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

Ngày 26 tháng 10, YOLO Vision 2025 (YV25) đã ra mắt tại Trung Quốc ở Tòa nhà B10 thuộc OCT Creative Culture Park, Shenzhen. Sự kiện AI thị giác theo hình thức kết hợp của Ultralytics đã quy tụ hơn 200 người tham dự trực tiếp, cùng nhiều người khác tham gia trực tuyến qua YouTube và Bilibili.

Livestream YV25 Shenzhen đã vượt mốc 3.500 lượt xem trên YouTube và tiếp tục thu hút sự chú ý khi các điểm nổi bật của sự kiện được chia sẻ trong cộng đồng. Đây là một ngày tràn đầy ý tưởng, trao đổi và trải nghiệm thực hành về hướng phát triển tiếp theo của AI thị giác.

Ngày hội bắt đầu bằng lời chào nồng nhiệt từ người dẫn chương trình Huang Xueying, người đã mời mọi người kết nối, học hỏi và tham gia các cuộc thảo luận trong suốt sự kiện. Cô giải thích rằng đây là YOLO Vision thứ hai trong năm, tiếp nối phiên bản London vào tháng 9, đồng thời chia sẻ niềm hào hứng khi một lần nữa quy tụ cộng đồng AI thị giác tại Shenzhen.

Trong bài viết này, chúng ta sẽ cùng nhìn lại những điểm nổi bật trong ngày, bao gồm các bản cập nhật model, các phiên diễn thuyết, demo trực tiếp và những khoảnh khắc cộng đồng gắn kết mọi người. Hãy bắt đầu!

Hành trình của các model Ultralytics YOLO cho 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 nhóm model AI thị giác được sử dụng rộng rãi nhất trên thế giới. Glenn giải thích rằng công việc ban đầu của ông tập trung vào việc làm cho YOLO dễ sử dụng hơn.

Ông chuyển các model sang PyTorch, cải thiện tài liệu và công khai mọi thứ để các developer ở khắp nơi có thể xây dựng dựa trên đó. Như ông nhớ lại: “Tôi đã dấn thân hoàn toàn vào năm 2018. Tôi quyết định đây là tương lai của mình.” Điều bắt 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 Shenzhen.

Ngày nay, các model Ultralytics YOLO thực hiện hàng tỷ lượt inference mỗi ngày, và Glenn nhấn mạnh rằng quy mô này chỉ có thể đạt được nhờ những người đã góp phần xây dựng nó. Các nhà nghiên cứu, kỹ sư, sinh viên, người đam mê công nghệ và contributor mã nguồn mở trên toàn thế giới đã định hình YOLO thành sản phẩm như hiện nay.

Như Glenn chia sẻ: “Có gần một nghìn [contributor] ngoài kia và chúng tôi vô cùng biết ơn điều đó. Nếu không có những người này, chúng tôi đã không thể ở vị trí hiện tại.”

Cập nhật về Ultralytics YOLO26#

Cái nhìn đầu tiên về Ultralytics YOLO26 đã được chia sẻ vào đầu năm nay tại sự kiện YOLO Vision 2025 London, nơi model này được giới thiệu là bước tiến lớn tiếp theo của dòng model Ultralytics YOLO. Tại YV25 Shenzhen, Glenn đã 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 phù hợp với việc sử dụng trong thực tế. Glenn giải thích rằng trong năm qua, đội ngũ đã tinh chỉnh kiến trúc, benchmark hiệu năng trên nhiều thiết bị và tích hợp những hiểu biết từ nghiên cứu cũng như phản hồi của cộng đồng. Mục tiêu là mang lại hiệu năng tiên tiến mà không khiến model khó triển khai hơn.

Điều gì đang chờ đợi ở Ultralytics YOLO26#

Một trong những cập nhật cốt lõi mà Glenn nhấn mạnh là Ultralytics YOLO26 đi kèm một chiến dịch tuning hyperparameter chuyên biệt, chuyển từ việc training hoàn toàn từ đầu sang fine-tuning trên các dataset lớn hơn. Ông giải thích thêm rằng cách tiếp cận này phù hợp hơn nhiều với các use case thực tế.

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

• Kiến trúc đơn giản hơn: Layer Distribution Focal Loss (DFL) đã được loại bỏ. Điều này giúp model đơn giản hơn và chạy nhanh hơn mà vẫn duy trì độ chính xác tương đương.
• Hỗ trợ inference end-to-end: Ultralytics YOLO26 vốn hỗ trợ end-to-end, nghĩa là có thể chạy mà không cần layer NMS riêng biệt. Điều này giúp việc export sang các format như ONNX và TensorRT, cũng như triển khai trên phần cứng edge, dễ dàng hơn nhiều.
• Hiệu năng tốt hơn với vật thể nhỏ: Các chiến lược loss được cập nhật giúp model phát hiện những vật thể cực nhỏ đáng tin cậy hơn, vốn là một thách thức lâu nay trong computer vision.
• Optimizer hybrid mới: YOLO26 tích hợp một optimizer mới lấy cảm hứng từ các nghiên cứu gần đây về training large language model, giúp cải thiện độ chính xác của model và được tích hợp trực tiếp vào package Ultralytics Python.

Ultralytics YOLO26 là bước tiến tiếp theo của AI thị giác thực tiễn#

Những cập nhật này giúp model nhanh hơn tới 43% trên CPU đồng thời chính xác hơn Ultralytics YOLO11, khiến YOLO26 đặc biệt hữu ích cho các thiết bị nhúng, robotics và hệ thống edge.

Ultralytics YOLO26 sẽ hỗ trợ toàn bộ các task và kích thước model hiện có trong YOLO11, tạo ra 25 biến thể model trong cả dòng. Các biến thể này bao gồm model cho detection, segmentation, pose estimation, bounding box định hướng và classification, với kích thước từ nano đến extra large.

Đội ngũ cũng đang phát triển năm biến thể có thể điều khiển bằng prompt. Đây là các model có thể nhận prompt văn bản và trả về bounding box trực tiếp mà không cần training.

Đây là bước đầu hướng tới các workflow AI thị giác linh hoạt hơn, dễ thích ứng với nhiều use case khác nhau. Các model Ultralytics YOLO26 vẫn đang được tích cực phát triển, nhưng kết quả hiệu năng ban đầu rất khả quan và đội ngũ đang hướng tới việc sớm phát hành chúng.

Tìm hiểu về Ultralytics Platform#

Sau phần cập nhật YOLO26, Glenn mời Prateek Bhatnagar, Trưởng bộ phận Product Engineering của chúng tôi, thực hiện demo trực tiếp về Ultralytics Platform. Nền tảng này được xây dựng để hợp nhất các phần quan trọng của workflow computer vision, bao gồm khám phá dataset, annotate ảnh, training model và so sánh kết quả.

Hình 2. Prateek Bhatnagar giới thiệu Ultralytics Platform.

Prateek chỉ ra rằng nền tảng vẫn giữ đúng tinh thần mã nguồn mở của Ultralytics, đồng thời giới thiệu hai không gian cộng đồng: cộng đồng dataset và cộng đồng project, nơi các developer có thể đóng góp, tái sử dụng và cải thiện công việc của nhau. Trong phần demo, ông trình bày tính năng annotation có AI hỗ trợ, cloud training đơn giản và khả năng fine-tune model trực tiếp từ cộng đồng mà không cần tài nguyên GPU local.

Nền tảng hiện vẫn đang được phát triển. Prateek khuyến khích khán giả theo dõi các thông báo và cho biết đội ngũ đang mở rộng tại Trung Quốc để hỗ trợ việc ra mắt.

Những tiếng nói phía sau YOLO: Panel các tác giả#

Khi sự kiện ngày càng sôi động, chương trình chuyển sang một phiên thảo luận panel với sự tham gia của các nhà nghiên cứu đứng sau nhiều model YOLO khác nhau. Panel có Glenn Jocher, cùng Jing Qiu, Senior Machine Learning Engineer của chúng tôi; Chen Hui, Machine Learning Engineer tại Meta và một trong các tác giả của YOLOv10; cùng Bo Zhang, Algorithm Strategist tại Meituan và một trong các tác giả của YOLOv6.

Hình 3. Panel thảo luận 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 việc sử dụng trong thực tế. Các diễn giả đề cập đến việc tiến bộ thường được thúc đẩy bởi những thách thức triển khai thực tế, chẳng hạn như chạy hiệu quả trên thiết bị edge, cải thiện khả năng phát hiện vật thể nhỏ và đơn giản hóa việc export model.

Thay vì chỉ chạy theo độ chính xác, panel 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 đáng chú ý khác được chia sẻ là giá trị của việc lặp lại và phản hồi từ cộng đồng.

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

• Detection open-vocabulary đang phát triển mạnh trong hệ sinh thái YOLO: Các model mới hơn cho thấy việc căn chỉnh vision-language và workflow dựa trên prompt có thể phát hiện những vật thể nằm ngoài các category cố định.
• Attention lightweight ngày càng phổ biến: Panel thảo luận rằng việc sử dụng các cơ chế attention hiệu quả, thay vì áp dụng full attention ở mọi nơi, có thể tăng độ chính xác mà vẫn giữ inference đủ nhẹ cho các thiết bị edge.
• Lặp lại sớm và thường xuyên cùng cộng đồng: Các thành viên panel củng cố tư duy build–test–improve, trong đó việc phát hành model sớm hơn và học hỏi từ người dùng tạo ra kết quả tốt hơn so với các chu kỳ phát triển dài trong phạm vi riêng tư.

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

Tiếp theo, hãy cùng xem xét kỹ hơn một số bài keynote tại YV25 Shenzhen, nơi các nhà lãnh đạo trong cộng đồng AI chia sẻ cách AI thị giác đang phát triển, từ digital human và robotics đến suy luận đa phương thức và triển khai edge hiệu quả.

Dạy AI thấu hiểu trải nghiệm con người#

Trong một phiên trình bày sâu sắc, Dr. Peng Zhang từ Alibaba Qwen Lab chia sẻ cách đội ngũ của ông phát triển các large video model có thể tạo ra digital human 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 speech, gesture và animation chân thực, qua đó giải quyết những hạn chế của việc tạo nội dung hoàn toàn dựa trên văn bản.

Hình 4. Peng Zhang giải thích cách large video model có thể hỗ trợ digital human.

Dr. Zhang cũng nói về những tiến bộ hướng tới avatar tương tác theo thời gian thực, bao gồm việc clone zero-shot diện mạo và chuyển động, cùng các model lightweight có thể animate khuôn mặt trực tiếp từ feed camera live, đưa digital human chân thực đến gần hơn với khả năng chạy mượt mà trên các thiết bị phổ thông.

Từ perception đến action: Kỷ nguyên của embodied intelligence#

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, perception không còn là điểm kết thúc của pipeline mà đang trở thành điểm khởi đầu của action.

Chẳng hạn, trong bài keynote, Hu Chunxu từ D-Robotics mô tả cách các kit phát triển và giải pháp SoC (hệ thống trên chip) của họ tích hợp sensing, điều khiển chuyển động theo thời gian thực và ra quyết định trên một stack phần cứng và phần mềm thống nhất. Bằng cách coi perception và action là một vòng lặp phản hồi liên tục thay vì các giai đoạn tách biệt, phương pháp này hỗ trợ robot di chuyển, thích ứng và tương tác đáng tin cậy hơn trong môi trường thực.

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

Alex Zhang từ Baidu Paddle cũng nhấn mạnh ý tưởng này trong bài nói chuyện của mình, giải thích cách YOLO và PaddleOCR phối hợp để phát hiện vật thể rồi diễn giải văn bản và cấu trúc xung quanh chúng. Điều này cho phép các hệ thống chuyển đổi hình ảnh và tài liệu thành thông tin có cấu trúc, có thể sử dụng cho các task như logistics, inspection và xử lý tự động.

Intelligence tại edge: AI hiệu quả cho mọi thiết bị#

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

Paul Jung từ DEEPX trình bày về việc triển khai các model YOLO trực tiếp trên phần cứng nhúng, giảm sự phụ thuộc vào cloud. Bằng cách tập trung vào mức tiêu thụ điện năng thấp, inference được tối ưu và tuning model có xét đến phần cứng, DEEPX cho phép perception theo thời gian thực trên drone, robot di động và các hệ thống công nghiệp hoạt động trong môi trường động.

Tương tự, Liu Lingfei từ Moore Threads chia sẻ cách nền tảng Moore Threads E300 tích hợp khả năng tính toán của CPU, GPU và NPU để cung cấp inference thị giác tốc độ cao trên các thiết bị nhỏ gọn.

Nền tảng này có thể chạy nhiều stream YOLO ở frame rate cao, đồng thời toolchain của nó đơn giản hóa các bước như quantization, biên dịch tĩnh và tuning hiệu năng. Moore Threads cũng đã open-source nhiều model computer vision và ví dụ triển khai nhằm hạ thấp rào cản cho developer.

Kết hợp thị giác và ngôn ngữ để tạo các hệ thống AI thông minh hơn#

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

Ông giải thích cách Vision-RWKV áp dụng thiết kế này vào computer vision bằng cách xử lý hình ảnh theo phương thức có quy mô tăng tuyến tính theo độ phân giải. Điều này khiến nó phù hợp với input độ phân giải cao và các thiết bị edge có năng lực tính toán hạn chế.

Yue cũng trình bày cách RWKV được sử dụng trong các hệ thống vision-language, trong đó đặc trưng hình ảnh được kết hợp với khả năng hiểu văn bản để vượt ra ngoài detection và diễn giải scene, tài liệu cũng như ngữ cảnh thực tế.

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

Các booth và demo trực tiếp đưa AI thị giác vào thực tế#

Trong khi các bài nói chuyện trên sân khấu hướng tới tương lai của AI thị giác, những booth bên dưới cho thấy công nghệ này đã được sử dụng như thế nào trong hiện tại. Người tham dự được xem các model chạy trực tiếp, so sánh các lựa chọn phần cứng và trao đổi trực tiếp với những đội ngũ xây dựng các hệ thống này.

Dưới đây là một vài công nghệ được trưng bày:

• Nền tảng development và prototyping: Seeed, M5Stack và Infermove giới thiệu các bo mạch phát triển nhỏ gọn cùng starter kit, giúp dễ dàng thử nghiệm các ứng dụng dựa trên YOLO và nhanh chóng chuyển ý tưởng thành demo hoạt động.
• Phần cứng edge hiệu năng cao: Hailo, DEEPX, Intel và Moore Threads trình diễn các chip và module được xây dựng cho inference nhanh và hiệu quả.
• Workflow vision và language: Baidu Paddle và RWKV giới thiệu các software stack có thể phát hiện vật thể, đồng thời đọc, diễn giải và suy luận về những gì xuất hiện trong hình ảnh hoặc tài liệu.
• Công cụ mã nguồn mở và cộng đồng: Ultralytics và Datawhale tương tác với developer thông qua các demo model trực tiếp, mẹo training và hướng dẫn thực hành, nhấn mạnh cách kiến thức được chia sẻ có thể thúc đẩy đổi mới.

Hình 7. Toàn cảnh booth của M5Stack tại YV25 Shenzhen.

Kết nối với cộng đồng AI thị giác#

Bên cạnh những công nghệ hấp dẫn, một trong những điểm tuyệt vời nhất của YV25 Shenzhen là việc một lần nữa quy tụ trực tiếp cộng đồng computer vision và đội ngũ Ultralytics. Trong suốt ngày diễn ra sự kiện, mọi người tập trung quanh các demo, chia sẻ ý tưởng trong giờ giải lao uống cà phê và tiếp tục trò chuyện rất lâu sau khi các bài nói chuyện kết thúc.

Các nhà nghiên cứu, kỹ sư, sinh viên và builder cùng trao đổi kinh nghiệm, đặt câu hỏi và chia sẻ trải nghiệm thực tế từ triển khai đến training model. Nhờ Cinco Jotas thuộc Grupo Osborne, chúng tôi còn mang một nét văn hóa Tây Ban Nha đến sự kiện với món jamón được thái ngay tại chỗ, tạo nên một khoảnh khắc kết nối ấm áp. Địa điểm tuyệt đẹp, khán giả nhiệt tình và cảm giác cùng tiến về phía trước đã khiến ngày hôm đó thực sự đặc biệt.

Những điểm chính#

Từ những bài keynote truyền cảm hứng đến các demo thực hành, YOLO Vision 2025 Shenzhen đã thể hiện tinh thần đổi mới định hình cộng đồng Ultralytics. Trong suốt ngày diễn ra sự kiện, các diễn giả và người tham dự trao đổi ý tưởng, khám phá công nghệ mới và kết nối bằng tầm nhìn chung về tương lai của AI. Cùng nhau, họ rời sự kiện với nguồn năng lượng mới và sẵn sàng đón nhận những điều tiếp theo cùng Ultralytics YOLO.

Hãy hình dung lại những khả năng có thể đạt được với AI và computer vision. Tham gia cộng đồng và repository GitHub của chúng tôi để khám phá thêm. Tìm hiểu thêm về các ứng dụng như computer vision trong nông nghiệp và AI trong bán lẻ. Khám phá các lựa chọn cấp phép của chúng tôi và bắt đầu với computer vision ngay hôm nay!