Ultralytics YOLO26, YOLO11 hay YOLOv8: Nên dùng model nào?

Các hệ thống thị giác máy tính tiên tiến, thường được vận hành bằng mạng nơ-ron tích chập (CNN), cho phép máy móc phân tích và diễn giải dữ liệu hình ảnh từ ảnh và video, đồng thời hiện đang được triển khai trong nhiều môi trường khác nhau.

Từ nông nghiệp đến sản xuất và bán lẻ, các hệ thống này hoạt động trong nhiều môi trường triển khai khác nhau, bao gồm thiết bị edge, phần cứng nhúng, thiết bị Internet vạn vật (IoT), xử lý trên thiết bị và các pipeline đám mây quy mô lớn hỗ trợ ứng dụng thời gian thực.

Trong ứng dụng thực tế, việc triển khai các model này không phải lúc nào cũng đơn giản. Chúng thường cần chạy với năng lực tính toán hạn chế, đáp ứng các yêu cầu độ trễ nghiêm ngặt và mở rộng quy mô mà không làm tăng đáng kể chi phí. Những giới hạn này khiến hiệu suất trở thành một bài toán đa chiều, thay vì chỉ xoay quanh độ chính xác.

Độ chính xác vẫn quan trọng, nhưng việc model vận hành hiệu quả trong môi trường production cũng quan trọng không kém. Các yếu tố như tốc độ, mức sử dụng tài nguyên và khả năng mở rộng đóng vai trò lớn trong hiệu suất lâu dài của hệ thống.

Các model thị giác máy tính như các model Ultralytics YOLO đã phát triển theo hướng cân bằng này. Ví dụ, Ultralytics YOLOv8 tạo nền tảng vững chắc và linh hoạt, Ultralytics YOLO11 tiếp tục cải tiến với tốc độ và độ chính xác cao hơn, còn Ultralytics YOLO26 phát triển hơn nữa với thiết kế nhẹ hơn, nhanh hơn và hiệu quả hơn bao giờ hết.

Hình 1. Dùng Ultralytics YOLO26 để phát hiện đối tượng trong ảnh (Nguồn)

Trong bài viết này, chúng ta sẽ so sánh Ultralytics YOLO26, YOLO11 và YOLOv8 để giúp bạn chọn model phù hợp cho dự án thị giác máy tính. Hãy bắt đầu!

Tìm hiểu quá trình phát triển của các model Ultralytics YOLO#

Mỗi phiên bản Ultralytics YOLO đều mang đến những cải tiến nhằm đáp ứng tốt hơn các yêu cầu thực tế và giúp thị giác máy tính dễ tiếp cận hơn. Những cập nhật này giúp model nhanh hơn, hiệu quả hơn và dễ triển khai hơn, đồng thời thúc đẩy sự phát triển của hệ sinh thái AI thị giác.

Các model này cũng được xây dựng trên PyTorch, nhờ đó dễ huấn luyện, tùy chỉnh và tích hợp vào quy trình machine learning thông minh. Các model Ultralytics YOLO có sẵn dưới dạng model được huấn luyện trước, thường huấn luyện trên các dataset như dataset COCO, giúp các nhóm bắt đầu nhanh chóng và tinh chỉnh model cho các trường hợp sử dụng cụ thể.

Ngoài ra, package Python Ultralytics đơn giản hóa việc triển khai bằng cách tích hợp sẵn hỗ trợ xuất model sang các định dạng như ONNX và TensorRT. Nhờ đó, việc tích hợp model trên các nền tảng phần cứng khác nhau trở nên dễ dàng hơn, từ thiết bị edge đến hệ thống tăng tốc bằng GPU.

Từ Ultralytics YOLOv5 đến Ultralytics YOLO26#

Model Ultralytics YOLO đầu tiên, Ultralytics YOLOv5, trở nên phổ biến rộng rãi nhờ khả năng phát hiện đối tượng đáng tin cậy. Được xây dựng theo phương pháp phát hiện một giai đoạn, model cho phép tạo dự đoán nhanh theo thời gian thực chỉ trong một lượt xử lý, rất phù hợp với quy trình production.

Các bản cập nhật sau này giới thiệu những biến thể không dùng anchor, trong đó model dự đoán trực tiếp vị trí đối tượng thay vì sử dụng anchor box được định nghĩa trước, giúp quá trình phát hiện linh hoạt hơn. Tuy nhiên, model ban đầu vẫn chủ yếu tập trung vào các tác vụ phát hiện đối tượng.

Dựa trên nền tảng này, Ultralytics YOLOv8 mở rộng phạm vi năng lực của dòng model. Thay vì chỉ tập trung vào phát hiện đối tượng, model bổ sung hỗ trợ cho nhiều tác vụ thị giác máy tính như phân đoạn instance, phân loại ảnh, ước tính pose và phát hiện bounding box định hướng (OBB). Model cũng mang đến những cải tiến về kiến trúc, bao gồm thiết kế backbone và neck tiên tiến, giúp nâng cao khả năng trích xuất đặc trưng và hiệu suất phát hiện tổng thể.

Ngoài ra, các biến thể như YOLOv8n (Nano), YOLOv8s (Small), YOLOv8m (Medium), YOLOv8l (Large) và YOLOv8x (Extra Large) giúp nhà phát triển linh hoạt cân bằng tốc độ, độ chính xác và mức sử dụng tài nguyên theo nhu cầu. Năng lực mở rộng này, kết hợp với tính dễ sử dụng, khiến model trở thành lựa chọn hàng đầu cho nhiều ứng dụng thị giác.

Hình 2. Các model YOLO như YOLOv8, YOLO11 và YOLO26 hỗ trợ nhiều tác vụ thị giác.

Tiếp theo, Ultralytics YOLO11 tập trung cải thiện hiệu suất trong các quy trình thực tế, mang lại độ chính xác cao hơn cùng tốc độ suy luận nhanh hơn. Với kiến trúc nhẹ hơn, model hoạt động hiệu quả cả trong môi trường edge lẫn đám mây, đồng thời tương thích với các pipeline YOLOv8 hiện có.

Phiên bản mới nhất trong dòng model Ultralytics YOLO, YOLO26, là model tiên tiến đặt ra tiêu chuẩn mới cho AI thị giác ưu tiên edge, mang đến phương thức triển khai thực tế nhẹ hơn, nhanh hơn và hiệu quả hơn. Model được thiết kế để chạy hiệu quả trên CPU và hệ thống nhúng, đồng thời đơn giản hóa việc triển khai và cải thiện hiệu suất thời gian thực trong nhiều ứng dụng.

So sánh YOLO26, YOLO11 và YOLOv8#

Khi thực hiện các dự án thị giác máy tính, bạn có thể bắt gặp nhiều model Ultralytics khác nhau và tự hỏi model nào phù hợp với dự án của mình. Hãy cùng tìm hiểu cách YOLO26, YOLO11 và YOLOv8 so sánh trong các tình huống thực tế.

Ultralytics YOLOv8 được phát hành vào năm 2023 và từ đó được cộng đồng thị giác máy tính sử dụng rộng rãi. Sự hỗ trợ mạnh mẽ từ cộng đồng và tính dễ sử dụng đã khiến model này trở thành lựa chọn hàng đầu của nhiều nhóm trong thời gian qua. Nếu bạn đang tìm một model có tài liệu đầy đủ, cùng nhiều hướng dẫn, chỉ dẫn và tài nguyên cộng đồng, YOLOv8 là điểm khởi đầu tuyệt vời.

Năm 2024, Ultralytics YOLO11 được giới thiệu với những cải tiến về cả hiệu suất lẫn hiệu quả. Model có tốc độ và độ chính xác cao hơn YOLOv8, đồng thời vẫn duy trì kiến trúc nhỏ gọn và được tối ưu hóa tốt hơn. Đây là model cân bằng hơn, hoạt động đáng tin cậy trong môi trường production mà không làm tăng đáng kể mức sử dụng tài nguyên.

Năm nay, Ultralytics YOLO26 được phát hành dưới dạng phiên bản mới nhất, tập trung vào triển khai hiệu quả ở quy mô lớn. Model mang lại tốc độ suy luận CPU nhanh hơn và khả năng sử dụng tài nguyên hiệu quả hơn, cho phép các nhóm chạy nhiều workload hơn trên cùng một phần cứng.

Ví dụ, model nano Ultralytics YOLO26 có thể đạt tốc độ suy luận nhanh hơn YOLO11 tới 43% trên bộ xử lý trung tâm (CPU), trở thành lựa chọn tuyệt vời cho môi trường edge và môi trường bị giới hạn tài nguyên. Điều này đặc biệt quan trọng vì các cấu hình truyền thống thường phụ thuộc nhiều vào bộ xử lý đồ họa (GPU), vốn có thể tốn kém và khó mở rộng hơn.

Hình 3. Đánh giá hiệu năng của YOLO26 trên CPU (Nguồn)

Nhìn chung, Ultralytics YOLO26 là lựa chọn phù hợp cho các nhóm và cá nhân muốn tối ưu hóa sự cân bằng giữa hiệu năng, chi phí và khả năng mở rộng.

Tìm hiểu kỹ hơn về Ultralytics YOLO26#

Ultralytics YOLO26 là model tiên tiến nhất được thiết kế để triển khai trong thực tế, nơi hiệu quả, tốc độ và khả năng mở rộng quan trọng không kém độ chính xác. Thay vì chỉ tập trung cải thiện hiệu năng trên benchmark, model này giới thiệu các thay đổi về kiến trúc và quy trình huấn luyện giúp model dễ chạy hơn, triển khai nhanh hơn và hoạt động đáng tin cậy hơn trên nhiều môi trường phần cứng khác nhau.

Những cải tiến này đặc biệt quan trọng đối với các hệ thống biên và hệ thống production, nơi tài nguyên tính toán hạn chế, yêu cầu về độ trễ và cân nhắc chi phí đóng vai trò then chốt. Bằng cách đơn giản hóa quá trình inference và tối ưu hiệu năng, Ultralytics YOLO26 giúp những người đam mê AI xây dựng và mở rộng ứng dụng thị giác hiệu quả hơn.

Dưới đây là một số tính năng chính của Ultralytics YOLO26:

• Inference end-to-end không cần NMS: Một trong những thay đổi quan trọng là thiết kế không cần NMS, loại bỏ nhu cầu hậu xử lý. Nói đơn giản, model trực tiếp tạo ra các dự đoán cuối cùng. Nhờ đó, độ trễ dễ dự đoán hơn và việc triển khai cũng dễ dàng hơn.
• Loại bỏ DFL: Ultralytics YOLO26 không còn sử dụng module Distribution Focal Loss (DFL), thay vào đó là phương pháp dự đoán bounding box đơn giản hơn. Thay đổi này phù hợp với thiết kế end-to-end không cần NMS, giúp giảm độ phức tạp của pipeline và tăng tính nhất quán khi triển khai.
• Optimizer MuSGD: Các model Ultralytics YOLO mới nhất giới thiệu MuSGD, một optimizer lai kết hợp Stochastic Gradient Descent (SGD) với các cập nhật lấy cảm hứng từ Muon. Cách này cải thiện độ ổn định và khả năng hội tụ khi huấn luyện, giúp quá trình tối ưu mượt mà hơn và hành vi nhất quán hơn giữa các kích thước model khác nhau.
• ProgLoss và STAL: Những cải tiến trong huấn luyện này, Progressive Loss Balancing (ProgLoss) và Small-Target-Aware Label Assignment (STAL), giúp model ổn định và đáng tin cậy hơn. ProgLoss giúp model học từ các dataset theo từng giai đoạn, trong khi STAL đảm bảo các đối tượng nhỏ không bị bỏ qua trong quá trình huấn luyện, từ đó cải thiện khả năng phát hiện trong những cảnh phức tạp.

Độ chính xác và hiệu quả: Vượt ra ngoài benchmark để đạt hiệu năng thực tế#

Để hiểu rõ sự khác biệt giữa YOLO26, YOLO11 và YOLOv8, hãy cùng tìm hiểu sâu hơn về các yếu tố quyết định hiệu năng của model trong thực tế.

Độ chính xác, thường được đo bằng các chỉ số hiệu năng như độ chính xác trung bình (mAP), từ lâu đã là một cách quan trọng để đánh giá các model thị giác máy tính. Chỉ số này cho thấy model hoạt động tốt ra sao trong các điều kiện tiêu chuẩn hóa và hữu ích khi so sánh các phiên bản khác nhau.

Tuy nhiên, khi chuyển model từ giai đoạn kiểm thử sang triển khai thực tế, chỉ độ chính xác thôi là chưa đủ. Hiệu năng production phụ thuộc vào các yếu tố như kích thước model, thời gian inference hay độ trễ, mức sử dụng tài nguyên tính toán và khả năng mở rộng của hệ thống trên nhiều môi trường khác nhau.

Khác với các benchmark được kiểm soát, môi trường thực tế thường khó dự đoán. Điều kiện ánh sáng có thể thay đổi, đối tượng có thể bị che khuất một phần và dữ liệu đầu vào có thể khác đáng kể so với dữ liệu dùng để huấn luyện model. Những biến động này có thể ảnh hưởng đến tính nhất quán của model khi hoạt động thực tế.

Hình 4. Ví dụ về Ultralytics YOLO26 được sử dụng trong môi trường khó dự đoán, chẳng hạn như công trường xây dựng.

Ví dụ, hãy xét một hệ thống gồm hàng trăm camera trong thành phố thông minh, cửa hàng bán lẻ hoặc nhà kho. Mỗi luồng hình ảnh cần được xử lý theo thời gian thực, thường đòi hỏi tốc độ khung hình nhất quán (số khung hình mỗi giây, hay FPS) để tránh độ trễ hoặc mất khung hình.

Một model kém hiệu quả hơn có thể xử lý ít luồng đồng thời hơn trên cùng một hệ thống, đồng nghĩa với việc mở rộng thường cần thêm phần cứng và làm tăng chi phí hạ tầng.

Các model hiệu quả hơn như Ultralytics YOLO26 có thể xử lý nhiều luồng hơn trên cùng phần cứng, tận dụng tốt hơn tài nguyên sẵn có. Điều này cải thiện hiệu quả tổng thể của hệ thống và giúp dễ dàng mở rộng quy mô triển khai theo thời gian.

Để tìm hiểu sâu hơn về YOLO26 so với YOLO11 và YOLOv8, hãy xem tài liệu chính thức của Ultralytics.

Điểm chính cần ghi nhớ#

Dòng model Ultralytics YOLO đã phát triển để đáp ứng tốt hơn nhu cầu triển khai thực tế. Mỗi phiên bản kế thừa phiên bản trước, đồng thời ngày càng chú trọng đến hiệu quả, khả năng mở rộng và tính dễ triển khai. Nói cách khác, nếu bạn đang xây dựng ứng dụng phát hiện theo thời gian thực cần hoạt động đáng tin cậy ở quy mô lớn, Ultralytics YOLO26 là lựa chọn phù hợp.

Bạn muốn đưa AI thị giác vào hoạt động của mình? Hãy xem các lựa chọn cấp phép. Bạn cũng có thể truy cập các trang giải pháp để tìm hiểu cách AI trong sản xuất đang chuyển đổi các nhà máy và cách AI thị giác trong robot đang định hình tương lai. Tham gia cộng đồng ngày càng phát triển của chúng tôi và khám phá repository GitHub để tìm tài nguyên AI.