DAMO-YOLO và RTDETRv2#

Lĩnh vực thị giác máy tính phát triển nhanh chóng đã tạo ra nhiều kiến trúc ấn tượng nhằm cân bằng tốc độ, độ chính xác và hiệu quả tính toán. Hai model nổi bật với cách tiếp cận riêng để giải quyết những thách thức này là DAMO-YOLO và RTDETRv2. Dù cả hai đều hướng đến các giải pháp tiên tiến cho suy luận thời gian thực, triết lý kiến trúc của chúng khác nhau căn bản.

Hướng dẫn toàn diện này đi sâu vào thông số kỹ thuật, đổi mới kiến trúc và trường hợp sử dụng thực tế của cả hai model, đồng thời tìm hiểu cách các giải pháp hiện đại như Ultralytics Platform và YOLO26 tiên tiến nhất đã định nghĩa lại tiêu chuẩn ngành về triển khai và tính dễ sử dụng.

Tổng quan về model#

Tìm hiểu về DAMO-YOLO#

Được phát triển bởi các nhà nghiên cứu tại Alibaba Group, DAMO-YOLO giới thiệu phương pháp phát hiện đối tượng vừa nhanh vừa chính xác, phụ thuộc nhiều vào Tìm kiếm kiến trúc mạng nơ-ron (NAS). Model thay thế các backbone được thiết kế thủ công truyền thống bằng cấu trúc do NAS tạo ra, hướng đến độ trễ thấp. Ngoài ra, model tích hợp RepGFPN hiệu quả (Mạng kim tự tháp feature tổng quát được tái tham số hóa) và thiết kế ZeroHead để tinh gọn việc tổng hợp feature và dự đoán bounding box.

Thông tin chính về model:

• Tác giả: Xianzhe Xu, Yiqi Jiang, Weihua Chen, Yilun Huang, Yuan Zhang và Xiuyu Sun
• Tổ chức: Alibaba Group
• Ngày: 2022-11-23
• Arxiv: 2211.15444v2
• GitHub: tinyvision/DAMO-YOLO
• Tài liệu: Tài liệu DAMO-YOLO

Tìm hiểu thêm về DAMO-YOLO

Tìm hiểu về RTDETRv2#

RTDETRv2 của Baidu đánh dấu bước tiến đáng kể cho các Transformer phát hiện thời gian thực. Khác với Mạng nơ-ron tích chập (CNN) truyền thống dựa vào anchor box và Non-Maximum Suppression (NMS), RTDETRv2 sử dụng cơ chế self-attention để xem xét toàn bộ ngữ cảnh ảnh. Model xuất trực tiếp bounding box, hoàn toàn bỏ qua bước hậu xử lý NMS. Model này 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:

• Tác giả: Wenyu Lv, Yian Zhao, Qinyao Chang, Kui Huang, Guanzhong Wang và Yi Liu
• Tổ chức: Baidu
• Ngày: 2024-07-24
• Arxiv: 2407.17140
• GitHub: Repository RT-DETR
• Tài liệu: Tài liệu RTDETRv2

Tìm hiểu thêm về RTDETRv2

So sánh hiệu năng#

Khi đánh giá các model này để triển khai thực tế, các thông số như Mean Average Precision (mAP), tốc độ suy luận và dung lượng bộ nhớ là yếu tố then chốt. Các model dựa trên Transformer như RTDETRv2 thường cần nhiều bộ nhớ CUDA hơn trong quá trình huấn luyện và suy luận so với các CNN gọn nhẹ như DAMO-YOLO.

Dưới đây là phần so sánh chi tiết các chỉ số hiệu suất của chúng.

Các trường hợp sử dụng phù hợp nhất#

Thế mạnh của DAMO-YOLO: Nhờ backbone được tối ưu bằng NAS và số lượng tham số cực thấp ở các phiên bản nhỏ hơn (như DAMO-YOLOt), model rất phù hợp để triển khai trên phần cứng có tài nguyên hạn chế nghiêm ngặt. Nếu bạn xây dựng giải pháp cho thiết bị nhúng bằng các runtime như ONNX hoặc engine TensorRT chuyên dụng cho điện toán edge, DAMO-YOLO cung cấp framework có khả năng phản hồi cao.

Thế mạnh của RTDETRv2: RTDETRv2 phát huy ưu thế trong các tình huống có GPU cấp server và cần ngữ cảnh toàn cục của ảnh. Kiến trúc Transformer giúp model tự nhiên xử lý các bounding box chồng lấp mà không cần NMS, khiến model trở thành lựa chọn đáng tin cậy cho quản lý đám đông mật độ cao hoặc theo dõi đối tượng phức tạp, nơi mối quan hệ không gian giữa các đối tượng ở xa nhau đóng vai trò quan trọng.

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 chính là điểm khiến hệ sinh thái Ultralytics thực sự khác biệt. Bằng cách ưu tiên tính dễ sử dụng, Python API được duy trì tốt và tính linh hoạt vượt trội, Ultralytics giúp nhà phát triển dành ít thời gian gỡ lỗi hơn và nhiều thời gian xây dựng sản phẩm hơn.

Model Ultralytics YOLO26 mới phát hành đưa những lợi thế này lên một tầm cao mới với các đột phá vượt trội hơn cả DAMO-YOLO và RTDETRv2:

• Thiết kế end-to-end không cần NMS: Được tiên phong trong YOLOv10, YOLO26 cung cấp head end-to-end tùy chọn (nms=False). Thiết kế này loại bỏ bước hậu xử lý NMS, giúp triển khai nhanh hơn và đơn giản hơn đáng kể so với CNN truyền thống, đồng thời mang lại lợi ích đầu ra trực tiếp như RTDETRv2.
• Suy luận CPU nhanh hơn đến 43%: YOLO26n chạy nhanh hơn đến 43% so với YOLO11n trên CPU ONNX và được tối ưu mạnh cho thiết bị AI biên không có GPU rời, nhờ đó trở thành lựa chọn vượt trội cho các ứng dụng IoT so với 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 cải tiến trong huấn luyện Mô hình ngôn ngữ lớn (LLM) vào thị giác máy tính, giúp quá trình huấn luyện ổn định vượt trội và hội tụ nhanh hơn.
• ProgLoss + STAL: Các hàm loss tiên tiến này cải thiện đáng kể khả năng nhận diện vật thể nhỏ, vốn là lĩnh vực mà các model thường gặp khó khăn. Điều này rất quan trọng đối với ảnh chụp từ trên 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 vượt trội: Khác với các model cạnh tranh chỉ giới hạn ở tác vụ detection, YOLO26 có các cải tiến chuyên biệt theo từng tác vụ, chẳng hạn như angle loss chuyên dụng cho Bounding Box định hướng (OBB), loss phân đoạn ngữ nghĩa để đạt độ chính xác đến từng pixel và Ước lượng hợp lý log dư (RLE) cho tác vụ ước lượng pose.

Ví dụ mã: API Ultralytics thống nhất#

Một trong những lợi ích lớn nhất của hệ sinh thái Ultralytics là API thống nhất. Bạn có thể tải, huấn luyện và xác thực nhiều loại model một cách liền mạch—bao gồm bản triển khai RT-DETR bằng PyTorch và các model YOLO tiên tiến—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 tiên tiến nhất
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 dataset tùy chỉnh và export. Với gói Python Ultralytics, nhà phát triển có thể dễ dàng đưa weight đã huấn luyện lên các nền tảng triển khai như CoreML hoặc OpenVINO chỉ bằng một lệnh.

Kết luận và tìm hiểu thêm#

Không thể phủ nhận DAMO-YOLO và RTDETRv2 đều đã mở rộng đáng kể giới hạn của khả năng phát hiện vật thể theo thời gian thực. DAMO-YOLO cung cấp các cấu trúc mạng được tối ưu cao và tìm kiếm tự động để đạt hiệu quả tối đa, trong khi RTDETRv2 chứng minh 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 các nhà phát triển đang tìm kiếm sự cân bằng tối ưu giữa hiệu năng, tài liệu toàn diện và khả năng sẵn sàng cho môi trường production, các model Ultralytics YOLO vẫn là tiêu chuẩn hàng đầu. Với sự ra mắt của YOLO26, người dùng có thể sử dụng tính năng phát hiện end-to-end tùy chọn tương tự Transformer, hiệu quả huấn luyện lấy cảm hứng từ LLM và tốc độ CPU vượt trội—tất cả trong một hệ sinh thái trực quan và mạnh mẽ.

Nếu đang đánh giá model cho dự án tiếp theo, bạn có thể tham khảo bài so sánh EfficientDet và 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 tìm hiểu hướng dẫn bắt đầu nhanh của Ultralytics.