Ultralytics YOLO26 so với YOLO11 so với YOLOv8: Bạn nên sử dụng phiên bản nào?

Các hệ thống computer vision tiên tiến, thường được vận hành bởi các mạng thần kinh tích chập (CNN), cho phép máy tính phân tích và diễn giải dữ liệu thị giác từ hình ảnh và video, hiện đang được triển khai trên nhiều môi trường khác nhau.

Từ nông nghiệp đến sản xuất và bán lẻ, các hệ thống này vận hành trên nhiều môi trường triển khai, bao gồm thiết bị biên (edge devices), phần cứng nhúng, thiết bị Internet of Things (IoT), xử lý tại thiết bị (on-device processing) và các pipeline cloud quy mô lớn hỗ trợ các ứng dụng thời gian thực.

Trong thực tế, việc triển khai các model này không phải lúc nào cũng đơn giản. Chúng thường cần chạy với khả năng tính toán hạn chế, đáp ứng các yêu cầu khắt khe về độ trễ và mở rộng quy mô mà không làm tăng chi phí đáng kể. Những ràng buộc này biến hiệu suất thành một vấn đề đa chiều thay vì chỉ đơn thuần là độ chính xác.

Mặc dù độ chính xác vẫn quan trọng, nhưng việc một model chạy hiệu quả trong môi trường sản xuất 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 cách một hệ thống vận hành theo thời gian.

Các model computer vision như Ultralytics YOLO models đã phát triển với sự cân bằng này trong tâm trí. Ví dụ, Ultralytics YOLOv8 đã thiết lập một nền tảng mạnh mẽ và linh hoạt, Ultralytics YOLO11 tiến xa hơn với tốc độ và độ chính xác được cải thiện, và Ultralytics YOLO26 xây dựng trên nền tảng đó bằng cách trở nên nhẹ hơn, nhanh hơn và hiệu quả hơn bao giờ hết.

Hình 1. Sử dụng Ultralytics YOLO26 để phát hiện đối tượng trong hình ảnh (Nguồn)

Trong bài viết này, chúng ta sẽ so sánh Ultralytics YOLO26 so với YOLO11 so với YOLOv8 để giúp bạn chọn đúng model cho dự án computer vision của mình. Hãy cùng bắt đầu!

Link to this sectionHiểu về quá trình phát triển của các model Ultralytics YOLO#

Mỗi phiên bản của các model Ultralytics YOLO đều mang đến những cải tiến nhằm đáp ứng tốt hơn các yêu cầu thực tế và giúp computer vision trở nên dễ tiếp cận hơn. Những cập nhật này giúp các model trở nên nhanh hơn, hiệu quả hơn và dễ triển khai hơn, hỗ trợ sự phát triển của hệ sinh thái AI thị giác.

Chúng cũng được xây dựng trên PyTorch, giúp dễ dàng huấn luyện, tùy chỉnh và tích hợp vào các workflow học máy thông minh. Ngay khi sử dụng, các model Ultralytics YOLO đã có sẵn dưới dạng các model đã được huấn luyện trước, thường là trên các dataset như COCO dataset, cho phép các nhóm bắt đầu nhanh chóng và tinh chỉnh (fine-tune) chúng cho các trường hợp sử dụng cụ thể.

Ngoài ra, Ultralytics Python package đơn giản hóa việc triển khai bằng cách cung cấp hỗ trợ tích hợp để xuất model sang các định dạng như ONNX và TensorRT. Điều này giúp tích hợp các model trên các nền tảng phần cứng khác nhau dễ dàng hơn, từ thiết bị biên đến các hệ thống tăng tốc bằng GPU.

Link to this sectionTừ Ultralytics YOLOv5 đến Ultralytics YOLO26#

Model Ultralytics YOLO đầu tiên, Ultralytics YOLOv5, đã trở nên phổ biến rộng rãi nhờ khả năng phát hiện đối tượng đáng tin cậy. Được xây dựng trên phương pháp phát hiện một giai đoạn (one-stage), nó cho phép đưa ra dự đoán thời gian thực nhanh chóng trong một lần truyền qua, khiến nó rất phù hợp cho các workflow sản xuất.

Các bản cập nhật sau đó đã giới thiệu các biến thể không sử dụng anchor, nơi model dự đoán vị trí đối tượng trực tiếp thay vì sử dụng các khung anchor được xác định trước, giúp việc phát hiện linh hoạt hơn. Tuy nhiên, model ban đầu vẫn tập trung chủ yếu vào các tác vụ phát hiện đối tượng.

Xây dựng trên nền tảng này, YOLOv8 đã mở rộng phạm vi của dòng model. Thay vì chỉ tập trung vào phát hiện đối tượng, nó đã thêm hỗ trợ cho nhiều computer vision tasks như phân đoạn thực thể (instance segmentation), phân loại hình ảnh (image classification), ước tính tư thế (pose estimation) và phát hiện hộp bao định hướng (oriented bounding box - OBB). Nó cũng mang đến những cải tiến về kiến trúc, bao gồm các thiết kế backbone và neck tiên tiến, giúp tăng cường 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) mang đến cho các nhà phát triển sự linh hoạt để cân bằng giữa tốc độ, độ chính xác và mức sử dụng tài nguyên dựa trên nhu cầu của họ. Khả năng mở rộng này, kết hợp với tính dễ sử dụng, đã biến nó thành lựa chọn hàng đầu cho nhiều ứng dụng thị giác.

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

Tiếp theo đó, YOLO11 tập trung vào cải thiện hiệu suất trong các workflow thực tế, mang lại độ chính xác cao hơn cùng với tốc độ suy luận nhanh hơn. Với kiến trúc nhẹ hơn, nó hoạt động tốt trên cả môi trường biên và đám mây, đồng thời tương thích với các pipeline YOLOv8 hiện có.

Sản phẩm bổ sung mới nhất cho dòng model Ultralytics YOLO, YOLO26, là một model hiện đại thiết lập tiêu chuẩn mới cho AI thị giác ưu tiên thiết bị biên, mang đến phương pháp nhẹ hơn, nhanh hơn và hiệu quả hơn cho việc triển khai thực tế. Nó được thiết kế để chạy hiệu quả trên CPU và hệ thống nhúng trong khi đơn giản hóa việc triển khai và cải thiện hiệu suất thời gian thực trên nhiều ứng dụng.

Link to this sectionSo sánh YOLO26 so với YOLO11 so với YOLOv8#

Khi làm việc với các dự án computer vision, bạn có thể bắt gặp các model Ultralytics khác nhau và tự hỏi cái nào phù hợp với dự án của mình. Hãy cùng tìm hiểu cách YOLO26 so với YOLO11 so với YOLOv8 so sánh trong các tình huống thực tế.

YOLOv8 được phát hành vào năm 2023 và đã được cộng đồng computer vision sử dụng rộng rãi kể từ đó. Sự hỗ trợ cộng đồng mạnh mẽ và tính dễ sử dụng đã biến nó thành model hàng đầu cho nhiều nhóm trong quá khứ. Nếu bạn đang tìm kiếm một model có tài liệu đầy đủ với nhiều hướng dẫn và tài nguyên cộng đồng, YOLOv8 là một điểm khởi đầu tuyệt vời.

Năm 2024, YOLO11 được giới thiệu với những cải tiến cả về hiệu suất và hiệu quả. Nó cung cấp tốc độ và độ chính xác tốt hơn so với YOLOv8, trong khi vẫn duy trì kiến trúc nhỏ gọn và được tối ưu hóa hơn. Đây là một model cân bằng hơn, hoạt động đáng tin cậy trong sản xuất mà không làm tăng đáng kể mức sử dụng tài nguyên.

Năm nay, YOLO26 đã được phát hành như phiên bản mới nhất, tập trung vào việc triển khai hiệu quả ở quy mô lớn. Nó mang lại suy luận CPU nhanh hơn và cải thiện hiệu suất sử dụng tài nguyên, cho phép các nhóm chạy nhiều workload hơn trên cùng một phần cứng.

Ví dụ, model YOLO26 nano có thể đạt tốc độ suy luận nhanh hơn tới 43% so với YOLO11 trên các bộ xử lý trung tâm (CPU), khiến nó trở thành một lựa chọn tuyệt vời cho các môi trường biên và bị hạn chế về tài nguyên. Điều này đặc biệt quan trọng vì các thiết lập truyền thống thường dựa nhiều vào các bộ xử lý đồ họa (GPU), vốn có thể đắt đỏ và khó mở rộng quy mô hơn.

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

Nhìn chung, YOLO26 là một lựa chọn vững chắc cho các nhóm và cá nhân đang tìm cách tối ưu hóa sự cân bằng giữa hiệu suất, chi phí và khả năng mở rộng.

Link to this sectionXem xét kỹ hơn Ultralytics YOLO26#

YOLO26 là một model hiện đại được thiết kế để triển khai thực tế, nơi hiệu quả, tốc độ và khả năng mở rộng quan trọng ngang với độ chính xác. Thay vì chỉ tập trung vào việc cải thiện hiệu suất trên các benchmark, nó giới thiệu những thay đổi về kiến trúc và huấn luyện giúp các model dễ chạy hơn, triển khai nhanh hơn và đáng tin cậy hơn trên các môi trường phần cứng khác nhau.

Những cải tiến này đặc biệt quan trọng đối với các hệ thống biên và sản xuất, nơi khả năng tính toán hạn chế, ràng buộc về độ trễ và cân nhắc về chi phí đóng vai trò chủ chốt. Bằng cách đơn giản hóa quá trình suy luận và tối ưu hóa hiệu suất, YOLO26 cho phép những người đam mê AI xây dựng và mở rộng các ứng dụng thị giác hiệu quả hơn.

Dưới đây là cái nhìn sâu hơn về một số tính năng chính của YOLO26:

• Suy luận end-to-end không cần NMS: Một trong những thay đổi quan trọng là thiết kế Non-Maximum Suppression-free (NMS), giúp loại bỏ nhu cầu xử lý hậu kỳ (post-processing). Nói một cách đơn giản, model đưa ra dự đoán cuối cùng trực tiếp. Kết quả là, độ trễ trở nên dễ dự đoán hơn và việc triển khai trở nên dễ dàng hơn.
• Loại bỏ DFL: YOLO26 chuyển dịch từ module Distribution Focal Loss (DFL) sang một phương pháp dự đoán hộp bao 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 cải thiện tính nhất quán trong triển khai.
• Trình tối ưu hóa MuSGD: Các model Ultralytics YOLO mới nhất giới thiệu MuSGD, một trình tối ưu hóa lai kết hợp Stochastic Gradient Descent (SGD) với các bản cập nhật lấy cảm hứng từ Muon. Điều này giúp cải thiện độ ổn định và khả năng hội tụ khi huấn luyện, dẫn đến việc tối ưu hóa mượt mà hơn và hành vi nhất quán hơn giữa các kích thước model khác nhau.
• ProgLoss và STAL: Những đổi mới trong huấn luyện này, Progressive Loss Balancing (ProgLoss) và Small-Target-Aware Label Assignment (STAL), làm cho model ổn định và đáng tin cậy hơn. ProgLoss giúp model học từ các dataset theo từng giai đoạn theo thời gian, trong khi STAL đảm bảo các đối tượng nhỏ không bị bỏ sót trong quá trình huấn luyện, cải thiện khả năng phát hiện trong các cảnh phức tạp.

Link to this sectionĐộ chính xác so với hiệu quả: Vượt ra ngoài benchmark đến hiệu suất thực tế#

Để đưa ra sự khác biệt giữa YOLO26, YOLO11 và YOLOv8 vào bối cảnh, hãy hiểu rõ hơn về các yếu tố thúc đẩy hiệu suất model trong sử dụng thực tế.

Độ chính xác, thường được đo bằng các chỉ số hiệu suất như mean average precision (mAP), đã là một cách quan trọng để đánh giá các model computer vision trong một thời gian dài. Nó cho thấy mức độ hoạt động tốt của một model trong các điều kiện tiêu chuẩn và rất hữu ích khi so sánh các phiên bản khác nhau.

Tuy nhiên, khi các model chuyển từ thử nghiệm sang triển khai thực tế, chỉ độ chính xác là không đủ. Hiệu suất trong sản xuất phụ thuộc vào các yếu tố như kích thước model, thời gian suy luận hoặc độ trễ, mức sử dụng tài nguyên tính toán và khả năng mở rộng của hệ thống trên các môi trường khác nhau.

Không giống như 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 biệt đáng kể so với những gì model đã được huấn luyện. Những biến thể này có thể ảnh hưởng đến mức độ nhất quán mà một model thực hiện trong thực tế.

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

Ví dụ, hãy xem xét một thiết lập với hàng trăm camera trong thành phố thông minh, cửa hàng bán lẻ hoặc nhà kho. Mỗi luồng dữ liệu cần được xử lý trong thời gian thực, thường yêu cầu tốc độ khung hình ổn định (frames per second, 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 một hệ thống nhất định, điều đó có nghĩa là việc mở rộng quy mô thường yêu cầu thêm phần cứng và làm tăng chi phí cơ sở hạ tầng.

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

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

Link to this sectionCác điểm chính cần lưu ý#

Dòng model Ultralytics YOLO đã phát triển để phù hợp hơn với nhu cầu triển khai thực tế. Mỗi phiên bản đều xây dựng dựa trên phiên bản trước, với sự tập trung ngày càng lớn vào hiệu quả, khả năng mở rộng và tính dễ triển khai. Nói cách khác, nếu bạn đang xây dựng một ứng dụng phát hiện thời gian thực cần chạy đáng tin cậy ở quy mô lớn, Ultralytics YOLO26 là một lựa chọn hoàn hảo.

Bạn muốn mang AI thị giác vào hoạt động của mình? Hãy xem các tùy chọn cấp phép của chúng tôi. Bạn cũng có thể truy cập các trang giải pháp để xem cách AI trong sản xuất đang chuyển đổi các nhà máy và cách AI thị giác trong robotics đang định hình tương lai. Hãy tham gia cộng đồng đang phát triển của chúng tôi và khám phá kho lưu trữ GitHub để biết các tài nguyên AI.