọi điều cần biết về Ultralytics YOLO11 và các ứng dụng

Thứ Hai, ngày 30 tháng 9, Ultralytics chính thức ra mắt Ultralytics YOLO11, tiến bộ mới nhất trong lĩnh vực thị giác máy tính, sau lần đầu giới thiệu tại YOLO Vision 2024 (YV24), sự kiện thường niên theo hình thức kết hợp trực tiếp và trực tuyến của Ultralytics. Cộng đồng AI đang háo hức tìm hiểu năng lực của model. Với tốc độ xử lý nhanh hơn, độ chính xác cao hơn và các model được tối ưu cho cả thiết bị biên lẫn triển khai trên đám mây, YOLO11 định nghĩa lại những gì có thể thực hiện trong các ứng dụng thị giác máy tính thời gian thực.

Trong một buổi 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 model có thể huấn luyện trong ít epoch hơn, với ít phép tăng cường dữ liệu hơn và ít dữ liệu hơn, nên đang nỗ lực hết sức cho mục tiêu đó. Model phát hiện đối tượng nhỏ nhất, YOLO11n, chỉ có 2,6 triệu tham số — kích thước tương đương một tệp JPEG, thật sự rất đáng kinh ngạc. Model phát hiện đối tượng lớn nhất, YOLO11x, có khoảng 56 triệu tham số; ngay cả như vậy vẫn cực kỳ nhỏ so với các model khác. Bạn có thể huấn luyện chúng trên GPU giá rẻ, chẳng hạn GPU Nvidia đã năm năm tuổi, chỉ cần chút hào hứng và một 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 suất và ứng dụng thực tế để giúp bạn hiểu model này có thể làm được gì. Bắt đầu thôi!

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

YOLO11 là tiến bộ mới nhất trong dòng model thị giác máy tính YOLO (You Only Look Once) và 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 cùng các tác vụ thị giác máy tính như 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 quy trình làm việc hiện có.

Một trong những điểm nổi bật của YOLO11 là hiệu suất vượt trội cả về độ chính xác lẫn tốc độ so với các phiên bản tiền nhiệm. Với ít hơn 22% tham số so với YOLOv8m, YOLO11m đạt độ chính xác trung bình (mAP) cao hơn trên dataset COCO, tức là có thể phát hiện đối tượng chính xác và hiệu quả hơn. Về tốc độ xử lý, YOLO11 vượt trội hơn các model trước, phù hợp cho ứng dụng thời gian thực, nơi khả năng phát hiện và phản hồi nhanh mang tính quyết định và từng mili giây đều quan trọng.

Biểu đồ benchmark bên dưới cho thấy YOLO11 nổi bật như thế nào so với các model trước. Trục ngang biểu thị độ chính xác trung bình hộp COCO (AP), thước đo độ chính xác của việc phát hiện đối tượng. Trục dọc thể hiện độ trễ khi sử dụng TensorRT10 FP16 trên GPU NVIDIA T4, cho biết tốc độ xử lý dữ liệu của model.

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

Ra mắt model Ultralytics YOLO11: Tùy chọn mã nguồn mở và enterprise#

Với sự ra mắt của Ultralytics YOLO11, Ultralytics mở rộng dòng YOLO bằng cách cung cấp cả model mã nguồn mở lẫn 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 dựa trên nhu cầu cụ thể của ứng dụng thị giác máy tính. Năm kích thước này mang lại sự linh hoạt cho các tác vụ như phân loại ảnh, phát hiện đối tượng, phân đoạn instance, theo dõi, ước tính tư thế và phát hiện đối tượng bằng bounding box có hướng (OBB). Mỗi kích thước đều có một model cho từng tác vụ, tạo thành tổng cộng 25 model mã nguồn mở, đóng vai trò cốt lõi trong danh mục sản phẩm của Ultralytics. Các model này lý tưởng cho nhiều ứng dụng, từ các tác vụ nhẹ trên thiết bị biên, nơi model YOLO11n có hiệu quả ấn tượng, đến ứng dụng quy mô lớn hơn cần các model YOLO11l và YOLO11x.

Lần đầu tiên, Ultralytics giới thiệu các model enterprise, đánh dấu cột mốc quan trọng trong danh mục sản phẩm; chúng tôi rất vui 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 ra mắt vào tháng tới, được huấn luyện trên dataset độc quyền mới của Ultralytics gồm hơn 1 triệu ảnh, mang lại các model được huấn luyện trước mạnh mẽ hơn. Chúng được thiết kế cho các ứng dụng thực tế đòi hỏi cao, chẳng hạn như phân tích ảnh y khoa và xử lý ảnh vệ tinh, nơi phát hiện đối tượng chính xác là yếu tố then chốt.

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

Giờ đã tìm hiểu những gì Ultralytics YOLO11 cung cấp, hãy cùng xem điều gì khiến YOLO11 trở nên đặc biệt.

Một trong những thách thức then chốt khi phát triển YOLO11 là tìm được sự cân bằng phù hợp giữa các ưu tiên cạnh tranh: 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 thách thức vì bạn phải theo đuổi ba hướng khác nhau: muốn model nhỏ hơn, chính xác hơn, đồng thời nhanh hơn trên nhiều nền tảng như CPU và GPU. Đây đều là những mục tiêu xung đột, vì vậy bạn phải đánh đổi và lựa chọn nơi cần thay đổi.” Bất chấp những thách thức này, YOLO11 đạt được sự cân bằng ấn tượng, cải thiện cả tốc độ lẫn độ chính xác 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 nâng cao khả năng trích xuất đặc trưng nhờ thiết kế lại kiến trúc backbone và neck, giúp phát hiện đối tượng chính xác hơn. Model cũng được tối ưu về tốc độ và hiệu quả, rút ngắn thời gian xử lý trong khi vẫn duy trì độ chính xác cao. Ngoài những lợi ích này, YOLO11 có khả năng thích ứng cao với nhiều môi trường, hoạt động liền mạch trên thiết bị biên, nền tảng đám mây và hệ thống sử dụng GPU NVIDIA. Khả năng thích ứng này khiến YOLO11 trở thành lựa chọn lý tưởng cho người dùng cần tùy chọn triển khai linh hoạt trên nhiều cấu hình phần cứng, từ thiết bị di động đến máy chủ quy mô lớn.

Ứng dụng Ultralytics YOLO11 thời gian thực#

Tính linh hoạt của Ultralytics YOLO11 khiến model trở thành công cụ đáng tin cậy trong nhiều ngành, đặc biệt với các trường hợp sử dụng phức tạp. Chẳng hạn, model hoạt động liền mạch trên thiết bị biên và có thể được sử dụng cho các ứng dụng cần phân tích thời gian thực trong môi trường có năng lực tính toán hạn chế. Lái xe tự động là ví dụ điển hình, khi 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 đối tượng trên đường, chẳng hạn như người đi bộ hoặc xe khác, ngay cả trong điều kiện khó khăn như thiếu sáng hoặc bị che khuất một phần. Phát hiện nhanh và chính xác giúp ngăn ngừa tai nạn, đồng thời 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 tính đa dạng của Ultralytics YOLO11 là khả năng xử lý bounding box có hướng (OBB). Tính năng này rất cần thiết để phát hiện các đối tượng không được căn chỉnh hoàn hảo. Phát hiện đối tượng 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, chẳng hạn 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 nhận diện đối tượng ở mọi góc độ và cho kết quả chính xác hơn nhiều trong các tác vụ đòi hỏi độ chính xác cao.

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

Bắt đầu với YOLO11 thật đơn giản và dễ tiếp cận, dù bạn thích viết code hay chọn giải pháp không cần code. Để làm việc với YOLO11 bằng code, bạn có thể sử dụng package Ultralytics Python để dễ dàng huấn luyện và triển khai model. Nếu muốn tiếp cận không cần code, Ultralytics Platform cho phép bạn trải nghiệm YOLO11 chỉ với vài cú nhấp chuột.

Hướng dẫn từng bước về code Ultralytics YOLO11#

Để sử dụng YOLO11 với Python, trước tiên bạn cần cài đặt package Ultralytics. Tùy theo lựa chọn, bạn có thể cài đặt bằng pip, conda hoặc Docker. Để xem hướng dẫn chi tiết và các phương pháp hay nhất liên quan đến quy trình cài đặt, hãy tham khảo Hướng dẫn cài đặt Ultralytics. Nếu gặp khó khăn khi cài đặt các package cần thiết cho YOLO11, hãy xem Hướng dẫn xử lý sự cố thường gặp để tìm giải pháp và mẹo hữu ích.

Sau khi cài đặt package Ultralytics, bạn có thể dễ dàng sử dụng YOLO11. Đoạn code sau hướng dẫn bạn từng bước tải model, huấn luyện model, kiểm thử hiệu suất và xuất model sang định dạng ONNX. Để xem thêm ví dụ chuyên sâu và cách sử dụng nâng cao, hãy tham khảo tài liệu chính thức của Ultralytics, nơi có các hướng dẫn chi tiết và phương pháp hay nhất để khai thác tối đa YOLO11.

Hình 5. Sử dụng YOLO11 thông qua package Ultralytics.

Với người dùng muốn tiếp cận không cần code, Ultralytics Platform giúp huấn luyện và triển khai model YOLO11 dễ dàng chỉ với vài cú nhấp chuột. Để bắt đầu với Ultralytics Platform, bạn chỉ cần tạo tài khoản trên Ultralytics Platform rồi bắt đầu huấn luyện và quản lý model thông qua 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 nỗ lực phát triển các model nhanh hơn, chính xác hơn cho ứng dụng thực tế. Ultralytics YOLO11 là cột mốc quan trọng trong nỗ lực này, mang lại tốc độ, độ chính xác và tính linh hoạt được cải thiện. Model được thiết kế cho các ứng dụng thời gian thực và thiết bị biên, phù hợp với những ngành như chăm sóc sức khỏe và lái xe tự động. Dù sử dụng package Ultralytics Python hay Ultralytics Platform không cần 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 AI thị giác thúc đẩy đổi mới trong các lĩnh vực như y tế và nông nghiệp.