Bắt đầu

DAMO-YOLO và RTDETRv2

Nghiên cứu thị giác máy tính đã tạo ra nhiều kiến trúc nhằm cân bằng tốc độ, độ chính xác và hiệu quả tính toán. DAMO-YOLO và RTDETRv2 có những hướng tiếp cận khác biệt trước các thách thức này. Dù cả hai đều nhắm đến suy luận thời gian thực, triết lý kiến trúc của chúng khác nhau về căn bản.

Hướng dẫn này trình bày thông số kỹ thuật, đổi mới kiến trúc và trường hợp sử dụng thực tế của cả hai model, đồng thời giải thích cách Nền tảng Ultralytics và YOLO26 đơn giản hóa việc triển khai.

Tổng quan về model#

Tìm hiểu về DAMO-YOLO#

Được các nhà nghiên cứu tại Alibaba Group phát triển, DAMO-YOLO giới thiệu phương pháp phát hiện đối tượng nhanh và chính xác, phụ thuộc nhiều vào Neural Architecture Search (NAS). Model thay thế các backbone được thiết kế thủ công truyền thống bằng những cấu trúc do NAS tạo ra, nhắm đến độ trễ thấp. Ngoài ra, model tích hợp RepGFPN hiệu quả (Reparameterized Generalized Feature Pyramid Network) và thiết kế ZeroHead để tinh gọn việc tổng hợp đặc trưng và dự đoán bounding box.

Thông tin chính về model:

Tìm hiểu thêm về DAMO-YOLO

Tìm hiểu về RTDETRv2#

RTDETRv2 của Baidu là bước tiến đáng chú ý của các Transformer phát hiện thời gian thực. Khác với các detector Mạng nơ-ron tích chập (CNN) phụ thuộc vào Non-Maximum Suppression (NMS), RTDETRv2 dùng self-attention để mô hình hóa ngữ cảnh toàn cục trên toàn bộ ảnh. Model xuất trực tiếp bounding box, hoàn toàn bỏ qua bước hậu xử lý NMS. Model giới thiệu chiến lược huấn luyện "bag of freebies" nhằm cải thiện độ chính xác cơ sở mà không tăng độ trễ suy luận.

Thông tin chính về model:

Tìm hiểu thêm về RTDETRv2

Ứng dụng Transformer trong AI thị giác

Dù Transformer đòi hỏi nhiều tài nguyên tính toán hơn, khả năng xử lý ngữ cảnh toàn cục khiến chúng hiệu quả trong việc hiểu các cảnh phức tạp, đây là thế mạnh lớn của RTDETRv2.

So sánh hiệu năng#

Khi đánh giá các model này để triển khai thực tế, các chỉ số như độ chính xác trung bình (mAP), tốc độ suy luận và dung lượng bộ nhớ rất quan trọng. Các model dựa trên Transformer như RTDETRv2 thường cần nhiều bộ nhớ CUDA hơn trong quá trình huấn luyện và suy luận so với CNN gọn nhẹ như DAMO-YOLO.

Bảng dưới đây so sánh các chỉ số hiệu năng của hai model.

Modelkích thước
(pixel)
mAPval50-95Tốc độ
CPU ONNX
(ms)
Tốc độ
T4 TensorRT10
(ms)
params
(M)
FLOPs
(B)
DAMO-YOLOt64042.0-2.328.518.1
DAMO-YOLOs64046.0-3.4516.337.8
DAMO-YOLOm64049.2-5.0928.261.8
DAMO-YOLOl64050.8-7.1842.197.3
RTDETRv2-s64048.1-5.032060
RTDETRv2-m64051.9-7.5136100
RTDETRv2-l64053.4-9.7642136
RTDETRv2-x64054.3-15.0376259

Các trường hợp sử dụng phù hợp nhất#

DAMO-YOLO phát huy thế mạnh ở đâu: Nhờ backbone được tối ưu bằng NAS và số lượng tham số thấp trong các biến thể nhỏ hơn (như DAMO-YOLOt), model rất phù hợp để triển khai trên phần cứng hạn chế. Nếu bạn xây dựng giải pháp cho thiết bị nhúng bằng runtime như ONNX hoặc engine TensorRT chuyên dụng cho điện toán biên, DAMO-YOLO cung cấp một framework đáp ứng nhanh.

RTDETRv2 phát huy thế mạnh ở đâu: RTDETRv2 hoạt động tốt nhất khi có GPU cấp máy chủ và ngữ cảnh toàn cục của ảnh là yếu tố tối quan trọng. Kiến trúc Transformer cho phép model xử lý tự nhiên các bounding box chồng lấn mà không cần NMS, khiến model trở thành lựa chọn mạnh mẽ cho quản lý đám đông dày đặc hoặc theo dõi đối tượng phức tạp, nơi mối quan hệ không gian giữa các đối tượng ở xa nhau đóng vai trò thiết yếu.

Ưu thế của Ultralytics: Giới thiệu YOLO26#

Mặc dù DAMO-YOLO và RTDETRv2 là những thành tựu học thuật đáng kể, việc chuyển các model này thành ứng dụng có khả năng mở rộng và sẵn sàng cho production có thể gặp nhiều thách thức. Nhà phát triển thường phải đối mặt với codebase phân mảnh, thiếu hỗ trợ học đa tác vụ và pipeline triển khai phức tạp.

Đây là điểm khiến hệ sinh thái Ultralytics nổi bật. Bằng cách ưu tiên tính dễ sử dụng, API Python được duy trì tốt và tính linh hoạt đa tác vụ, Ultralytics giúp nhà phát triển dành ít thời gian gỡ lỗi hơn và nhiều thời gian xây dựng hơn.

Model Ultralytics YOLO26 mới được phát hành kế thừa những ưu điểm này và có một số cải tiến so với cả DAMO-YOLO lẫn RTDETRv2:

  • Thiết kế đầu cuối không cần NMS: Phát triển dựa trên phương pháp huấn luyện không cần NMS của YOLOv10, YOLO26 cung cấp head đầu cuối tùy chọn (nms=False). Thiết kế này loại bỏ bước hậu xử lý NMS, giúp triển khai nhanh và đơn giản hơn so với detector CNN truyền thống, đồng thời đạt được lợi ích xuất trực tiếp tương tự RTDETRv2.
  • Suy luận CPU nhanh hơn đến 43%: YOLO26n chạy nhanh hơn YOLO11n đến 43% trên CPU ONNX và được tối ưu hóa cho thiết bị AI biên không có GPU rời, nên phù hợp với ứng dụng IoT hơn các Transformer tiêu tốn nhiều bộ nhớ.
  • Optimizer MuSGD: Lấy cảm hứng từ Kimi K2 của Moonshot AI, phương pháp kết hợp SGD và Muon này đưa các kỹ thuật huấn luyện Mô hình ngôn ngữ lớn (LLM) vào thị giác máy tính, giúp quá trình huấn luyện ổn định và hội tụ nhanh hơn.
  • ProgLoss + STAL: Hàm loss tiến triển và cơ chế gán nhãn nhận biết đối tượng nhỏ cải thiện khả năng nhận diện vật thể nhỏ, một lĩnh vực vốn là thách thức với các model. Đây là yếu tố quan trọng đối với ảnh hàng không và các ứng dụng drone.
  • Loại bỏ DFL: Distribution Focal Loss đã được loại bỏ để đơn giản hóa định dạng export và cải thiện khả năng tương thích với thiết bị biên công suất thấp.
  • Tính linh hoạt đa tác vụ: Khác với các model cạnh tranh chỉ hỗ trợ phát hiện, YOLO26 có những cải tiến riêng cho từng tác vụ, chẳng hạn hàm loss phân đoạn ngữ nghĩa giúp tăng tốc hội tụ của phân đoạn đối tượng, Residual Log-Likelihood Estimation (RLE) cho ước tính tư thế và hàm loss góc chuyên biệt cho Bounding Box Định hướng (OBB).
Hiệu quả sử dụng bộ nhớ rất quan trọng

Huấn luyện các model dựa trên Transformer như RTDETRv2 đòi hỏi lượng bộ nhớ CUDA lớn, thường cần đến cấu hình nhiều GPU tốn kém. Các model Ultralytics YOLO yêu cầu ít bộ nhớ hơn nhiều trong cả quá trình huấn luyện lẫn suy luận, giúp việc phát triển AI trở nên dễ tiếp cận với cả nhà nghiên cứu và người đam mê.

Ví dụ mã: API Ultralytics thống nhất#

Một trong những lợi ích chính của hệ sinh thái Ultralytics là API thống nhất. Bạn có thể tải, huấn luyện và xác thực nhiều loại model, bao gồm triển khai PyTorch của RT-DETR và các model YOLO mới nhất, mà không cần thay đổi quy trình làm việc.

from ultralytics import RTDETR, YOLO

# Tải model RT-DETR
model_rtdetr = RTDETR("rtdetr-l.pt")

# Tải model YOLO26
model_yolo = YOLO("yolo26n.pt")

# Chạy suy luận trên ảnh bằng giao diện thống nhất, đơn giản
results_rtdetr = model_rtdetr("https://ultralytics.com/images/bus.jpg")
results_yolo = model_yolo("https://ultralytics.com/images/bus.jpg")

# Hiển thị các đối tượng được phát hiện
results_yolo[0].show()

Tính đơn giản này cũng áp dụng cho việc huấn luyện trên bộ dữ liệu tùy chỉnh và xuất model. Với gói Python Ultralytics, nhà phát triển có thể xuất trọng số đã huấn luyện sang các định dạng triển khai như CoreML hoặc OpenVINO chỉ bằng một lệnh.

Kết luận và tìm hiểu thêm#

DAMO-YOLO và RTDETRv2 đều thúc đẩy lĩnh vực phát hiện đối tượng thời gian thực. DAMO-YOLO cung cấp các cấu trúc mạng được tối ưu hóa và tự động tìm kiếm để đạt hiệu quả thuần cao, còn RTDETRv2 cho thấy Transformer có thể cạnh tranh trong lĩnh vực thời gian thực bằng cách loại bỏ các nút thắt truyền thống như NMS.

Tuy nhiên, với nhà phát triển muốn cân bằng hiệu năng, tài liệu đầy đủ và khả năng sẵn sàng cho production, các model Ultralytics YOLO vẫn là lựa chọn mặc định đáng tin cậy. Với YOLO26, người dùng có được khả năng phát hiện đầu cuối tùy chọn tương tự Transformer, hiệu quả huấn luyện lấy cảm hứng từ LLM và suy luận CPU nhanh trong một hệ sinh thái trực quan, mạnh mẽ.

Nếu đang đánh giá model cho dự án tiếp theo, bạn cũng có thể đọc bài so sánh EfficientDet với RT-DETR, tìm hiểu thế hệ trước YOLO11 hoặc xem xét các baseline học thuật như YOLOX. Bắt đầu xây dựng ngay hôm nay bằng cách khám phá hướng dẫn bắt đầu nhanh của Ultralytics.

Bình luận

Đặt câu hỏi, chia sẻ kết quả hoặc giúp đỡ người khác.