So sánh Ultralytics YOLO11 với các model YOLO trước đây

Từ việc tự động hóa các tác vụ hàng ngày đến việc giúp đưa ra các quyết định sáng suốt theo thời gian thực, trí tuệ nhân tạo (AI) đang định hình lại tương lai của nhiều ngành công nghiệp khác nhau. Một lĩnh vực đặc biệt hấp dẫn của AI là computer vision, hay còn gọi là vision AI. Lĩnh vực này tập trung vào việc hỗ trợ máy móc phân tích và diễn giải dữ liệu trực quan giống như cách con người làm.

Cụ thể, các computer vision models đang thúc đẩy các đổi mới nhằm nâng cao cả tính an toàn lẫn hiệu suất. Ví dụ, các model này được sử dụng trong xe tự lái để phát hiện người đi bộ và trong camera an ninh để giám sát cơ sở suốt ngày đêm.

Một số computer vision model nổi tiếng nhất chính là các model YOLO (You Only Look Once), được biết đến với khả năng phát hiện đối tượng theo thời gian thực. Theo thời gian, các model YOLO đã được cải tiến, với mỗi phiên bản mới đều mang lại hiệu suất tốt hơn và linh hoạt hơn.

Các phiên bản mới hơn như Ultralytics YOLO11 có thể xử lý đa dạng các tác vụ, chẳng hạn như instance segmentation, image classification, pose estimation và multi-object tracking, với độ chính xác, tốc độ và độ tinh chỉnh vượt trội hơn bao giờ hết.

Trong bài viết này, chúng ta sẽ so sánh Ultralytics YOLOv8, YOLOv9, YOLOv10 và Ultralytics YOLO11 để có cái nhìn rõ hơn về cách các model này tiến hóa. Chúng ta sẽ phân tích các tính năng chính, kết quả benchmark và sự khác biệt về hiệu năng. Hãy cùng bắt đầu nhé!

Tổng quan về Ultralytics YOLOv8#

YOLOv8, được Ultralytics ra mắt vào ngày 10 tháng 1 năm 2023, là một bước tiến lớn so với các model YOLO trước đây. Model này được tối ưu hóa cho khả năng phát hiện chính xác, theo thời gian thực, kết hợp các phương pháp đã được kiểm chứng với những cập nhật cải tiến để mang lại kết quả tốt hơn.

Vượt ra ngoài object detection, model này còn hỗ trợ các tác vụ computer vision sau: instance segmentation, pose estimation, oriented bounding boxes (OBB) object detection, và image classification. Một tính năng quan trọng khác của Ultralytics YOLOv8 là có sẵn 5 biến thể model khác nhau - Nano, Small, Medium, Large, và X - để bạn có thể chọn sự cân bằng tối ưu giữa tốc độ và độ chính xác dựa trên nhu cầu của mình.

Nhờ tính linh hoạt và hiệu suất mạnh mẽ, Ultralytics YOLOv8 có thể được sử dụng trong nhiều ứng dụng thực tế, như hệ thống an ninh, thành phố thông minh, y tế, và tự động hóa công nghiệp.

Fig 1. Quản lý bãi đỗ xe trong thành phố thông minh với YOLOv8.

Các tính năng chính của Ultralytics YOLOv8#

Dưới đây là một cái nhìn cận cảnh hơn về một số tính năng chính khác của Ultralytics YOLOv8:

• Kiến trúc phát hiện được cải tiến: Ultralytics YOLOv8 sử dụng phần xương sống CSPDarknet được cải thiện. Phần xương sống này được tối ưu hóa để trích xuất đặc trưng - quá trình nhận diện và nắm bắt các mẫu hoặc chi tiết quan trọng từ hình ảnh đầu vào giúp model đưa ra các dự đoán chính xác.
• Detection head: Model này sử dụng thiết kế tách rời, anchor-free, nghĩa là nó không dựa vào các hình dạng bounding box được thiết lập sẵn (anchors) mà thay vào đó học cách dự đoán trực tiếp vị trí đối tượng. Nhờ thiết lập tách rời này, các tác vụ phân loại đối tượng và dự đoán vị trí của nó (regression) được xử lý riêng biệt, giúp cải thiện độ chính xác và tăng tốc độ huấn luyện.
• Cân bằng giữa độ chính xác và tốc độ: Model này đạt được độ chính xác ấn tượng trong khi vẫn duy trì thời gian suy luận (inference) nhanh, giúp nó phù hợp cho cả môi trường cloud và edge.
• User-friendly: YOLOv8 được thiết kế để dễ dàng bắt đầu - bạn có thể bắt đầu dự đoán và xem kết quả chỉ trong vài phút bằng cách sử dụng Ultralytics Python package.

YOLOv9 tập trung vào hiệu suất tính toán#

YOLOv9 được phát hành vào ngày 21 tháng 2 năm 2024 bởi Chien-Yao Wang và Hong-Yuan Mark Liao từ Viện Khoa học Thông tin, Academia Sinica, Đài Loan. Model này hỗ trợ các tác vụ như object detection và instance segmentation.

Model này được phát triển dựa trên Ultralytics YOLOv5 và giới thiệu hai cải tiến lớn: Programmable Gradient Information (PGI) và Generalized Efficient Layer Aggregation Network (GELAN).

PGI giúp YOLOv9 giữ lại thông tin quan trọng khi xử lý dữ liệu qua các lớp, dẫn đến kết quả chính xác hơn. Trong khi đó, GELAN cải thiện cách model sử dụng các lớp, giúp tăng cường hiệu suất và tối ưu hóa tính toán. Nhờ những nâng cấp này, YOLOv9 có thể xử lý các tác vụ thời gian thực trên các thiết bị edge và ứng dụng di động, nơi tài nguyên tính toán thường hạn chế.

Fig 2. Tìm hiểu cách GELAN cải thiện độ chính xác của YOLOv9.

Các tính năng chính của YOLOv9#

Dưới đây là cái nhìn thoáng qua về một số tính năng chính khác của YOLOv9:

• Độ chính xác cao cùng hiệu suất tốt: YOLOv9 mang lại độ chính xác phát hiện cao mà không tiêu tốn nhiều năng lượng tính toán, trở thành lựa chọn tuyệt vời khi tài nguyên bị hạn chế.
• Model gọn nhẹ: Các biến thể model gọn nhẹ của YOLOv9 được tối ưu hóa cho việc triển khai trên thiết bị edge và thiết bị di động.
• Dễ sử dụng: YOLOv9 được hỗ trợ bởi Ultralytics Python package, vì vậy việc thiết lập và chạy trong các môi trường khác nhau rất đơn giản, bất kể bạn sử dụng code hay command line.

YOLOv10 cho phép phát hiện đối tượng mà không cần NMS#

YOLOv10 được giới thiệu vào ngày 23 tháng 5 năm 2024 bởi các nhà nghiên cứu từ Đại học Thanh Hoa và tập trung vào phát hiện đối tượng thời gian thực. Model này giải quyết các hạn chế ở các phiên bản YOLO trước bằng cách loại bỏ nhu cầu sử dụng non-maximum suppression (NMS), một bước hậu xử lý dùng để loại bỏ các phát hiện trùng lặp, đồng thời tinh chỉnh thiết kế model tổng thể. Điều này giúp phát hiện đối tượng nhanh và hiệu quả hơn mà vẫn đạt được độ chính xác ở mức state-of-the-art.

Một phần quan trọng giúp thực hiện được điều này là cách tiếp cận huấn luyện được gọi là consistent dual-label assignments. Nó kết hợp hai chiến lược: một chiến lược cho phép nhiều dự đoán học từ cùng một đối tượng (one-to-many) và chiến lược khác tập trung vào việc chọn dự đoán đơn lẻ tốt nhất (one-to-one). Vì cả hai chiến lược đều tuân theo cùng một quy tắc khớp, model tự học cách tránh trùng lặp, do đó không cần đến NMS.

Fig 3. YOLOv10 sử dụng gán nhãn kép nhất quán cho quá trình huấn luyện NMS-free.

Kiến trúc của YOLOv10 cũng sử dụng backbone CSPNet cải tiến để học các đặc trưng hiệu quả hơn và neck PAN (Path Aggregation Network) kết hợp thông tin từ các lớp khác nhau, giúp model phát hiện cả đối tượng nhỏ và lớn tốt hơn. Những cải tiến này giúp YOLOv10 có thể được ứng dụng trong thực tế tại các lĩnh vực sản xuất, bán lẻ và xe tự lái.

Các tính năng chính của YOLOv10#

Dưới đây là một số tính năng nổi bật khác của YOLOv10:

• Large-kernel convolutions: Model sử dụng các convolution kernel lớn để nắm bắt nhiều bối cảnh hơn từ các vùng rộng hơn của hình ảnh, giúp model hiểu rõ hơn về toàn bộ khung cảnh.

• Partial self-attention modules: Model tích hợp các mô-đun self-attention từng phần để tập trung vào các phần quan trọng nhất của hình ảnh mà không tiêu tốn quá nhiều sức mạnh tính toán, giúp tăng hiệu suất một cách hiệu quả.

• Biến thể model độc đáo: Bên cạnh các kích thước YOLOv10 thông thường - Nano, Small, Medium, Large và X - còn có một phiên bản đặc biệt gọi là YOLOv10b (Balanced). Đây là model rộng hơn, nghĩa là nó xử lý nhiều đặc trưng hơn ở mỗi lớp, giúp cải thiện độ chính xác trong khi vẫn cân bằng được tốc độ và kích thước.

• Dễ sử dụng: YOLOv10 tương thích với Ultralytics Python package, giúp việc sử dụng trở nên dễ dàng.

Ultralytics YOLO11: Tăng cường tốc độ và độ chính xác#

Năm nay, vào ngày 30 tháng 9, Ultralytics đã chính thức ra mắt YOLO11 - một trong những model mới nhất trong dòng YOLO - tại sự kiện hybrid thường niên của hãng, YOLO Vision 2024 (YV24).

Bản phát hành này mang lại những cải tiến đáng kể so với các phiên bản trước. Ultralytics YOLO11 nhanh hơn, chính xác hơn và hiệu suất cao hơn. Nó hỗ trợ toàn diện các computer vision tasks mà người dùng YOLOv8 đã quen thuộc, bao gồm phát hiện đối tượng, phân đoạn thực thể và phân loại ảnh. Nó cũng duy trì khả năng tương thích với các quy trình làm việc của YOLOv8, giúp người dùng chuyển đổi mượt mà sang phiên bản mới.

Bên cạnh đó, Ultralytics YOLO11 được thiết kế để đáp ứng đa dạng nhu cầu điện toán - từ các thiết bị biên nhẹ đến hệ thống điện toán đám mây mạnh mẽ. Model có sẵn cả phiên bản mã nguồn mở và phiên bản enterprise, giúp nó thích ứng với các trường hợp sử dụng khác nhau.

Đây là lựa chọn tuyệt vời cho các tác vụ yêu cầu độ chính xác cao như chẩn đoán hình ảnh y tế và phát hiện từ vệ tinh, cũng như các ứng dụng rộng rãi hơn trong lĩnh vực xe tự lái, nông nghiệp và y tế.

Fig 4. Sử dụng Ultralytics YOLO11 để phát hiện, đếm và theo dõi giao thông.

Các tính năng chính của YOLO11#

Dưới đây là một số tính năng độc đáo khác của Ultralytics YOLO11:

• Phát hiện nhanh chóng và hiệu quả: Ultralytics YOLO11 có phần đầu dò (detection head) được thiết kế để giảm thiểu độ trễ, tập trung vào tốc độ ở các lớp dự đoán cuối cùng mà không làm giảm hiệu suất.
• Trích xuất đặc trưng cải tiến: Kiến trúc backbone và neck được tối ưu hóa giúp tăng cường khả năng trích xuất đặc trưng, dẫn đến các dự đoán chính xác hơn.
• Triển khai mượt mà trên mọi nền tảng: Ultralytics YOLO11 được tối ưu hóa để chạy hiệu quả trên các thiết bị biên, nền tảng đám mây và NVIDIA GPU, đảm bảo tính thích ứng trên các môi trường khác nhau.

Benchmarking các model YOLO trên dataset COCO#

Khi khám phá các model khác nhau, việc compare chúng chỉ bằng cách xem các tính năng của chúng không phải lúc nào cũng dễ dàng. Đó là lúc việc benchmarking phát huy tác dụng. Bằng cách chạy tất cả các model trên cùng một dataset, chúng ta có thể đo lường và so sánh hiệu năng của chúng một cách khách quan. Hãy cùng xem xét cách mỗi model thể hiện trên COCO dataset.

Khi so sánh các model YOLO, mỗi phiên bản mới đều mang lại những cải tiến đáng chú ý về độ chính xác, tốc độ và tính linh hoạt. Cụ thể, YOLO11m tạo ra bước nhảy vọt ở đây vì nó sử dụng ít tham số hơn 22% so với YOLOv8m, nghĩa là nó nhẹ hơn và chạy nhanh hơn. Ngoài ra, mặc dù có kích thước nhỏ hơn, nó đạt được chỉ số mean average precision (mAP) cao hơn trên dataset COCO. Chỉ số này đo lường mức độ hiệu quả của model trong việc phát hiện và định vị đối tượng, vì vậy mAP cao hơn đồng nghĩa với dự đoán chính xác hơn.

Fig 5. Benchmarking YOLO11 và các YOLO model khác trên COCO dataset.

Kiểm thử và so sánh các model YOLO trên video#

Hãy cùng khám phá cách các model này hoạt động trong tình huống thực tế.

Để so sánh YOLOv8, YOLOv9, YOLOv10 và YOLO11, cả bốn model đều được chạy trên cùng một video giao thông với điểm số confidence là 0,3 (model chỉ hiển thị kết quả phát hiện khi tự tin ít nhất 30% rằng nó đã xác định đúng đối tượng) và kích thước ảnh là 640 để đánh giá công bằng. Kết quả object detection và tracking đã làm nổi bật những khác biệt chính về độ chính xác khi phát hiện, tốc độ và độ tinh chỉnh.

Từ khung hình đầu tiên, YOLO11 đã bắt được các loại xe lớn như xe tải mà YOLOv10 đã bỏ lỡ. YOLOv8 và YOLOv9 cho thấy hiệu suất khá tốt nhưng có sự thay đổi tùy thuộc vào điều kiện ánh sáng và kích thước đối tượng. Các phương tiện nhỏ hơn, ở xa vẫn là một thách thức đối với tất cả các model, mặc dù YOLO11 đã cho thấy những cải tiến đáng chú ý trong các phát hiện đó.

Fig 6. So sánh YOLOv8, YOLOv9, YOLOv10 và YOLO11.

Về tốc độ, tất cả các model đều hoạt động trong khoảng từ 10 đến 20 mili giây mỗi khung hình, đủ nhanh để xử lý các tác vụ thời gian thực ở mức trên 50 FPS. Một mặt, Ultralytics YOLOv8 và YOLOv9 cung cấp các kết quả phát hiện ổn định và đáng tin cậy xuyên suốt video. Thú vị là, YOLOv10 được thiết kế để đạt độ trễ thấp hơn, chạy nhanh hơn nhưng lại có một số điểm chưa nhất quán khi phát hiện một số loại đối tượng nhất định.

Mặt khác, Ultralytics YOLO11 nổi bật nhờ độ chính xác, mang lại sự cân bằng tốt giữa tốc độ và accuracy. Mặc dù không có mô hình nào đạt hiệu suất hoàn hảo trong mọi khung hình, nhưng so sánh trực tiếp đã chứng minh rõ ràng rằng YOLO11 mang lại hiệu suất tổng thể tốt nhất.

Model YOLO nào là tốt nhất cho các tác vụ computer vision?#

Việc lựa chọn model cho một dự án phụ thuộc vào các yêu cầu cụ thể của nó. Ví dụ, một số ứng dụng có thể ưu tiên tốc độ, trong khi những ứng dụng khác có thể yêu cầu độ chính xác cao hơn hoặc đối mặt với các hạn chế về triển khai ảnh hưởng đến quyết định.

Một yếu tố quan trọng khác là loại tác vụ computer vision mà bạn cần giải quyết. Nếu bạn đang tìm kiếm sự linh hoạt rộng rãi hơn giữa các tác vụ khác nhau, YOLOv8 và YOLO11 là những lựa chọn tốt.

Việc bạn chọn YOLOv8 hay YOLO11 thực sự phụ thuộc vào nhu cầu của bạn. YOLOv8 là một lựa chọn vững chắc nếu bạn mới bắt đầu với computer vision và coi trọng cộng đồng lớn hơn, nhiều tài liệu hướng dẫn hơn cũng như các third-party integrations phong phú.

Mặt khác, nếu bạn đang tìm kiếm hiệu suất tiên tiến với độ chính xác và tốc độ tốt hơn, Ultralytics YOLO11 là sự lựa chọn tốt hơn, mặc dù nó có cộng đồng nhỏ hơn và ít tích hợp hơn do là bản phát hành mới hơn.

Các điểm chính cần lưu ý#

Từ Ultralytics YOLOv8 đến Ultralytics YOLO11, quá trình phát triển của series model YOLO phản ánh một sự thúc đẩy nhất quán hướng tới các computer vision model thông minh hơn. Mỗi phiên bản YOLO đều mang đến những nâng cấp ý nghĩa về tốc độ, độ chính xác và độ chuẩn xác.

Khi computer vision tiếp tục phát triển, các model này mang đến những giải pháp đáng tin cậy cho các thách thức thực tế, từ phát hiện đối tượng đến các hệ thống tự hành. Sự phát triển không ngừng của các model YOLO cho thấy lĩnh vực này đã tiến xa như thế nào và chúng ta có thể mong đợi nhiều hơn nữa trong tương lai.

Để tìm hiểu thêm về AI, hãy truy cập GitHub repository của chúng tôi và tham gia cùng our community. Khám phá các tiến bộ trên khắp các ngành công nghiệp, từ vision AI in manufacturing đến computer vision in healthcare. Hãy xem các licensing options của chúng tôi để bắt đầu các dự án vision AI của bạn ngay hôm nay.