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

Các hệ thống computer vision tiên tiến, thường được vận hành bởi mạng neural tích chập (CNN), cho phép máy móc phân tích và diễn giải dữ liệu trực quan từ hình ảnh và video, hiện đang được triển khai rộng rãi 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 các thiết bị biên, phần cứng nhúng, thiết bị Internet of Things (IoT), xử lý tại thiết bị (on-device processing) và các pipeline 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 chạy với tài nguyên tính toán hạn chế, đáp ứng các yêu cầu khắt khe về độ trễ và mở rộng quy mô mà không làm tăng đáng kể chi phí. Những ràng buộc này khiến hiệu suất trở thành một vấn đề đa chiều thay vì chỉ đơn thuần là độ chính xác.

Mặc dù độ chính xác vẫn rất quan trọng, nhưng việc mô hình chạy 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 việc hệ thống hoạt động hiệu quả như thế nào theo thời gian.

Các model computer vision như Ultralytics YOLO models đã phát triển dựa trên sự cân bằng này. Ví dụ, Ultralytics YOLOv8 thiết lập một nền tảng vững chắc và linh hoạt, Ultralytics YOLO11 tiến thêm một bước với tốc độ và độ chính xác được cải thiện, và Ultralytics YOLO26 xây dựng dựa 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 tôi sẽ so sánh Ultralytics YOLO26, YOLO11 và YOLOv8 để giúp bạn chọn đúng mô hình cho dự án computer vision của mình. Hãy bắt đầu thôi!

Tìm hiểu cách các mô hình Ultralytics YOLO đã phát triển#

Mỗi phiên bản của các mô hình Ultralytics YOLO đều giới thiệu những cải tiến để đáp ứng tốt hơn các yêu cầu thực tế và giúp computer vision trở nên dễ tiếp cận hơn. Những cập nhật này đã làm cho các mô hình nhanh hơn, hiệu quả hơn và dễ triển khai hơn, hỗ trợ sự phát triển của hệ sinh thái vision AI.

Chúng cũng được xây dựng trên PyTorch, giúp dễ dàng huấn luyện, tùy chỉnh và tích hợp vào các workflow machine learning thông minh. Ngay từ khi xuất xưởng, các mô hình Ultralytics YOLO đã có sẵn dưới dạng mô hình được huấn luyện trước, thường được đào tạo trên các tập dữ liệu như COCO, cho phép các nhóm bắt đầu nhanh chóng và tinh chỉnh (fine-tune) chúng cho các trường hợp sử dụng cụ thể.

Thêm vào đó, 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 dễ dàng hơn trên các nền tảng phần cứng khác nhau, từ thiết bị biên đến các hệ thống tăng tốc bằng GPU.

Từ Ultralytics YOLOv5 đến Ultralytics YOLO26#

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

Các bản cập nhật sau đó đã giới thiệu các biến thể không cần anchor (anchor-free), trong đó mô hình dự đoán trực tiếp vị trí vật thể thay vì sử dụng các anchor box được xác định trước, giúp việc phát hiện linh hoạt hơn. Tuy nhiên, mô hình gốc vẫn tập trung chủ yếu vào các tác vụ phát hiện vật thể.

Dựa trên nền tảng này, Ultralytics YOLOv8 đã mở rộng phạm vi của dòng model. Thay vì chỉ tập trung vào object detection, nó bổ sung hỗ trợ cho nhiều computer vision tasks như instance segmentation, image classification, pose estimation và oriented bounding box (OBB) detection. Model này cũng mang lại các cải tiến về kiến trúc, bao gồm thiết kế backbone và neck nâng cao, giúp cải thiện tính năng trích xuất đặc trưng và hiệu suất detection tổng thể.

Hơn nữa, các biến thể như YOLOv8n (Nano), YOLOv8s (Small), YOLOv8m (Medium), YOLOv8l (Large) và YOLOv8x (Extra Large) mang đến cho các lập trình viên 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 biến nó thành lựa chọn hàng đầu cho nhiều ứng dụng thị giác máy tính.

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

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

Sự bổ sung mới nhất vào dòng mô hình Ultralytics YOLO, YOLO26, là một mô hình hiện đại đặt ra tiêu chuẩn mới cho vision AI ưu tiên biên, mang lại cách tiếp cận 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, đồng thời đơn giản hóa việc triển khai và cải thiện hiệu suất thời gian thực trên nhiều ứng dụng.

So sánh YOLO26, YOLO11 và YOLOv8#

Khi thực hiện các dự án computer vision, bạn có thể bắt gặp các mô hình Ultralytics khác nhau và tự hỏi mô hình nào phù hợp cho dự án của mình. Hãy cùng xem xét cách YOLO26, YOLO11 và YOLOv8 so sánh trong các tình huống thực tế.

Ultralytics YOLOv8 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 biến model này thành lựa chọn hàng đầu cho nhiều đội ngũ trong quá khứ. Nếu bạn đang tìm kiếm một model có tài liệu đầy đủ cùng nhiều hướng dẫn, tài liệu tham khảo và tài nguyên cộng đồng, YOLOv8 là một điểm khởi đầu tuyệt vời.

Vào năm 2024, Ultralytics YOLO11 được ra mắt với những cải tiến về cả hiệu suất lẫn độ hiệu quả. Model này mang lại tốc độ và độ chính xác tốt hơn so với YOLOv8, đồng thời 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 môi trường sản xuất mà không làm tăng đáng kể lượng tài nguyên sử dụng.

Năm nay, Ultralytics YOLO26 được phát hành như là phiên bản mới nhất, tập trung vào việc deployment hiệu quả ở quy mô lớn. Model mang lại tốc độ inference trên CPU nhanh hơn và tối ưu hóa tài nguyên tốt hơn, cho phép các team chạy nhiều khối lượng công việc hơn trên cùng một phần cứng.

Chẳng hạn, model nano của Ultralytics YOLO26 có thể đạt tốc độ suy luận nhanh hơn tới 43% so với YOLO11 trên các đơn vị xử lý trung tâm (CPU), biến đây thành lựa chọn tuyệt vời cho các môi trường biên và bị hạn chế tài nguyên. Điều này đặc biệt quan trọng vì các thiết lập truyền thống thường phụ thuộc nhiều vào các đơn vị xử lý đồ họa (GPU), vốn có thể tốn kém và khó mở rộng quy mô hơn.

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

Nhìn chung, Ultralytics YOLO26 là một lựa chọn vững chắc cho các team và cá nhân muốn tối ưu hóa sự đánh đổi giữa performance, chi phí và khả năng mở rộng.

Cái nhìn sâu hơn về Ultralytics YOLO26#

Ultralytics YOLO26 là một model state-of-the-art được thiết kế cho việc triển khai trong thế giới thực, nơi hiệu suất, tốc độ và khả năng mở rộng quan trọng không kém độ chính xác. Thay vì chỉ tập trung cải thiện hiệu năng benchmark, nó giới thiệu các 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 edge và production, nơi tài nguyên tính toán hạn chế, ràng buộc độ trễ và các yếu tố chi phí đóng vai trò then chốt. Bằng cách đơn giản hóa quá trình inference và tối ưu hóa hiệu năng, Ultralytics YOLO26 cho phép các AI enthusiast xây dựng và mở rộng các ứng dụng thị giác máy tính một cách hiệu quả hơn.

Dưới đây là một cái nhìn cận cảnh về một số tính năng chính của Ultralytics YOLO26:

• Inference không cần NMS end-to-end: Một trong những thay đổi quan trọng là Non-Maximum Suppression-free (NMS) design, giúp loại bỏ nhu cầu xử lý hậu kỳ (post-processing). Nói một cách đơn giản, model tạo ra các dự đoán cuối cùng trực tiếp. Nhờ đó, độ trễ trở nên dễ dự đoán hơn và việc triển khai trở nên dễ dàng hơn.
• Loại bỏ DFL: Ultralytics YOLO26 loại bỏ module Distribution Focal Loss (DFL) để chuyển sang cách tiếp cận dự đoán bounding box đơn giản hơn. Thay đổi này phù hợp với thiết kế end-to-end, không dùng NMS của nó, giúp giảm độ phức tạp của pipeline và cải thiện tính nhất quán khi triển khai.
• Bộ tối ưu hóa MuSGD: Các mô hình Ultralytics YOLO mới nhất giới thiệu MuSGD, một bộ tối ưu hóa lai kết hợp Stochastic Gradient Descent (SGD) với các bản cập nhật lấy cảm hứng từ Muon. Điều này 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 trên các kích thước mô hình khác nhau.
• ProgLoss và STAL: Các training innovations này, Cân bằng tổn thất tiến bộ (ProgLoss) và Gán nhãn nhận thức vật thể nhỏ (STAL), giúp model ổn định và đáng tin cậy hơn. ProgLoss giúp model học từ các tập dữ liệu theo từng giai đoạn qua 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 xa các benchmark để đạt được hiệu suất thực tế#

Để đặt sự khác biệt giữa YOLO26, YOLO11 và YOLOv8 vào bối cảnh, hãy hiểu rõ hơn về các yếu tố thúc đẩy hiệu suất mô hình trong thực tế.

Độ chính xác, thường được đo bằng các chỉ số hiệu suất như mAP, từ lâu đã là một cách quan trọng để đánh giá các mô hình computer vision. Nó cho thấy mô hình hoạt động tốt như thế nào trong các điều kiện tiêu chuẩn và rất hữu ích khi so sánh các phiên bản khác nhau.

Tuy nhiên, khi các mô hình chuyển từ thử nghiệm sang triển khai thực tế, chỉ riêng độ chính xác là không đủ. Hiệu suất trong production phụ thuộc vào các yếu tố như kích thước mô hình, thời gian inference 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 có kiểm soát, môi trường thực tế thường không thể đoán trước. Điều kiện ánh sáng có thể thay đổi, các vật thể có thể bị che khuất một phần và dữ liệu đầu vào có thể khác biệt đáng kể so với dữ liệu được dùng để huấn luyện mô hình. Những biến đổi này có thể ảnh hưởng đến mức độ nhất quán của mô hình trong thực tế.

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

Ví dụ, hãy xem xét một thiết lập với hàng trăm camera trong một thành phố thông minh, cửa hàng bán lẻ hoặc nhà kho. Mỗi luồng cần được xử lý trong thời gian thực, thường yêu cầu tốc độ khung hình (FPS) nhất quán để tránh độ trễ hoặc mất khung hình.

Một mô hình kém hiệu quả hơn có thể xử lý ít luồng đồng thời hơn trên một hệ thống nhất định, điều này 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 Ultralytics YOLO26, có thể xử lý nhiều stream hơn trên cùng một phần cứng, tận dụng tốt hơn các tài nguyên có sẵn. Điều này cải thiện hiệu suất tổng thể của hệ thống và giúp việc mở rộng quy mô triển khai theo thời gian trở nên dễ dàng hơn.

Để tìm hiểu sâu hơn về YOLO26 so với YOLO11 và YOLOv8, hãy xem official Ultralytics docs.

Các điểm chính cần lưu ý#

Dòng mô hình Ultralytics YOLO đã phát triển để phù hợp hơn với nhu cầu triển khai thực tế. Mỗi phiên bản được xây dựng dựa trên phiên bản trước, với sự tập trung ngày càng tăng 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 đưa AI thị giác vào hoạt động của mình? Hãy xem các licensing options của chúng tôi. Bạn cũng có thể truy cập các trang giải pháp của chúng tôi để xem AI in manufacturing đang biến đổi các nhà máy như thế nào và vision AI in robotics đang định hình tương lai ra sao. Hãy tham gia community đang phát triển của chúng tôi và khám phá GitHub repository của chúng tôi để tìm tài nguyên về AI.