Ultralytics YOLO26 vs YOLO11 so với YOLOv8 Bạn nên dùng loại nào?

Các hệ thống thị giác máy tính tiên tiến, thường được hỗ trợ bởi mạng nơ-ron tích chập (CNN), cho phép máy móc phân tích và diễn giải dữ liệu hình ảnh từ ảnh và video, và 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 trên nhiều môi trường triển khai khác nhau, bao gồm các thiết bị biên, phần cứng nhúng, thiết bị Internet vạn vật (IoT), xử lý trên thiết bị và các đường dẫn đám mây quy mô lớn hỗ trợ các ứng dụng thời gian thực.

Trong thực tế, việc triển khai các mô hình này không phải lúc nào cũng đơn giản. Chúng thường cần hoạt động với tài nguyên tính toán hạn chế, đáp ứng các yêu cầu về độ trễ nghiêm ngặt và mở rộng quy mô mà không làm tăng chi phí đáng kể. Những ràng buộc này khiến hiệu năng trở thành một vấn đề đa chiều chứ không chỉ đơn thuần là về độ chính xác.

Mặc dù độ chính xác vẫn rất quan trọng, nhưng việc mô hình hoạt động 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 hiệu suất của hệ thống theo thời gian.

Các mô hình thị giác máy tính như mô hình Ultralytics YOLO đã được 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 đã tiến thêm một bước với tốc độ và độ chính xác được cải thiện, và Ultralytics YOLO26 xây dựng dựa trên điều này bằng cách nhẹ hơn, nhanh hơn và hiệu quả hơn bao giờ hết.

Trong bài viết này, chúng ta sẽ so sánh Ultralytics YOLO26 vs YOLO11 so với YOLOv8 Để giúp bạn chọn mô hình phù hợp cho dự án thị giác máy tính của mình. Bắt đầu nào!

Hiểu cách thức Ultralytics YOLO các mô hình đã phát triển

Mỗi lần lặp lại của Ultralytics YOLO Các mô hình đã được cải tiến để đáp ứng tốt hơn các yêu cầu thực tế và giúp thị giác máy tính dễ tiếp cận hơn. Những cập nhật này đã giúp các mô hình hoạt động 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 chúng dễ dàng được huấn luyện, tùy chỉnh và tích hợp vào quy trình làm việc của máy học thông minh. Ngay từ khi xuất xưởng, Ultralytics YOLO Các mô hình có sẵn dưới dạng mô hình được huấn luyện trước, thường được huấn luyện trên các tập dữ liệu như... COCO bộ dữ liệu này cho phép các nhóm bắt đầu nhanh chóng và tinh chỉnh chúng cho các trường hợp sử dụng cụ thể.

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

Đi từ Ultralytics YOLOv5 ĐẾN Ultralytics YOLO26

Đầu tiên Ultralytics YOLO Mô hình 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, nó cho phép dự đoán nhanh chóng, theo thời gian thực chỉ trong một lần xử lý, rất phù hợp với quy trình làm việc sản xuất. 

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

Dựa trên nền tảng này, YOLOv8 Nó đã mở rộng phạm vi của dòng mô hình. Thay vì chỉ tập trung vào phát hiện đối tượng, nó đã bổ sung hỗ trợ cho nhiều tác vụ thị giác máy tính như phân đoạn đối tượng, phân loại hình ảnh, ước lượng tư thế và phát hiện hộp giới hạn định hướng (OBB). Nó cũng mang lại những cải tiến về kiến ​​trúc, bao gồm thiết kế khung xương và cổ 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 (Bé nhỏ), YOLOv8m (Trung bình), YOLOv8l (Lớn), và YOLOv8x (Kích thước cực lớn) mang lại cho các nhà phát triển sự linh hoạt để cân bằng tốc độ, độ chính xác và mức sử dụng tài nguyên dựa trên nhu cầu của họ. Khả năng rộng hơn này, kết hợp với tính dễ sử dụng, đã khiến nó trở thành lựa chọn hàng đầu cho nhiều ứng dụng thị giác máy tính.

Tiếp theo đó, YOLO11 Tập trung vào việc cải thiện hiệu suất trong các quy trình làm việc thực tế, mang lại độ chính xác cao hơn cùng với tốc độ suy luận nhanh hơn. Với kiến ​​trúc gọn nhẹ, nó hoạt động tốt trên cả môi trường biên và đám mây, đồng thời tương thích với các hệ thống hiện có. YOLOv8 đường ống.

Sản phẩm mới nhất được bổ sung vào Ultralytics YOLO Mô hình YOLO26 là một mô hình tiên tiến, thiết lập tiêu chuẩn mới cho trí tuệ nhân tạo thị giác ưu tiên thiết bị đầu cuối, mang đến phương pháp triển khai thực tế nhẹ hơn, nhanh hơn và hiệu quả hơn. Nó được thiết kế để hoạt động hiệu quả trên CPU và hệ thống nhúng, đồng thời đơn giản hóa việc triển khai và cải thiện hiệu suất thời gian thực trên nhiều ứng dụng khác nhau.

So sánh YOLO26 với YOLO11 so với YOLOv8

Khi thực hiện các dự án về thị giác máy tính, bạn có thể gặp phải nhiều vấn đề khác nhau. Ultralytics Bạn đang phân vân giữa các mô hình và tự hỏi mô hình nào phù hợp với dự án của mình? Hãy cùng tìm hiểu sự khác biệt giữa YOLO26 và các mô hình khác. YOLO11 so với YOLOv8 So sánh trong các tình huống thực tế.

YOLOv8 Mô hình này được phát hành vào năm 2023 và đã được cộng đồng thị giác máy tính sử dụng rộng rãi kể từ đó. Sự hỗ trợ mạnh mẽ từ cộng đồng và tính dễ sử dụng đã khiến nó trở thành mô hình được nhiều nhóm lựa chọn trong quá khứ. Nếu bạn đang tìm kiếm một mô hình được tài liệu hóa tốt với nhiều hướng dẫn, tài liệu tham khảo và tài nguyên cộng đồng, YOLOv8 Đây là một điểm khởi đầu tuyệt vời.

Năm 2024, YOLO11 Được giới thiệu với những cải tiến về cả hiệu suất và hiệu quả. Nó mang lại tốc độ và độ chính xác tốt hơn so với... YOLOv8 Trong khi vẫn duy trì kiến ​​trúc nhỏ gọn và tối ưu hơn. Đây là mô hình cân bằng hơn, hoạt động đáng tin cậy trong môi trường sản xuất mà không làm tăng đáng kể mức sử dụng tài nguyên. 

Năm nay, YOLO26 được phát hành như phiên bản mới nhất, tập trung vào việc triển khai hiệu quả trên quy mô lớn. Nó mang lại tốc độ nhanh hơn. CPU Khả năng suy luận và tối ưu hóa việc sử dụng tài nguyên, cho phép các nhóm chạy nhiều khối lượng công việc hơn trên cùng một phần cứng. 

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

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

Xem xét kỹ hơn Ultralytics YOLO26

YOLO26 là một mô hình tiên tiến được thiết kế để triển khai trong môi trường thực tế, nơi hiệu quả, tốc độ và khả năng mở rộng quan trọng không kém gì độ chính xác. Thay vì chỉ tập trung vào việc cải thiện hiệu năng chuẩn, nó giới thiệu những thay đổi về kiến ​​trúc và huấn luyện giúp các mô hình 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 hệ thống sản xuất, nơi mà khả năng tính toán hạn chế, các ràng buộc về độ trễ và các yếu tố chi phí đóng vai trò then chốt. Bằng cách đơn giản hóa quá trình suy luận và tối ưu hóa hiệu năng, YOLO26 cho phép những người đam mê AI xây dựng và mở rộng quy mô các ứng dụng thị giác máy tính hiệu quả hơn.

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

• Suy luận không cần NMS từ đầu đến cuối : Một trong những thay đổi quan trọng là thiết kế không cần loại bỏ cực đại không tương thích ( NMS ) , giúp loại bỏ nhu cầu xử lý hậu kỳ. Nói một cách đơn giản, mô hình 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 từ mô-đun Distribution Focal Loss (DFL) sang phương pháp dự đoán hộp giới hạn đơn giản hơn. Thay đổi này phù hợp với chiến lược đầu cuối của nó, NMS - Thiết kế đơn giản, giảm độ phức tạp của quy trình và cải thiện tính nhất quán trong triển khai.
• Trình tối ưu hóa MuSGD: Phiên bản mới nhất Ultralytics YOLO các mô hình giới thiệu MuSGD, một thuật toán tối ưu hóa lai kết hợp giữa thuật toán giảm độ dốc ngẫu nhiên (Stochastic Gradient Descent) SGD ) với các cập nhật lấy cảm hứng từ Muon. Điều này cải thiện tính ổn định và sự hội tụ của quá trình huấn luyện, dẫn đến quá trình tối ưu hóa mượt mà hơn và hành vi nhất quán hơn trên các kích thước mô hình khác nhau.
• ProgLoss và STAL : Những cải tiến trong huấn luyện này, Cân bằng tổn thất tiến triển (ProgLoss) và Gán nhãn nhận biết mục tiêu nhỏ (STAL), giúp mô hình ổn định và đáng tin cậy hơn. ProgLoss giúp mô hình học hỏi từ các tập dữ liệu theo từng giai đoạn theo thời gian, trong khi STAL đảm bảo các đối tượng nhỏ không bị bỏ qua trong quá trình huấn luyện, cải thiện khả năng phát hiện trong các cảnh phức tạp.

Độ chính xác so với hiệu quả: Vượt ra ngoài các tiêu chuẩn để hướng đến hiệu suất thực tế

Để nêu bật những điểm khác biệt giữa YOLO26, YOLO11 , Và YOLOv8 Để dễ hiểu hơn, chúng ta hãy cùng tìm hiểu kỹ hơn các yếu tố ảnh hưởng đến hiệu suất của mô hình trong thực tế sử dụng.

Độ chính xác, thường được đo bằng các chỉ số hiệu suất như độ chính xác trung bình (mean average precision) mAP Phương pháp này từ lâu đã là một cách quan trọng để đánh giá các mô hình thị giác máy tính. Nó cho thấy mô hình hoạt động tốt như thế nào trong các điều kiện tiêu chuẩn và hữu ích khi so sánh các phiên bản khác nhau.

Tuy nhiên, khi các mô hình chuyển từ giai đoạn thử nghiệm sang triển khai thực tế, chỉ độ chính xác thôi là chưa đủ. Hiệu suất sản xuất phụ thuộc vào các yếu tố như kích thước mô hình, 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.

Khác với các tiêu chuẩn được kiểm soát, môi trường thực tế thường khó dự đoán. Điều kiện ánh sáng có thể thay đổi, các vật thể có thể chỉ hiển thị một phần, và dữ liệu đầu vào có thể khác biệt đáng kể so với dữ liệu mà mô hình được huấn luyện. Những biến thể này có thể ảnh hưởng đến tính nhất quán trong hiệu suất của mô hình trong thực tế.

Ví dụ, hãy xem xét một hệ thống với hàng trăm camera trong một 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 (khung hình mỗi giây, hay FPS) để tránh độ trễ hoặc mất khung hình. 

Một mô hình kém hiệu quả hơn có thể xử lý ít luồng dữ liệu đồng thời hơn trên một hệ thống nhất định, điều này có nghĩa là việc mở rộng quy mô thường đòi hỏi phần cứng bổ sung và làm tăng chi phí cơ sở hạ tầng.

Các mô hình 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 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 so với YOLOv8 Hãy xem tài liệu chính thức Ultralytics .

Những điều cần nhớ 

Cái Ultralytics YOLO Dòng sản phẩm này đã được cải tiến để đáp ứng tốt hơn nhu cầu triển khai thực tế. Mỗi phiên bản đều được xây dựng dựa trên phiên bản trước đó, với trọng tâm ngày càng tăng vào hiệu quả, khả năng mở rộng và dễ dàng triển khai. Nói cách khác, nếu bạn đang xây dựng một ứng dụng phát hiện thời gian thực cần hoạt động ổn định ở quy mô lớn, Ultralytics YOLO26 là một sự lựa chọn hoàn hảo.

Bạn đang muốn tích hợp trí tuệ nhân tạo thị giác vào hoạt động kinh doanh của mình? Hãy xem các tùy chọn cấp phép của chúng tôi. Bạn cũng có thể truy cập các trang giải pháp của chúng tôi để xem trí tuệ nhân tạo trong sản xuất đang chuyển đổi các nhà máy như thế nào và trí tuệ nhân tạo thị giác trong robot đang định hình tương lai ra sao. Tham gia cộng đồng đang phát triển của chúng tôi và khám phá kho lưu trữ GitHub của chúng tôi để tìm hiểu các tài nguyên về trí tuệ nhân tạo.