Tìm hiểu cách Ultralytics YOLO26 thiết lập một tiêu chuẩn mới cho Trí tuệ nhân tạo thị giác ưu tiên thiết bị đầu cuối (edge-first Vision AI) với khả năng xử lý toàn diện từ đầu đến cuối. NMS - Suy luận miễn phí, nhanh hơn CPU hiệu suất và đơn giản hóa việc triển khai sản phẩm.
Hôm nay, Ultralytics Chính thức ra mắt YOLO26 , hệ thống triển khai tiên tiến và dễ sử dụng nhất hiện nay. YOLO Mô hình tiên tiến nhất tính đến thời điểm hiện tại. Lần đầu tiên được công bố tại YOLO Vision 2025 (YV25) , YOLO26 đại diện cho một sự thay đổi cơ bản trong cách các mô hình thị giác máy tính được huấn luyện, triển khai và mở rộng quy mô trong các hệ thống thực tế.
Trí tuệ nhân tạo thị giác (Vision AI) đang nhanh chóng được ứng dụng rộng rãi. Ngày càng nhiều hình ảnh và video được xử lý trực tiếp trên các thiết bị, camera, robot và hệ thống nhúng, nơi độ trễ, độ tin cậy và chi phí quan trọng hơn so với điện toán đám mây thô. YOLO26 được thiết kế cho thực tế này, mang lại hiệu năng hàng đầu thế giới trong khi hoạt động hiệu quả trên CPU, bộ tăng tốc biên và phần cứng công suất thấp.
Mặc dù YOLO26 là một bước tiến đáng kể, nó vẫn duy trì trải nghiệm Ultralytics YOLO quen thuộc và mượt mà mà các nhà phát triển tin dùng. Nó tích hợp liền mạch vào các quy trình làm việc hiện có, hỗ trợ nhiều tác vụ xử lý hình ảnh và vẫn dễ sử dụng, giúp việc áp dụng trở nên đơn giản cho cả nhóm nghiên cứu và nhóm sản xuất.
Trong bài viết này, chúng ta sẽ phân tích mọi thứ bạn cần biết về Ultralytics YOLO26, một chiếc xe đạp nhẹ hơn, nhỏ gọn hơn và nhanh hơn! YOLO Mô hình này hướng đến tương lai của trí tuệ nhân tạo thị giác. Hãy bắt đầu nào!
Ultralytics YOLO26 được xây dựng dựa trên ý tưởng rằng các khả năng AI thị giác mạnh mẽ nên dễ dàng tiếp cận với mọi người. Chúng tôi tin rằng các công cụ thị giác máy tính mạnh mẽ không nên bị khóa hoặc giới hạn chỉ dành cho một nhóm nhỏ các tổ chức.
Tại sự kiện YV25 ở London, người sáng lập kiêm CEO của chúng tôi, Glenn Jocher, đã chia sẻ suy nghĩ của mình về tầm nhìn này, nói rằng, “Công nghệ AI tuyệt vời nhất đang nằm sau những cánh cửa đóng kín. Nó không được công khai. Các công ty lớn kiểm soát các phát triển mới, và những người khác phải xếp hàng chờ đợi để được tiếp cận. Chúng tôi có một tầm nhìn khác tại đây. Ultralytics Chúng tôi muốn trí tuệ nhân tạo (AI) nằm trong tay mọi người.”
Ông cũng giải thích rằng điều này có nghĩa là đưa AI ra khỏi đám mây và vào môi trường thực tế, đồng thời nói thêm: “Chúng tôi muốn công nghệ này không chỉ tồn tại trên đám mây mà còn được tích hợp vào các thiết bị đầu cuối, vào điện thoại, xe cộ và các hệ thống tiêu thụ điện năng thấp. Và chúng tôi muốn những người tài năng đang tạo ra các giải pháp này có thể tiếp cận được với công nghệ đó.”
YOLO26 phản ánh tầm nhìn này trong thực tiễn: một mô hình được thiết kế để hoạt động ở những nơi trí tuệ nhân tạo thị giác được triển khai thực tế, chứ không phải ở nơi dễ dàng nhất để tạo nguyên mẫu.
Giống như trước đây Ultralytics YOLO YOLO26 hỗ trợ nhiều tác vụ thị giác máy tính trong một họ mô hình thống nhất duy nhất. Nó có năm kích thước: Nano (n), Nhỏ (s), Trung bình (m), Lớn (l) và Cực lớn (x) , cho phép các nhóm cân bằng tốc độ, độ chính xác và kích thước mô hình tùy thuộc vào các hạn chế triển khai.
Ngoài tính linh hoạt, YOLO26 còn nâng cao hiệu năng. So với... YOLO11 Mẫu YOLO26 nano mang lại tốc độ nhanh hơn tới 43% CPU suy luận, biến nó trở thành một trong những mô hình phát hiện đối tượng có độ chính xác cao nhanh nhất hiện có cho thiết bị biên và CPU triển khai dựa trên.
.webp)
Dưới đây là cái nhìn chi tiết hơn về các tác vụ thị giác máy tính được hỗ trợ bởi YOLO26:
Tất cả các tác vụ đều hỗ trợ huấn luyện, xác thực, suy luận và xuất dữ liệu trong một khuôn khổ nhất quán.
Ultralytics YOLO26 giới thiệu một số cải tiến cốt lõi giúp cải thiện tốc độ suy luận, tính ổn định của quá trình huấn luyện và sự đơn giản trong triển khai. Dưới đây là tổng quan về những cải tiến này:
Tiếp theo, chúng ta hãy cùng tìm hiểu chi tiết các tính năng thế hệ mới giúp YOLO26 nhanh hơn, hiệu quả hơn và dễ triển khai hơn.
Trước đó YOLO Các mô hình sử dụng Distribution Focal Loss (DFL) trong quá trình huấn luyện để cải thiện độ chính xác của hộp giới hạn. Mặc dù hiệu quả, DFL lại làm tăng thêm độ phức tạp và áp đặt các giới hạn hồi quy cố định, khiến việc xuất và triển khai trở nên khó khăn hơn, đặc biệt là trên phần cứng biên và phần cứng công suất thấp.
YOLO26 loại bỏ hoàn toàn DFL. Việc loại bỏ DFL giúp loại bỏ các giới hạn hồi quy hộp giới hạn cố định có trong các mô hình trước đó, cải thiện độ tin cậy và độ chính xác khi phát hiện các vật thể rất lớn.
Bằng cách đơn giản hóa quy trình dự đoán hộp giới hạn, YOLO26 trở nên dễ xuất hơn và hoạt động ổn định hơn trên nhiều thiết bị biên và thiết bị tiêu thụ điện năng thấp.
Các quy trình phát hiện đối tượng truyền thống dựa vào phương pháp loại bỏ cực đại cục bộ (Non-Maximum Suppression) NMS ) như một bước xử lý hậu kỳ để lọc các dự đoán trùng lặp. Mặc dù hiệu quả, NMS Điều này làm tăng độ trễ, độ phức tạp và tính dễ bị lỗi, đặc biệt khi triển khai các mô hình trên nhiều môi trường chạy và mục tiêu phần cứng khác nhau.
YOLO26 giới thiệu chế độ suy luận đầu cuối tích hợp, trong đó mô hình trực tiếp đưa ra dự đoán cuối cùng mà không cần yêu cầu NMS như một bước xử lý hậu kỳ riêng biệt. Các dự đoán trùng lặp được xử lý bên trong chính mạng lưới.
Loại bỏ NMS YOLO26 giúp giảm độ trễ, đơn giản hóa quy trình triển khai và giảm nguy cơ lỗi tích hợp, đặc biệt phù hợp cho việc triển khai thời gian thực và tại biên.
Một tính năng quan trọng liên quan đến huấn luyện là việc giới thiệu Cân bằng tổn thất tiến triển (Progressive Loss Balancing - ProgLoss) và Gán nhãn nhận biết mục tiêu nhỏ (Small-Target-Aware Label Assignment - STAL). Các hàm tổn thất được cải tiến này giúp ổn định quá trình huấn luyện và cải thiện độ chính xác phát hiện.
ProgLoss giúp mô hình học tập ổn định hơn trong quá trình huấn luyện, giảm sự bất ổn và cho phép nó hội tụ mượt mà hơn. Trong khi đó, STAL tập trung vào việc cải thiện cách mô hình học hỏi từ các đối tượng nhỏ, vốn thường khó hơn để nhận diện. detect do thiếu thông tin chi tiết về hình ảnh.
Sự kết hợp giữa ProgLoss và STAL dẫn đến khả năng phát hiện đáng tin cậy hơn, với những cải tiến rõ rệt trong nhận dạng vật thể nhỏ. Điều này đặc biệt quan trọng đối với các ứng dụng tại biên như Internet vạn vật (IoT), robot và ảnh chụp từ trên không, nơi các vật thể thường nhỏ, ở xa hoặc chỉ hiển thị một phần.
Với YOLO26, chúng tôi đã áp dụng một thuật toán tối ưu hóa mới có tên là MuSGD, được thiết kế để giúp quá trình huấn luyện ổn định và hiệu quả hơn. MuSGD là một phương pháp lai kết hợp những ưu điểm của thuật toán Stochastic Gradient Descent truyền thống ( SGD ) với các kỹ thuật lấy cảm hứng từ Muon, một công cụ tối ưu hóa được sử dụng trong huấn luyện mô hình ngôn ngữ quy mô lớn (LLM).
SGD LLM từ lâu đã là một lựa chọn đáng tin cậy trong lĩnh vực thị giác máy tính, nhờ vào sự đơn giản và khả năng khái quát hóa mạnh mẽ của nó. Đồng thời, những tiến bộ gần đây trong huấn luyện LLM đã cho thấy rằng các phương pháp tối ưu hóa mới hơn có thể cải thiện tính ổn định và tốc độ khi được áp dụng cẩn thận. MuSGD mang một số ý tưởng này vào lĩnh vực thị giác máy tính.
Lấy cảm hứng từ Kimi K2 của Moonshot AI, MuSGD tích hợp các chiến lược tối ưu hóa giúp mô hình hội tụ mượt mà hơn trong quá trình huấn luyện. Điều này cho phép YOLO26 đạt được hiệu suất mạnh mẽ nhanh hơn đồng thời giảm thiểu sự bất ổn trong quá trình huấn luyện, đặc biệt là trong các thiết lập huấn luyện lớn hơn hoặc phức tạp hơn.
MuSGD giúp YOLO26 huấn luyện một cách dễ dự đoán hơn trên nhiều kích thước mô hình khác nhau, góp phần cải thiện hiệu năng và tính ổn định của quá trình huấn luyện.
Khi trí tuệ nhân tạo thị giác (Vision AI) ngày càng tiến gần hơn đến nơi dữ liệu được tạo ra, hiệu năng mạnh mẽ ở biên (edge computing) trở nên ngày càng quan trọng. Được tối ưu hóa đặc biệt cho điện toán biên, YOLO26 mang lại hiệu năng nhanh hơn tới 43%. CPU Khả năng suy luận này đảm bảo hiệu suất thời gian thực trên các thiết bị không có GPU. Sự cải tiến này cho phép các hệ thống thị giác phản hồi nhanh và đáng tin cậy hoạt động trực tiếp trên camera, robot và phần cứng nhúng, nơi mà độ trễ, hiệu quả và các ràng buộc về chi phí quyết định những gì có thể thực hiện được.
Bên cạnh những cải tiến về kiến trúc giúp phát hiện đối tượng chính xác hơn, YOLO26 còn bao gồm các tối ưu hóa dành riêng cho từng tác vụ được thiết kế để cải thiện hiệu suất trên các tác vụ thị giác máy tính. Ví dụ, nó tăng cường phân đoạn đối tượng, ước lượng tư thế và phát hiện hộp giới hạn định hướng với các bản cập nhật có mục tiêu giúp cải thiện độ chính xác và độ tin cậy.
Dưới đây là tổng quan về các tối ưu hóa này:
Ultralytics Ngoài ra, công ty cũng giới thiệu YOLOE-26, một họ mô hình phân đoạn từ vựng mở mới được xây dựng dựa trên kiến trúc và những cải tiến trong quá trình huấn luyện của YOLO26.
YOLOE-26 không phải là một tác vụ hay tính năng mới, mà là một họ mô hình chuyên biệt tái sử dụng tác vụ phân đoạn hiện có đồng thời cho phép các lời nhắc bằng văn bản, lời nhắc trực quan và suy luận không cần lời nhắc. Có sẵn trên tất cả các hệ thống tiêu chuẩn. YOLO Với kích thước lớn hơn, YOLOE-26 mang lại độ chính xác cao hơn và hiệu suất thực tế đáng tin cậy hơn so với các mô hình phân đoạn từ vựng mở trước đây.
Từ camera điều khiển bằng thị giác đến robot được trang bị thị giác máy tính và các chip xử lý siêu nhỏ ở thiết bị đầu cuối, thị giác máy tính và trí tuệ nhân tạo đang được triển khai trực tiếp trên thiết bị để suy luận theo thời gian thực. Ultralytics YOLO26 được xây dựng đặc biệt cho các môi trường này, nơi độ trễ thấp, hiệu quả và hiệu suất đáng tin cậy là vô cùng quan trọng.
Trên thực tế, điều này có nghĩa là YOLO26 có thể được triển khai dễ dàng trên nhiều loại phần cứng khác nhau. Cụ thể, thông qua... Ultralytics Python Với gói phần mềm và phạm vi tích hợp rộng lớn, các mô hình có thể được xuất sang các định dạng được tối ưu hóa cho các nền tảng và bộ tăng tốc phần cứng khác nhau.
Ví dụ, xuất sang TensorRT cho phép suy luận hiệu năng cao trên NVIDIA GPU, trong khi CoreML Hỗ trợ triển khai nguyên bản trên các thiết bị của Apple và OpenVINO tối ưu hóa hiệu suất trên Intel phần cứng. YOLO26 cũng có thể được xuất ra để chạy trên nhiều bộ tăng tốc biên chuyên dụng, cho phép suy luận hiệu suất cao, tiết kiệm năng lượng trên phần cứng AI biên chuyên dụng.
Đây chỉ là một vài ví dụ, với nhiều tích hợp khác được hỗ trợ trên cả môi trường biên và sản xuất. Tính linh hoạt này cho phép một mô hình YOLO26 duy nhất chạy trên nhiều mục tiêu triển khai khác nhau. Nó giúp đơn giản hóa quy trình làm việc sản xuất và đưa Trí tuệ Nhân tạo Thị giác đến gần hơn với môi trường biên.
Được thiết kế để triển khai trong môi trường thực tế, YOLO26 có thể được sử dụng trong nhiều trường hợp ứng dụng thị giác máy tính khác nhau ở nhiều ngành công nghiệp. Dưới đây là một số ví dụ về các trường hợp có thể áp dụng:
Thành phố thông minh : Trong môi trường đô thị, YOLO26 có thể phân tích luồng video từ camera giao thông và không gian công cộng. Điều này cho phép các ứng dụng như giám sát giao thông, an ninh công cộng và quản lý cơ sở hạ tầng ở cấp độ biên.
Ultralytics YOLO26 có thể được sử dụng thông qua hai quy trình làm việc bổ sung cho nhau, tùy thuộc vào cách bạn xây dựng và triển khai trí tuệ nhân tạo thị giác.
Phương án 1: Sử dụng Ultralytics YOLO26 thông qua Ultralytics Nền tảng (được đề xuất)
Cái Ultralytics Nền tảng này cung cấp một phương thức tập trung để huấn luyện, triển khai và giám sát các mô hình YOLO26 trong môi trường sản xuất. Nó kết hợp các tập dữ liệu, thử nghiệm và triển khai tại một nơi duy nhất, giúp dễ dàng quản lý quy trình làm việc AI thị giác ở quy mô lớn, đặc biệt là đối với các nhóm triển khai trên môi trường biên và sản xuất.
Thông qua Nền tảng này, người dùng có thể:
👉 Khám phá YOLO26 trên Ultralytics Nền tảng ultralytics ultralytics
Phương án 2: Sử dụng Ultralytics YOLO26 thông qua quy trình làm việc mã nguồn mở
YOLO26 vẫn hoàn toàn có thể truy cập được thông qua Ultralytics ' hệ sinh thái mã nguồn mở và có thể được sử dụng với các hệ thống hiện có Python Các quy trình làm việc dựa trên thư viện để huấn luyện, suy luận và xuất dữ liệu.
Các nhà phát triển có thể cài đặt Ultralytics đóng gói, tải các mô hình YOLO26 đã được huấn luyện trước và triển khai chúng bằng các công cụ và định dạng quen thuộc như... ONNX , TensorRT , CoreML , hoặc OpenVINO .
pip install ultralyticsfrom ultralytics import YOLO
# Load a COCO-pretrained YOLO26n model
model = YOLO("yolo26n.pt")
# Run inference with the YOLO26n model on the 'bus.jpg' image
results = model("path/to/bus.jpg")Đối với người dùng muốn tự mình kiểm soát hoặc tùy chỉnh quy trình, tài liệu và hướng dẫn đầy đủ có sẵn trong [tên tài liệu]. Ultralytics tài liệu.
Ultralytics YOLO26 được thiết kế để đáp ứng nhu cầu của các giải pháp AI thị giác trong tương lai, nơi các mô hình cần phải nhanh, hiệu quả và dễ triển khai trên phần cứng thực tế. Bằng cách cải thiện hiệu suất, đơn giản hóa việc triển khai và mở rộng khả năng của mô hình, YOLO26 phù hợp một cách tự nhiên với nhiều ứng dụng thực tế. YOLO26 thiết lập một tiêu chuẩn mới về cách xây dựng, triển khai và mở rộng quy mô AI thị giác. Chúng tôi rất hào hứng chờ xem cộng đồng sẽ sử dụng nó như thế nào để đưa vào các hệ thống thị giác máy tính thực tế.
Tham gia cộng đồng đang phát triển của chúng tôi và khám phá kho lưu trữ GitHub của chúng tôi để tìm kiếm các tài nguyên AI thực hành. Để xây dựng với Vision AI ngay hôm nay, hãy khám phá các tùy chọn cấp phép của chúng tôi. Tìm hiểu cách AI trong nông nghiệp đang chuyển đổi nền nông nghiệp và cách Vision AI trong robot đang định hình tương lai bằng cách truy cập các trang giải pháp của chúng tôi.
