Giải thích về YOLO12: Ứng dụng và trường hợp sử dụng thực tế

Thị giác máy tính là một nhánh của trí tuệ nhân tạo (AI), giúp máy móc hiểu hình ảnh và video. Đây là lĩnh vực phát triển với tốc độ đáng kinh ngạc vì các nhà nghiên cứu và nhà phát triển AI không ngừng mở rộng giới hạn. Cộng đồng AI luôn nỗ lực giúp model nhanh hơn, thông minh hơn và hiệu quả hơn. Một trong những đột phá mới nhất là YOLO12, phiên bản mới nhất trong dòng model YOLO (Bạn chỉ nhìn một lần), ra mắt ngày 18 tháng 2 năm 2025. Kể từ đó, Ultralytics YOLO26 đã trở thành model được đề xuất cho hầu hết khối lượng công việc trong môi trường production.

YOLO12 được phát triển bởi các nhà nghiên cứu từ University at Buffalo, SUNY (Đại học Bang New York) và University of Chinese Academy of Sciences. Với một phương pháp tiếp cận mới lạ, YOLO12 đưa vào các cơ chế attention, cho phép model tập trung vào những phần quan trọng nhất của hình ảnh thay vì xử lý mọi phần như nhau.

Model cũng có FlashAttention, một kỹ thuật tăng tốc xử lý đồng thời giảm mức sử dụng bộ nhớ, cùng cơ chế attention theo vùng được thiết kế để mô phỏng cách con người tự nhiên tập trung vào các đối tượng ở trung tâm.

Những cải tiến này giúp YOLO12n chính xác hơn YOLOv10n 2,1% và YOLO12m chính xác hơn YOLO11m 1,0%. Tuy nhiên, điều này đi kèm một sự đánh đổi: YOLO12n chậm hơn YOLOv10n 9%, còn YOLO12m chậm hơn YOLO11m 3%.

Hình 1. Ví dụ về việc sử dụng YOLO12 để phát hiện đối tượng.

Trong bài viết này, chúng ta sẽ tìm hiểu điểm khác biệt của YOLO12, cách model này so sánh với các phiên bản trước và những ứng dụng của model.

Hành trình đến ngày phát hành YOLO12#

Dòng model YOLO là tập hợp các model thị giác máy tính được thiết kế để phát hiện đối tượng theo thời gian thực, nghĩa là chúng có thể nhanh chóng nhận diện và xác định vị trí đối tượng trong hình ảnh và video. Qua thời gian, mỗi phiên bản đều được cải thiện về tốc độ, độ chính xác và hiệu quả.

Ví dụ, Ultralytics YOLOv5, ra mắt năm 2020, được sử dụng rộng rãi nhờ tốc độ nhanh và khả năng tùy chỉnh huấn luyện cũng như triển khai dễ dàng. Sau đó, Ultralytics YOLOv8 cải tiến phiên bản này bằng cách hỗ trợ thêm các tác vụ thị giác máy tính như phân đoạn instance và theo dõi đối tượng.

Gần đây hơn, Ultralytics YOLO11 tập trung cải thiện khả năng xử lý thời gian thực, đồng thời cân bằng giữa tốc độ và độ chính xác. Ví dụ, YOLO11m có số lượng tham số ít hơn YOLOv8m 22% nhưng vẫn cho hiệu suất phát hiện tốt hơn trên tập dữ liệu COCO, một benchmark được sử dụng rộng rãi để đánh giá model phát hiện đối tượng.

Dựa trên những tiến bộ này, YOLO12 thay đổi cách xử lý thông tin hình ảnh. Thay vì xem mọi phần của hình ảnh như nhau, model ưu tiên những vùng liên quan nhất để cải thiện độ chính xác phát hiện. Nói đơn giản, YOLO12 kế thừa các cải tiến trước đó và hướng đến độ chính xác cao hơn.

Các tính năng chính của YOLO12#

YOLO12 giới thiệu một số cải tiến giúp nâng cao các tác vụ thị giác máy tính mà vẫn duy trì tốc độ xử lý thời gian thực. Dưới đây là tổng quan về các tính năng chính của YOLO12:

• Kiến trúc lấy attention làm trung tâm: Thay vì xem mọi phần của hình ảnh như nhau, YOLO12 tập trung vào những vùng quan trọng nhất. Cách này cải thiện độ chính xác và giảm xử lý không cần thiết, giúp phát hiện rõ nét và hiệu quả hơn, kể cả trong hình ảnh có nhiều chi tiết phức tạp.
• FlashAttention: YOLO12 tăng tốc phân tích hình ảnh đồng thời giảm mức sử dụng bộ nhớ. Với FlashAttention (thuật toán tiết kiệm bộ nhớ), model tối ưu hóa việc xử lý dữ liệu, giảm tải cho phần cứng và giúp các tác vụ thời gian thực mượt mà, đáng tin cậy hơn.
• Mạng tổng hợp lớp hiệu quả dư (R-ELAN): YOLO12 tổ chức các lớp hiệu quả hơn bằng R-ELAN, giúp cải thiện cách model xử lý và học từ dữ liệu. Nhờ đó, quá trình huấn luyện ổn định hơn, khả năng nhận diện đối tượng sắc nét hơn và yêu cầu tính toán thấp hơn, cho phép model hoạt động hiệu quả trong nhiều môi trường khác nhau.

Để hình dung cách các tính năng này hoạt động trong thực tế, hãy xem xét một trung tâm thương mại. YOLO12 có thể giúp theo dõi khách mua sắm, nhận diện vật trang trí cửa hàng như cây cảnh hoặc biển quảng cáo, đồng thời phát hiện các món đồ bị đặt sai chỗ hoặc bỏ quên.

Kiến trúc lấy attention làm trung tâm giúp model tập trung vào những chi tiết quan trọng nhất, còn FlashAttention đảm bảo model xử lý mọi thứ nhanh chóng mà không làm quá tải hệ thống. Nhờ vậy, đơn vị vận hành trung tâm thương mại có thể dễ dàng cải thiện an ninh, sắp xếp bố cục cửa hàng và nâng cao trải nghiệm mua sắm tổng thể.

Hình 2. Phát hiện đối tượng trong trung tâm thương mại bằng YOLO12.

Tuy nhiên, YOLO12 cũng có một số hạn chế cần cân nhắc:

• Thời gian huấn luyện lâu hơn: Do kiến trúc của mình, YOLO12 cần nhiều thời gian huấn luyện hơn Ultralytics YOLO11.
• Thách thức khi export: Một số người dùng có thể gặp khó khăn khi export model YOLO12, đặc biệt là khi tích hợp model vào các môi trường triển khai cụ thể.

Tìm hiểu các benchmark hiệu suất của YOLO12#

YOLO12 có nhiều biến thể, mỗi biến thể được tối ưu cho các nhu cầu khác nhau. Các phiên bản nhỏ hơn (nano và small) ưu tiên tốc độ và hiệu quả, nên phù hợp với thiết bị di động và điện toán biên. Các phiên bản medium và large cân bằng giữa tốc độ và độ chính xác, trong khi YOLO12x (extra large) được thiết kế cho các ứng dụng đòi hỏi độ chính xác cao như tự động hóa công nghiệp, chẩn đoán hình ảnh y khoa và hệ thống giám sát tiên tiến.

Với các biến thể này, YOLO12 mang lại những mức hiệu suất khác nhau tùy theo kích thước model. Các bài kiểm tra benchmark cho thấy một số biến thể YOLO12 vượt trội hơn YOLOv10 và Ultralytics YOLO11 về độ chính xác, đạt mean average precision (mAP) cao hơn.

Tuy nhiên, một số model như YOLO12m, YOLO12l và YOLO12x xử lý hình ảnh chậm hơn YOLO11, cho thấy sự đánh đổi giữa độ chính xác phát hiện và tốc độ. Dù vậy, YOLO12 vẫn hiệu quả và cần ít tham số hơn nhiều model khác, mặc dù vẫn cần nhiều tham số hơn YOLO11. Đây là lựa chọn phù hợp cho các ứng dụng coi trọng độ chính xác hơn tốc độ xử lý thuần túy.

Hình 3. So sánh Ultralytics YOLO11 và YOLO12.

Sử dụng YOLO12 thông qua package Python Ultralytics#

YOLO12 được package Python Ultralytics hỗ trợ và dễ sử dụng, phù hợp cho cả người mới bắt đầu lẫn chuyên gia. Chỉ với vài dòng code, người dùng có thể tải model đã huấn luyện trước, chạy nhiều tác vụ thị giác máy tính trên hình ảnh và video, đồng thời huấn luyện YOLO12 trên các dataset tùy chỉnh. Package Python Ultralytics đơn giản hóa quy trình, loại bỏ nhu cầu thực hiện các bước thiết lập phức tạp.

Ví dụ, dưới đây là các bước bạn sẽ thực hiện để dùng YOLO12 phát hiện đối tượng:

• Cài đặt package Ultralytics: Trước tiên, hãy cài đặt package Python Ultralytics, cung cấp các công cụ cần thiết để chạy YOLO12 hiệu quả. Bước này đảm bảo mọi dependency được thiết lập chính xác.
• Tải model YOLO12 đã huấn luyện trước: Chọn biến thể YOLO12 phù hợp (nano, small, medium, large hoặc extra large) dựa trên mức độ chính xác và tốc độ cần thiết cho tác vụ của bạn.
• Cung cấp hình ảnh hoặc video: Nhập tệp hình ảnh hoặc video bạn muốn phân tích. YOLO12 cũng có thể xử lý luồng video trực tiếp để phát hiện theo thời gian thực.
• Chạy quy trình phát hiện: Model quét dữ liệu hình ảnh, nhận diện đối tượng và vẽ bounding box quanh các đối tượng đó. Model gán nhãn cho từng đối tượng được phát hiện bằng class dự đoán và điểm confidence.
• Điều chỉnh cài đặt phát hiện: Bạn cũng có thể thay đổi các tham số như ngưỡng confidence để tinh chỉnh độ chính xác và hiệu suất phát hiện.
• Lưu hoặc sử dụng đầu ra: Hình ảnh hoặc video đã xử lý, hiện có chứa các đối tượng được phát hiện, có thể được lưu hoặc tích hợp vào ứng dụng để phân tích, tự động hóa hoặc ra quyết định thêm.

Các bước này giúp YOLO12 dễ sử dụng trong nhiều ứng dụng, từ giám sát và theo dõi bán lẻ đến chẩn đoán hình ảnh y khoa và xe tự hành.

Các ứng dụng thực tiễn của YOLO12#

YOLO12 có thể được sử dụng trong nhiều ứng dụng thực tế nhờ hỗ trợ phát hiện đối tượng, phân đoạn thực thể, phân loại hình ảnh, ước tính tư thế và phát hiện đối tượng có định hướng (OBB), dù hiện tại trọng số tiền huấn luyện chỉ được phát hành cho tác vụ phát hiện.

Hình 4. YOLO12 hỗ trợ các tác vụ như phát hiện đối tượng và phân đoạn instance.

Tuy nhiên, như đã đề cập, các model YOLO12 ưu tiên độ chính xác hơn tốc độ, nghĩa là xử lý hình ảnh lâu hơn một chút so với các phiên bản trước. Sự đánh đổi này khiến YOLO12 phù hợp với các ứng dụng coi trọng độ chính xác hơn tốc độ thời gian thực, chẳng hạn như:

• Chẩn đoán hình ảnh y khoa: YOLO12 có thể được huấn luyện tùy chỉnh để phát hiện khối u hoặc bất thường trong ảnh X-quang và MRI với độ chính xác cao, trở thành công cụ hữu ích cho bác sĩ và bác sĩ chẩn đoán hình ảnh cần phân tích ảnh chính xác để chẩn đoán.
• Kiểm soát chất lượng trong sản xuất: Công nghệ này có thể giúp nhận diện lỗi sản phẩm trong quá trình sản xuất, đảm bảo chỉ những sản phẩm chất lượng cao được đưa ra thị trường, đồng thời giảm lãng phí và cải thiện hiệu quả.
• Phân tích pháp y: Các cơ quan thực thi pháp luật có thể tinh chỉnh YOLO12 để phân tích cảnh quay giám sát và thu thập bằng chứng. Trong điều tra hình sự, độ chính xác đóng vai trò thiết yếu để nhận diện các chi tiết quan trọng.
• Nông nghiệp chính xác: Nông dân có thể dùng YOLO12 để phân tích sức khỏe cây trồng, phát hiện bệnh hoặc sâu bệnh và theo dõi điều kiện đất. Đánh giá chính xác giúp tối ưu hóa chiến lược canh tác, qua đó cải thiện năng suất và quản lý tài nguyên.

Bắt đầu sử dụng YOLO12#

Trước khi chạy YOLO12, điều quan trọng là phải đảm bảo hệ thống đáp ứng các yêu cầu cần thiết.

Về mặt kỹ thuật, YOLO12 có thể chạy trên mọi GPU (bộ xử lý đồ họa) chuyên dụng. Theo mặc định, model không yêu cầu FlashAttention nên có thể hoạt động trên hầu hết các hệ thống GPU mà không cần tính năng này. Tuy nhiên, bật FlashAttention đặc biệt hữu ích khi làm việc với dataset lớn hoặc hình ảnh độ phân giải cao, vì tính năng này giúp tránh chậm trễ, giảm mức sử dụng bộ nhớ và cải thiện hiệu quả xử lý.

Để sử dụng FlashAttention, bạn cần GPU NVIDIA thuộc một trong các dòng sau: Turing (T4, Quadro RTX), Ampere (dòng RTX 30, A30, A40, A100), Ada Lovelace (dòng RTX 40) hoặc Hopper (H100, H200).

Nhằm đảm bảo tính dễ sử dụng và khả năng tiếp cận, FlashAttention là tùy chọn trong package Ultralytics Python và phải được biên dịch riêng, vì quá trình cài đặt có thể khá phức tạp về mặt kỹ thuật. Để tìm hiểu thêm về cách bắt đầu với YOLO12 và tối ưu hiệu năng, hãy xem tài liệu chính thức của Ultralytics.

Điểm chính cần ghi nhớ#

Khi thị giác máy tính phát triển, model ngày càng chính xác và hiệu quả hơn. YOLO12 cải thiện các tác vụ thị giác máy tính như phát hiện đối tượng, phân đoạn instance và phân loại hình ảnh nhờ quy trình xử lý lấy attention làm trung tâm và FlashAttention, qua đó nâng cao độ chính xác đồng thời tối ưu hóa mức sử dụng bộ nhớ.

Đồng thời, thị giác máy tính đang trở nên dễ tiếp cận hơn bao giờ hết. YOLO12 dễ sử dụng thông qua package Python Ultralytics và nhờ ưu tiên độ chính xác hơn tốc độ, model phù hợp với chẩn đoán hình ảnh y khoa, kiểm tra công nghiệp và robot — những ứng dụng đòi hỏi độ chính xác cao.

Bạn quan tâm đến AI? Truy cập repository GitHub và tham gia cộng đồng của chúng tôi. Khám phá các đổi mới trong những lĩnh vực như AI cho xe tự lái và thị giác máy tính trong nông nghiệp trên các trang giải pháp của chúng tôi. Xem các tùy chọn cấp phép và hiện thực hóa các dự án AI thị giác của bạn.