Cách benchmark các model Ultralytics YOLO như YOLO11

Với số lượng model AI ngày càng tăng hiện nay, việc chọn model phù hợp nhất cho ứng dụng AI cụ thể là điều thiết yếu để đạt được kết quả chính xác và đáng tin cậy. Mỗi model khác nhau về tốc độ, độ chính xác và hiệu suất tổng thể. Vậy làm thế nào để xác định model nào phù hợp nhất với một tác vụ nhất định? Điều này đặc biệt quan trọng đối với các hệ thống thời gian thực như xe tự hành, giải pháp bảo mật và robot, nơi khả năng ra quyết định nhanh chóng và đáng tin cậy là yếu tố then chốt.

Benchmark giúp trả lời câu hỏi này bằng cách đánh giá model trong các điều kiện khác nhau. Benchmark cung cấp thông tin chuyên sâu về hiệu suất của model trên nhiều cấu hình và thiết lập phần cứng, qua đó hỗ trợ đưa ra quyết định sáng suốt hơn.

Ví dụ, Ultralytics YOLO11 (sau này được kế nhiệm bởi Ultralytics YOLO26) là một model thị giác máy tính hỗ trợ nhiều tác vụ phân tích dữ liệu hình ảnh như phát hiện đối tượng và phân đoạn đối tượng. Để hiểu đầy đủ các khả năng của model, bạn có thể benchmark hiệu suất trên nhiều cấu hình khác nhau nhằm xem model xử lý các tình huống thực tế ra sao.

Trong bài viết này, chúng tôi sẽ hướng dẫn cách benchmark các model Ultralytics YOLO như YOLO11, so sánh hiệu suất trên nhiều phần cứng khác nhau và tìm hiểu ảnh hưởng của các định dạng xuất khác nhau đến tốc độ và hiệu quả.

Benchmark model là gì?#

Khi sử dụng model AI thị giác trong ứng dụng thực tế, làm thế nào để biết model đủ nhanh, chính xác và đáng tin cậy? Benchmark model có thể cung cấp thông tin chuyên sâu để trả lời câu hỏi này. Benchmark model là quy trình kiểm thử và so sánh các model AI khác nhau nhằm xác định model nào hoạt động tốt nhất.

Quy trình bao gồm thiết lập đường cơ sở để so sánh, chọn các thước đo hiệu suất phù hợp (như độ chính xác hoặc tốc độ) và kiểm thử tất cả model trong cùng điều kiện. Kết quả giúp xác định ưu điểm và nhược điểm của từng model, từ đó dễ dàng quyết định model nào phù hợp nhất với giải pháp AI cụ thể của bạn. Đặc biệt, dataset benchmark thường được dùng để đảm bảo so sánh công bằng và đánh giá hiệu suất của model trong nhiều tình huống thực tế.

Hình 1. Tại sao cần benchmark model thị giác máy tính? Ảnh do tác giả cung cấp.

Một ví dụ rõ ràng cho thấy tầm quan trọng của benchmark là các ứng dụng thời gian thực như giám sát hoặc robot, nơi ngay cả độ trễ nhỏ cũng có thể ảnh hưởng đến việc ra quyết định. Benchmark giúp đánh giá liệu model có thể xử lý ảnh nhanh chóng mà vẫn đưa ra dự đoán đáng tin cậy hay không.

Benchmark cũng đóng vai trò quan trọng trong việc xác định các nút thắt hiệu suất. Nếu model chạy chậm hoặc tiêu tốn quá nhiều tài nguyên, benchmark có thể cho biết vấn đề xuất phát từ giới hạn phần cứng, cấu hình model hay định dạng xuất. Những thông tin này rất quan trọng để chọn cấu hình hiệu quả nhất.

So sánh benchmark model với đánh giá và kiểm thử model#

Benchmark, đánh giá và kiểm thử model là những thuật ngữ phổ biến trong AI thường được nhắc đến cùng nhau. Dù tương tự, chúng không giống nhau và có chức năng khác nhau. Kiểm thử model kiểm tra hiệu suất của một model bằng cách chạy model trên dataset kiểm thử và đo lường các yếu tố như độ chính xác và tốc độ. Trong khi đó, đánh giá model tiến thêm một bước bằng cách phân tích kết quả để hiểu điểm mạnh, điểm yếu của model và mức độ hoạt động trong các tình huống thực tế. Cả hai đều chỉ tập trung vào một model tại một thời điểm.

Ngược lại, benchmark model so sánh nhiều model song song bằng cùng các bài kiểm thử và dataset. Benchmark giúp xác định model nào hoạt động tốt nhất cho một tác vụ cụ thể bằng cách làm nổi bật khác biệt về độ chính xác, tốc độ và hiệu quả giữa các model. Trong khi kiểm thử và đánh giá tập trung vào một model, benchmark giúp chọn model phù hợp (hoặc tốt nhất) bằng cách so sánh công bằng các lựa chọn khác nhau.

Hình 2. Benchmark model khác với đánh giá và kiểm thử như thế nào. Ảnh do tác giả cung cấp.

Tổng quan về Ultralytics YOLO11#

Ultralytics YOLO11 là model AI thị giác đáng tin cậy, được thiết kế để thực hiện chính xác nhiều tác vụ thị giác máy tính. Model cải tiến các phiên bản YOLO trước đó và tích hợp nhiều tính năng giúp giải quyết vấn đề thực tế. Ví dụ, model có thể được dùng để phát hiện đối tượng, phân loại ảnh, phân đoạn vùng, theo dõi chuyển động và nhiều tác vụ khác. Model cũng có thể được ứng dụng trong nhiều ngành, từ bảo mật đến tự động hóa và phân tích.

Hình 3. Ví dụ sử dụng Ultralytics YOLO11 để phân đoạn người trong ảnh.

Một trong những lợi ích chính của Ultralytics YOLO11 là tính dễ sử dụng. Chỉ với vài dòng mã, bất kỳ ai cũng có thể tích hợp model vào dự án AI mà không cần xử lý các thiết lập phức tạp hay có chuyên môn kỹ thuật nâng cao.

Model cũng hoạt động trơn tru trên nhiều loại phần cứng, chạy hiệu quả trên CPU (bộ xử lý trung tâm), GPU (bộ xử lý đồ họa) và các bộ tăng tốc AI chuyên dụng khác. Dù được triển khai trên thiết bị biên hay máy chủ đám mây, model vẫn mang lại hiệu suất cao.

Ultralytics YOLO11 có nhiều kích thước model, mỗi kích thước được tối ưu cho các tác vụ khác nhau. Benchmark giúp xác định phiên bản phù hợp nhất với nhu cầu cụ thể của bạn. Ví dụ, một điểm đáng chú ý mà benchmark có thể cho thấy là model nhỏ hơn, như nano hoặc small, thường chạy nhanh hơn nhưng có thể phải đánh đổi một phần độ chính xác.

Cách benchmark các model YOLO như Ultralytics YOLO11#

Giờ đây, sau khi tìm hiểu benchmark là gì và tại sao benchmark quan trọng, hãy cùng xem cách benchmark các model YOLO như Ultralytics YOLO11 và đánh giá hiệu quả của chúng để thu thập những thông tin hữu ích.

Để bắt đầu, bạn có thể cài đặt gói Python Ultralytics bằng cách chạy lệnh sau trong terminal hoặc command prompt: “pip install ultralytics”. Nếu gặp sự cố trong quá trình cài đặt, hãy tham khảo Hướng dẫn xử lý sự cố thường gặp để biết các mẹo khắc phục.

Sau khi cài đặt gói, bạn có thể dễ dàng benchmark Ultralytics YOLO11 chỉ với vài dòng mã Python:

from ultralytics.utils.benchmarks import benchmark

# Benchmark trên GPU
benchmark(model="yolo11n.pt", data="coco8.yaml", imgsz=640, device=0)

Khi chạy đoạn mã ở trên, chương trình sẽ tính tốc độ xử lý ảnh của model, số khung hình model có thể xử lý trong một giây và độ chính xác khi phát hiện đối tượng.

Đề cập đến “coco8.yaml” trong mã là nói đến tệp cấu hình dataset dựa trên dataset COCO8 (Đối tượng phổ biến trong ngữ cảnh) — một phiên bản mẫu nhỏ của dataset COCO đầy đủ, thường được dùng để kiểm thử và thử nghiệm.

Nếu bạn đang kiểm thử Ultralytics YOLO11 cho một ứng dụng cụ thể, chẳng hạn như giám sát giao thông hoặc chẩn đoán hình ảnh y tế, việc sử dụng dataset phù hợp (ví dụ: dataset giao thông hoặc dataset y tế) sẽ cung cấp thông tin chính xác hơn. Benchmark bằng COCO cho biết hiệu suất khái quát, nhưng để đạt kết quả tốt nhất, bạn có thể chọn dataset phản ánh trường hợp sử dụng thực tế của mình.

Tìm hiểu đầu ra benchmark của Ultralytics YOLO11#

Sau khi benchmark Ultralytics YOLO11, bước tiếp theo là diễn giải kết quả. Khi chạy benchmark xong, bạn sẽ thấy nhiều con số trong kết quả. Các chỉ số này giúp đánh giá hiệu suất của YOLO11 về độ chính xác và tốc độ.

Dưới đây là một số chỉ số benchmark Ultralytics YOLO11 đáng chú ý:

• mAP_50-95: Chỉ số này đo độ chính xác của việc phát hiện đối tượng. Giá trị càng cao nghĩa là model nhận diện đối tượng càng tốt.
• accuracy_top5: Chỉ số này thường được dùng cho các tác vụ phân loại. Chỉ số cho biết nhãn chính xác xuất hiện trong năm dự đoán hàng đầu thường xuyên đến mức nào.
• Thời gian suy luận: Thời gian cần thiết để xử lý một ảnh, tính bằng mili giây. Giá trị thấp hơn nghĩa là xử lý nhanh hơn.

Hình 4. Biểu đồ thể hiện hiệu suất benchmark của YOLO11.

Các yếu tố khác cần cân nhắc khi benchmark Ultralytics YOLO11#

Chỉ xem kết quả benchmark mới chỉ cho bạn biết một phần. Để hiểu rõ hơn về hiệu suất, bạn nên so sánh các cài đặt và tùy chọn phần cứng khác nhau. Dưới đây là một số điểm quan trọng cần xem xét:

• GPU so với CPU: GPU có thể xử lý ảnh nhanh hơn CPU rất nhiều. Benchmark giúp bạn xác định CPU có đủ nhanh cho nhu cầu hay bạn sẽ được lợi khi sử dụng GPU.
• Thiết lập độ chính xác (FP32, FP16, INT8): Các thiết lập này kiểm soát cách model xử lý số và được đặt bằng đối số quantize (ví dụ: quantize=16). Độ chính xác thấp hơn (như FP16 hoặc INT8) giúp model chạy nhanh hơn và dùng ít bộ nhớ hơn, nhưng có thể làm giảm nhẹ độ chính xác.
• Định dạng xuất: Chuyển đổi model sang định dạng như TensorRT có thể giúp model chạy nhanh hơn nhiều trên một số phần cứng. Cách này hữu ích khi bạn tối ưu tốc độ trên các thiết bị cụ thể.

Cách benchmark Ultralytics YOLO11 trên các loại phần cứng khác nhau#

Gói Python Ultralytics cho phép bạn chuyển đổi model YOLO11 sang các định dạng khác nhau để model chạy hiệu quả hơn trên phần cứng cụ thể, cải thiện cả tốc độ lẫn mức sử dụng bộ nhớ. Mỗi định dạng xuất được tối ưu cho các thiết bị khác nhau.

Một mặt, định dạng ONNX có thể tăng tốc hiệu suất trên nhiều môi trường. Mặt khác, OpenVINO cải thiện hiệu quả trên phần cứng Intel, CoreML lý tưởng cho thiết bị Apple, còn LiteRT (trước đây là TensorFlow Lite) phù hợp với ứng dụng di động.

Hãy cùng xem cách benchmark Ultralytics YOLO11 ở một định dạng cụ thể. Đoạn mã bên dưới benchmark YOLO11 ở định dạng ONNX, định dạng được sử dụng rộng rãi để chạy model AI trên cả CPU lẫn GPU.

from ultralytics.utils.benchmarks import benchmark

# Benchmark một định dạng xuất cụ thể (ví dụ: ONNX)
benchmark(model="yolo11n.pt", data="coco8.yaml", imgsz=640, format="onnx")

Ngoài kết quả benchmark, việc chọn định dạng phù hợp còn phụ thuộc vào thông số kỹ thuật hệ thống và nhu cầu triển khai. Ví dụ, xe tự lái cần phát hiện đối tượng nhanh. Nếu dự định sử dụng GPU NVIDIA để tăng tốc hiệu suất, định dạng TensorRT là lựa chọn lý tưởng để chạy Ultralytics YOLO11 trên GPU NVIDIA.

Hình 5. Sử dụng YOLO11 để phát hiện đối tượng trên xe tự hành.

Điểm chính cần ghi nhớ#

Gói Python Ultralytics giúp benchmark YOLO11 dễ dàng nhờ cung cấp các lệnh đơn giản có thể tự xử lý việc kiểm thử hiệu suất. Chỉ với vài bước, bạn có thể xem các cấu hình khác nhau ảnh hưởng thế nào đến tốc độ và độ chính xác của model, từ đó đưa ra lựa chọn sáng suốt mà không cần chuyên môn kỹ thuật sâu.

Phần cứng và cài đặt phù hợp cũng có thể tạo ra khác biệt lớn. Điều chỉnh các tham số như kích thước model và dataset cho phép bạn tinh chỉnh Ultralytics YOLO11 để đạt hiệu suất tốt nhất, dù chạy trên GPU cao cấp hay cục bộ trên thiết bị biên.

Kết nối với cộng đồng của chúng tôi và khám phá các dự án AI trên kho GitHub của chúng tôi. Tìm hiểu tác động của AI trong nông nghiệp và vai trò của thị giác máy tính trong sản xuất qua các trang giải pháp của chúng tôi. Khám phá các gói cấp phép của chúng tôi và bắt đầu hành trình AI ngay hôm nay!