Những điểm nổi bật của Ultralytics tại YOLO Vision 2025 Shenzhen!

Ngày 26 tháng 10, YOLO Vision 2025 (YV25) lần đầu được tổ chức tại Trung Quốc, ở Tòa nhà B10 thuộc Công viên Văn hóa Sáng tạo OCT, Thâm Quyến. Sự kiện vision AI kết hợp trực tiếp và trực tuyến của Ultralytics quy tụ hơn 200 người tham dự trực tiếp, cùng nhiều người khác tham gia trực tuyến qua YouTube và Bilibili.

Buổi phát trực tiếp YV25 Thâm Quyến đã đạt hơn 3.500 lượt xem trên YouTube và tiếp tục thu hút sự chú ý khi những điểm nổi bật của sự kiện được chia sẻ trong cộng đồng. Đây là một ngày tràn ngập ý tưởng, trao đổi và trải nghiệm thực tế về hướng phát triển tiếp theo của vision AI.

Ngày hội bắt đầu bằng lời chào nồng nhiệt từ người dẫn chương trình Huang Xueying, người mời mọi người kết nối, học hỏi và tham gia các cuộc thảo luận trong suốt sự kiện. Cô cho biết đây là sự kiện YOLO Vision thứ hai trong năm, sau phiên bản London vào tháng 9, đồng thời chia sẻ niềm vui khi cộng đồng vision AI một lần nữa quy tụ tại Thâm Quyến.

Trong bài viết này, chúng ta sẽ điểm lại những nội dung nổi bật trong ngày, bao gồm các bản cập nhật model, phiên trình bày của diễn giả, demo trực tiếp và những khoảnh khắc cộng đồng đã gắn kết mọi người.

Hành trình phát triển của các model Ultralytics YOLO đến nay#

Bài keynote đầu tiên trong ngày do Nhà sáng lập kiêm CEO Ultralytics Glenn Jocher trình bày. Ông chia sẻ cách các model Ultralytics YOLO phát triển từ một đột phá nghiên cứu thành một trong những dòng model vision AI được sử dụng rộng rãi nhất thế giới. Glenn giải thích rằng những công việc ban đầu của ông tập trung vào việc giúp YOLO dễ sử dụng hơn.

Ông chuyển các model sang PyTorch, cải thiện tài liệu và chia sẻ mọi thứ công khai để các nhà phát triển trên khắp thế giới có thể tiếp tục phát triển dựa trên đó. Như ông nhớ lại: “Tôi lao vào ngay từ đầu năm 2018. Tôi quyết định đây là tương lai của mình.” Điều khởi đầu như một nỗ lực cá nhân nhanh chóng trở thành một phong trào mã nguồn mở toàn cầu.

Hình 1. Glenn Jocher phát biểu trên sân khấu tại YOLO Vision 2025 Thâm Quyến.

Ngày nay, các model Ultralytics YOLO xử lý hàng tỷ lượt suy luận mỗi ngày, và Glenn nhấn mạnh rằng quy mô này chỉ có được nhờ những người đã góp sức xây dựng chúng. Các nhà nghiên cứu, kỹ sư, sinh viên, người đam mê công nghệ và cộng tác viên mã nguồn mở trên khắp thế giới đã định hình nên YOLO ngày nay.

Như Glenn chia sẻ: “Có gần một nghìn [cộng tác viên] trên khắp thế giới và chúng tôi vô cùng biết ơn họ. Nếu không có những người này, chúng tôi đã không thể đạt được vị trí như hôm nay.”

Cập nhật về Ultralytics YOLO26#

Ultralytics YOLO26 lần đầu được giới thiệu vào đầu năm nay tại sự kiện YOLO Vision 2025 London, với vai trò là bước tiến lớn tiếp theo trong dòng model Ultralytics YOLO. Tại YV25 Thâm Quyến, Glenn cập nhật tiến độ kể từ thông báo đó và giúp cộng đồng AI hiểu rõ hơn về quá trình phát triển của model.

Ultralytics YOLO26 được thiết kế nhỏ hơn, nhanh hơn và chính xác hơn, đồng thời vẫn thiết thực khi sử dụng trong thế giới thực. Glenn giải thích rằng trong năm qua, nhóm đã tinh chỉnh kiến trúc, benchmark hiệu năng trên nhiều thiết bị và kết hợp các hiểu biết từ nghiên cứu cũng như phản hồi của cộng đồng. Mục tiêu là mang đến hiệu năng tiên tiến nhất mà không khiến model khó triển khai hơn.

Những điểm đáng mong đợi ở Ultralytics YOLO26#

Một trong những cập nhật cốt lõi mà Glenn nhấn mạnh là Ultralytics YOLO26 đi kèm chiến dịch tinh chỉnh hyperparameter chuyên biệt, chuyển từ việc huấn luyện hoàn toàn từ đầu sang fine-tune trên các tập dữ liệu lớn hơn. Ông giải thích thêm rằng cách tiếp cận này phù hợp hơn nhiều với các trường hợp sử dụng thực tế.

Dưới đây là một số cải tiến quan trọng khác được chia sẻ tại sự kiện:

• Kiến trúc đơn giản hóa: Đã loại bỏ lớp Distribution Focal Loss (DFL). Nhờ vậy, model đơn giản hơn và chạy nhanh hơn mà vẫn duy trì độ chính xác như trước.
• Hỗ trợ suy luận end-to-end: Ultralytics YOLO26 có kiến trúc end-to-end nguyên bản, nghĩa là model có thể chạy mà không cần một lớp NMS riêng. Điều này giúp việc xuất model sang các định dạng như ONNX và TensorRT cũng như triển khai trên phần cứng biên dễ dàng hơn nhiều.
• Hiệu năng tốt hơn với vật thể nhỏ: Các chiến lược hàm loss được cập nhật giúp model phát hiện vật thể rất nhỏ đáng tin cậy hơn, giải quyết một thách thức tồn tại lâu nay trong thị giác máy tính.
• Optimizer lai mới: YOLO26 bao gồm một optimizer mới lấy cảm hứng từ các nghiên cứu gần đây về huấn luyện mô hình ngôn ngữ lớn, giúp cải thiện độ chính xác của model và hiện được tích hợp trực tiếp vào package Ultralytics Python.

Ultralytics YOLO26: bước tiến tiếp theo của vision AI ứng dụng thực tế#

Nhờ những cập nhật này, model có tốc độ trên CPU nhanh hơn tới 43% và độ chính xác cao hơn Ultralytics YOLO11, giúp YOLO26 đặc biệt hữu ích cho thiết bị nhúng, robot và hệ thống edge.

Ultralytics YOLO26 sẽ hỗ trợ tất cả các tác vụ và kích thước model hiện có trong YOLO11, tạo thành 25 biến thể model trong toàn bộ dòng sản phẩm. Các model này bao gồm phát hiện, phân đoạn, phân loại, ước tính tư thế và hộp giới hạn xoay, với kích thước từ nano đến extra large.

Nhóm cũng đang phát triển năm biến thể có thể nhận prompt. Những model này có thể nhận prompt văn bản và trả về hộp giới hạn trực tiếp mà không cần huấn luyện.

Đây là bước đầu hướng tới các quy trình thị giác linh hoạt hơn dựa trên chỉ thị, dễ thích ứng với nhiều trường hợp sử dụng. Các model Ultralytics YOLO26 vẫn đang được phát triển tích cực, nhưng kết quả hiệu suất ban đầu rất khả quan và nhóm đang nỗ lực sớm phát hành model. (Cập nhật: Ultralytics YOLO26 đã được phát hành.)

Khám phá Ultralytics Platform#

Sau phần cập nhật về YOLO26, Glenn chào đón Prateek Bhatnagar, Trưởng bộ phận Kỹ thuật Sản phẩm của chúng tôi, lên trình diễn trực tiếp Ultralytics Platform. Nền tảng này đang được xây dựng để kết nối các phần quan trọng trong quy trình thị giác máy tính, bao gồm khám phá dataset, gắn nhãn ảnh, huấn luyện model và so sánh kết quả.

Hình 2. Prateek Bhatnagar giới thiệu Ultralytics Platform.

Prateek nhấn mạnh rằng nền tảng vẫn giữ vững tinh thần mã nguồn mở của Ultralytics và giới thiệu hai không gian cộng đồng: cộng đồng dataset và cộng đồng dự án, nơi nhà phát triển có thể đóng góp, tái sử dụng và cải thiện công việc của nhau. Trong buổi demo, anh giới thiệu gắn nhãn có AI hỗ trợ, huấn luyện trên cloud đơn giản và khả năng fine-tune model trực tiếp từ cộng đồng mà không cần tài nguyên GPU cục bộ.

Nền tảng hiện đang được phát triển (và sau đó đã ra mắt). Prateek khuyến khích khán giả theo dõi các thông báo và cho biết nhóm đang phát triển tại Trung Quốc để hỗ trợ việc ra mắt.

Những tiếng nói phía sau YOLO: Tọa đàm với các tác giả#

Trong không khí ngày càng sôi động, sự kiện chuyển sang phần tọa đàm với sự tham gia của một số nhà nghiên cứu đứng sau các model YOLO khác nhau. Tọa đàm có Glenn Jocher, cùng Jing Qiu, Kỹ sư Machine Learning cấp cao của chúng tôi; Chen Hui, Kỹ sư Machine Learning tại Meta và một trong những tác giả của YOLOv10; và Bo Zhang, Chiến lược gia thuật toán tại Meituan và một trong những tác giả của YOLOv6.

Hình 3. Tọa đàm về quá trình phát triển các model YOLO với sự tham gia của Huang Xueying, Chen Hui, Bo Zhang, Jing Qiu và Glenn Jocher.

Cuộc thảo luận tập trung vào cách YOLO tiếp tục phát triển thông qua ứng dụng thực tế. Các diễn giả đề cập đến việc tiến bộ thường được thúc đẩy bởi những thách thức triển khai thực tiễn, chẳng hạn như vận hành hiệu quả trên thiết bị biên, cải thiện khả năng phát hiện vật thể nhỏ và đơn giản hóa quy trình xuất model.

Thay vì chỉ chạy theo độ chính xác, các thành viên tọa đàm nhấn mạnh tầm quan trọng của việc cân bằng tốc độ, tính dễ sử dụng và độ tin cậy trong môi trường production. Một điểm chung khác được đúc kết là giá trị của quá trình lặp cải tiến và phản hồi từ cộng đồng.

Dưới đây là một số góc nhìn thú vị khác từ cuộc trò chuyện:

• Phát hiện với từ vựng mở đang ngày càng phổ biến trong hệ sinh thái YOLO: Các model mới hơn cho thấy sự liên kết giữa thị giác và ngôn ngữ cùng quy trình làm việc dựa trên prompt có thể phát hiện các vật thể nằm ngoài những danh mục cố định.
• Cơ chế attention gọn nhẹ đang phát triển mạnh: Các thành viên tọa đàm thảo luận về cách sử dụng các cơ chế attention hiệu quả thay vì dùng attention đầy đủ ở mọi nơi có thể cải thiện độ chính xác, đồng thời giữ cho inference đủ nhẹ để chạy trên thiết bị biên.
• Lặp cải tiến sớm và thường xuyên cùng cộng đồng: Các thành viên tọa đàm nhấn mạnh tư duy xây dựng–kiểm thử–cải tiến, trong đó phát hành model sớm hơn và học hỏi từ người dùng mang lại kết quả tốt hơn những chu kỳ phát triển nội bộ kéo dài.

Những nhà tư tưởng định hình tương lai của AI và thị giác máy tính#

Tiếp theo, hãy cùng tìm hiểu kỹ hơn một số bài keynote tại YV25 Shenzhen, nơi các nhà lãnh đạo trong cộng đồng AI chia sẻ về sự phát triển của AI thị giác, từ con người kỹ thuật số và robot đến suy luận đa phương thức và triển khai hiệu quả trên thiết bị biên.

Dạy AI thấu hiểu trải nghiệm con người#

Trong một phiên trình bày giàu thông tin, Tiến sĩ Peng Zhang từ Alibaba Qwen Lab chia sẻ cách nhóm của ông phát triển các model video lớn có thể tạo ra con người kỹ thuật số biểu cảm với chuyển động và khả năng điều khiển tự nhiên hơn. Ông giới thiệu Wan S2V và Wan Animate, sử dụng tham chiếu âm thanh hoặc chuyển động để tạo lời nói, cử chỉ và hoạt ảnh chân thực, khắc phục những hạn chế của phương pháp tạo nội dung chỉ dựa trên văn bản.

Hình 4. Peng Zhang giải thích cách các model video lớn có thể tạo ra con người kỹ thuật số.

Tiến sĩ Zhang cũng đề cập đến những tiến bộ hướng tới avatar tương tác theo thời gian thực, bao gồm khả năng sao chép diện mạo và chuyển động theo phương thức zero-shot, cùng các model gọn nhẹ có thể tạo hoạt ảnh cho khuôn mặt trực tiếp từ luồng camera trực tiếp, đưa con người kỹ thuật số chân thực đến gần hơn với khả năng vận hành mượt mà trên các thiết bị phổ thông.

Từ nhận thức đến hành động: Kỷ nguyên của trí tuệ hiện thân#

Một trong những chủ đề chính tại YV25 Shenzhen là sự chuyển dịch từ các model thị giác chỉ quan sát thế giới sang những hệ thống có thể hành động trong thế giới đó. Nói cách khác, nhận thức không còn là điểm cuối của pipeline; nó đang trở thành khởi đầu của hành động.

Chẳng hạn, trong bài keynote, Hu Chunxu từ D-Robotics mô tả cách các bộ kit phát triển và giải pháp SoC (hệ thống tích hợp trên một chip) của họ kết hợp cảm biến, điều khiển chuyển động theo thời gian thực và khả năng ra quyết định trên một nền tảng phần cứng và phần mềm thống nhất. Bằng cách xem nhận thức và hành động là một vòng phản hồi liên tục thay vì các giai đoạn tách biệt, phương pháp của họ hỗ trợ robot di chuyển, thích nghi và tương tác đáng tin cậy hơn trong môi trường thực tế.

Hình 5. Buổi demo của D-Robotics tại YOLO Vision 2025 ở Shenzhen, Trung Quốc.

Alex Zhang từ Baidu Paddle cũng nhắc đến ý tưởng này trong bài nói chuyện, giải thích cách YOLO và PaddleOCR phối hợp để phát hiện vật thể rồi diễn giải văn bản và cấu trúc xung quanh chúng. Nhờ đó, hệ thống có thể chuyển đổi hình ảnh và tài liệu thành thông tin có cấu trúc, hữu ích cho các tác vụ như logistics, kiểm tra và xử lý tự động.

Trí tuệ ở biên: AI hiệu quả cho mọi thiết bị#

Một chủ đề thú vị khác tại YV25 Shenzhen là cách AI thị giác ngày càng hiệu quả và mạnh mẽ hơn trên thiết bị biên.

Paul Jung từ DEEPX chia sẻ về việc triển khai trực tiếp các model YOLO trên phần cứng nhúng, giảm sự phụ thuộc vào cloud. Tập trung vào mức tiêu thụ điện năng thấp, inference được tối ưu và tinh chỉnh model có xét đến phần cứng, DEEPX hỗ trợ nhận thức theo thời gian thực cho drone, robot di động và các hệ thống công nghiệp hoạt động trong môi trường biến động.

Tương tự, Liu Lingfei từ Moore Threads chia sẻ cách nền tảng Moore Threads E300 tích hợp khả năng tính toán của bộ xử lý trung tâm (CPU), bộ xử lý đồ họa (GPU) và bộ xử lý thần kinh (NPU) để cung cấp inference thị giác tốc độ cao trên các thiết bị nhỏ gọn.

Nền tảng này có thể chạy nhiều luồng YOLO ở tốc độ khung hình cao, đồng thời toolchain đơn giản hóa các bước như lượng tử hóa, biên dịch tĩnh và tinh chỉnh hiệu năng. Moore Threads cũng đã phát hành mã nguồn mở nhiều model thị giác máy tính và ví dụ triển khai, giúp nhà phát triển dễ dàng bắt đầu hơn.

Kết hợp thị giác và ngôn ngữ để xây dựng hệ thống AI thông minh hơn#

Cho đến gần đây, việc xây dựng một model duy nhất vừa hiểu hình ảnh vừa diễn giải ngôn ngữ đòi hỏi các kiến trúc Transformer lớn, tốn kém khi vận hành. Tại YV25 Shenzhen, Yue Ziyin từ Yuanshi Intelligence đã giới thiệu tổng quan về RWKV, một kiến trúc kết hợp khả năng suy luận ngữ cảnh dài của Transformer với hiệu quả của model hồi quy.

Ông giải thích cách Vision-RWKV áp dụng thiết kế này vào thị giác máy tính bằng cách xử lý hình ảnh theo phương thức có độ phức tạp tăng tuyến tính theo độ phân giải. Nhờ vậy, model phù hợp với đầu vào độ phân giải cao và thiết bị biên có năng lực tính toán hạn chế.

Yue cũng trình bày cách RWKV được sử dụng trong các hệ thống thị giác-ngôn ngữ, kết hợp đặc trưng hình ảnh với khả năng hiểu văn bản để mở rộng từ phát hiện vật thể sang diễn giải cảnh, tài liệu và ngữ cảnh thực tế.

Hình 6. Yue Ziyin nói về các ứng dụng của RWKV.

Các gian hàng và buổi demo trực tiếp đưa AI thị giác vào thực tiễn#

Trong khi các bài nói chuyện trên sân khấu hướng đến tương lai của AI thị giác, các gian hàng tại khu vực triển lãm cho thấy công nghệ này đang được ứng dụng ra sao. Người tham dự có thể xem model chạy trực tiếp, so sánh các lựa chọn phần cứng và trao đổi trực tiếp với những nhóm đang xây dựng các hệ thống này.

Cùng điểm qua một số công nghệ được giới thiệu:

• Nền tảng phát triển và tạo mẫu: Seeed, M5Stack và Infermove giới thiệu các bo mạch phát triển nhỏ gọn cùng bộ kit khởi đầu, giúp dễ dàng thử nghiệm ứng dụng dựa trên YOLO và nhanh chóng biến ý tưởng thành bản demo hoạt động.
• Phần cứng biên hiệu năng cao: Hailo, DEEPX, Intel và Moore Threads trình diễn chip và module được thiết kế để inference nhanh và hiệu quả.
• Quy trình làm việc kết hợp thị giác và ngôn ngữ: Baidu Paddle và RWKV giới thiệu các stack phần mềm có thể phát hiện vật thể, đồng thời đọc, diễn giải và suy luận về nội dung xuất hiện trong hình ảnh hoặc tài liệu.
• Công cụ mã nguồn mở và cộng đồng: Ultralytics và Datawhale giao lưu với nhà phát triển thông qua các buổi demo model trực tiếp, mẹo huấn luyện và hướng dẫn thực hành, cho thấy tri thức được chia sẻ giúp thúc đẩy đổi mới như thế nào.

Hình 7. Hình ảnh gian hàng của M5Stack tại YV25 Shenzhen.

Kết nối với cộng đồng AI thị giác#

Bên cạnh những công nghệ đầy hứng khởi, một trong những điểm tuyệt vời nhất của YV25 Shenzhen là dịp để cộng đồng thị giác máy tính và đội ngũ Ultralytics gặp lại nhau trực tiếp. Suốt cả ngày, mọi người cùng quây quần bên các buổi demo, chia sẻ ý tưởng trong giờ giải lao uống cà phê và tiếp tục trò chuyện rất lâu sau khi các bài trình bày kết thúc.

Các nhà nghiên cứu, kỹ sư, sinh viên và nhà phát triển cùng trao đổi kinh nghiệm, đặt câu hỏi và chia sẻ trải nghiệm thực tế từ triển khai đến huấn luyện model. Nhờ Cinco Jotas từ Grupo Osborne, sự kiện còn có thêm nét văn hóa Tây Ban Nha với món jamón được thái tươi tại chỗ, tạo nên khoảnh khắc gắn kết ấm áp. Địa điểm tuyệt đẹp, đám đông hào hứng và tinh thần cùng hướng tới tương lai đã khiến ngày hôm đó thực sự đặc biệt.

Điểm chính cần ghi nhớ#

Từ các bài keynote truyền cảm hứng đến những buổi demo thực hành, YOLO Vision 2025 Shenzhen đã thể hiện tinh thần đổi mới làm nên bản sắc của cộng đồng Ultralytics. Suốt cả ngày, diễn giả và người tham dự trao đổi ý tưởng, khám phá công nghệ mới và kết nối quanh tầm nhìn chung về tương lai của AI. Họ cùng rời sự kiện với nguồn năng lượng mới và sẵn sàng đón chờ những bước tiếp theo cùng Ultralytics YOLO.

Hãy tái hình dung những khả năng của AI và thị giác máy tính. Tham gia cộng đồng và khám phá thêm tại repository GitHub. Tìm hiểu thêm về các ứng dụng như thị giác máy tính trong nông nghiệp và AI trong bán lẻ. Khám phá các tùy chọn cấp phép của chúng tôi và bắt đầu ứng dụng thị giác máy tính ngay hôm nay!