DAMO-YOLO so với RTDETRv2#

Bối cảnh thị giác máy tính đang phát triển nhanh chóng đã tạo ra một loạt kiến trúc ấn tượng, được thiết kế để cân bằng giữa tốc độ, độ chính xác và hiệu quả tính toán. Hai model nổi bật đã đóng góp những phương pháp độc đáo để giải quyết các thách thức này là DAMO-YOLO và RTDETRv2. Mặc dù cả hai model đều hướng đến việc cung cấp các giải pháp tiên tiến cho suy luận theo thời gian thực, chúng khác biệt căn bản về triết lý kiến trúc.

Hướng dẫn chuyên sâu này đi sâu vào các 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 Nền tảng Ultralytics và YOLO26 tiên tiến nhất đã tái định nghĩa các tiêu chuẩn ngành về triển khai và tính dễ sử dụng.

Tổng quan về model#

Tìm hiểu về DAMO-YOLO#

Được các nhà nghiên cứu tại Alibaba Group phát triển, DAMO-YOLO giới thiệu một phương pháp phát hiện đối tượng nhanh và chính xác, phụ thuộc nhiều vào Tìm kiếm kiến trúc neural (NAS). Model này thay thế các backbone được thiết kế thủ công truyền thống bằng các cấu trúc do NAS tạo ra, được thiết kế để có độ trễ thấp. Ngoài ra, model còn tích hợp RepGFPN (Mạng Kim tự tháp Đặc trưng Tổng quát hóa được tái tham số hóa) hiệu quả và thiết kế ZeroHead để tinh gọn quá trình tổng hợp đặc trưng và dự đoán bounding box.

Chi tiết 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 một bước tiến đáng kể đối với các Transformer phát hiện theo thời gian thực. Không giống các Mạng nơ-ron tích chập (CNN) truyền thống vốn phụ thuộc vào anchor box và Non-Maximum Suppression (NMS), RTDETRv2 sử dụng các cơ chế self-attention để xem xét toàn bộ ngữ cảnh của hình ảnh. Model này trực tiếp xuất ra các bounding box, hoàn toàn bỏ qua bước hậu xử lý NMS. Model này giới thiệu chiến lược huấn luyện "bag of freebies" để cải thiện độ chính xác cơ sở mà không làm tăng độ trễ suy luận.

Chi tiết 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: Kho lưu trữ RT-DETR
• Docs: Tài liệu RTDETRv2

Tìm hiểu thêm về RTDETRv2

So sánh hiệu năng#

Khi đánh giá các model này để triển khai trong thực tế, các tham số như độ chính xác trung bình (mAP), tốc độ suy luận và dung lượng bộ nhớ là những yếu tố then chốt. Các model dựa trên Transformer như RTDETRv2 nhìn chung yêu cầu nhiều bộ nhớ CUDA hơn trong quá trình huấn luyện và suy luận so với các CNN nhẹ như DAMO-YOLO.

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

Các trường hợp sử dụng lý tưởng#

DAMO-YOLO nổi trội ở đâu: Nhờ backbone được tối ưu bằng NAS và số lượng tham số cực thấp ở các biến thể nhỏ hơn (như DAMO-YOLOt), model này rất phù hợp để triển khai trên phần cứng bị giới hạn nghiêm ngặt. Nếu bạn đang xây dựng các giải pháp cho thiết bị nhúng bằng các runtime như ONNX hoặc các engine TensorRT chuyên dụng cho edge computing, DAMO-YOLO cung cấp một framework có khả năng phản hồi rất nhanh.

RTDETRv2 nổi trội ở đâu: RTDETRv2 phát huy thế mạnh trong các kịch bản có GPU cấp máy chủ và yêu cầu cao về ngữ cảnh toàn cục của hình ảnh. Kiến trúc Transformer cho phép model tự nhiên xử lý các bounding box chồng lấn mà không cần NMS, khiến đây trở thành lựa chọn mạnh mẽ cho quản lý đám đông hoặc theo dõi đối tượng phức tạp, trong đó mối quan hệ không gian giữa các đối tượng ở xa nhau đóng vai trò quan trọng.

Lợi thế của Ultralytics: Giới thiệu YOLO26#

Mặc dù DAMO-YOLO và RTDETRv2 đại diện cho những thành tựu học thuật đáng kể, việc chuyển các model này thành các ứng dụng có khả năng mở rộng và sẵn sàng cho môi trường production có thể là một thách thức. Các developer thường phải đối mặt với codebase phân mảnh, thiếu hỗ trợ cho học đa nhiệm và pipeline triển khai phức tạp.

Đây là điểm mà hệ sinh thái Ultralytics thực sự tạo nên sự khác biệt. Bằng cách ưu tiên tính dễ sử dụng, Python API được duy trì tốt và tính linh hoạt vượt trội, Ultralytics đảm bảo developer dành ít thời gian hơn cho việc debug và nhiều thời gian hơn để xây dựng sản phẩm.

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

• Thiết kế end-to-end không cần NMS: Được tiên phong ban đầu trong YOLOv10, YOLO26 vốn có kiến trúc end-to-end. Điều này loại bỏ hoàn toàn hậu xử lý NMS, giúp triển khai nhanh hơn và đơn giản hơn đáng kể so với các CNN truyền thống, đồng thời mang lại lợi ích xuất trực tiếp tương tự RTDETRv2.
• Suy luận CPU nhanh hơn tới 43%: Được tối ưu mạnh cho các thiết bị edge AI không có GPU rời, khiến model trở thành lựa chọn vượt trội hơn đáng kể cho các ứng dụng IoT so với các Transformer ngốn nhiều bộ nhớ.
• Optimizer MuSGD: Lấy cảm hứng từ Kimi K2 của Moonshot AI, bộ kết hợp giữa SGD và Muon này đưa các đổi mới trong huấn luyện Large Language Model (LLM) vào thị giác máy tính, mang lại quá trình huấn luyện ổn định đáng kể và hội tụ nhanh hơn.
• ProgLoss + STAL: Các hàm loss nâng cao này mang lại cải thiện đáng kể trong nhận diện đối tượng nhỏ, một lĩnh vực mà các model truyền thống thường gặp khó khăn. Đây là yếu tố quan trọng đối với hình ảnh chụp từ trên không và các ứng dụng drone.
• Loại bỏ DFL: Distribution Focal Loss đã được loại bỏ để đảm bảo các định dạng export đơn giản hơn và khả năng tương thích tốt hơn với các thiết bị edge công suất thấp.
• Tính linh hoạt vượt trội: Không giống các model cạnh tranh chỉ giới hạn nghiêm ngặt ở tác vụ phát hiện, YOLO26 bao gồm các cải tiến dành riêng cho từng tác vụ trên toàn bộ hệ thống, chẳng hạn như angle loss chuyên dụng cho Oriented Bounding Boxes (OBB), semantic segmentation loss để đạt độ chính xác ở cấp pixel và Residual Log-Likelihood Estimation (RLE) cho ước lượng pose.

Ví dụ code: Ultralytics API thống nhất#

Một trong những lợi ích lớn nhất của hệ sinh thái Ultralytics là API hợp nhất. Bạn có thể tải, huấn luyện và xác thực liền mạch nhiều loại mô hình—bao gồm cả bản cài đặt PyTorch của RT-DETR và các mô hình YOLO tiên tiến nhất—mà không cần thay đổi quy trình làm việc của mình.

from ultralytics import RTDETR, YOLO

# Load an RTDETRv2 model
model_rtdetr = RTDETR("rtdetr-l.pt")

# Load the cutting-edge YOLO26 model
model_yolo = YOLO("yolo26n.pt")

# Run inference on an image with a simple, unified interface
results_rtdetr = model_rtdetr("https://ultralytics.com/images/bus.jpg")
results_yolo = model_yolo("https://ultralytics.com/images/bus.jpg")

# Display the detected objects
results_yolo[0].show()

Tính đơn giản này cũng mở rộng sang việc huấn luyện dataset tùy chỉnh và export. Bằng cách sử dụng package Ultralytics Python, developer có thể dễ dàng đưa các weight đã huấn luyện lên các nền tảng triển khai như CoreML hoặc OpenVINO chỉ bằng một lệnh.

Kết luận và tìm hiểu thêm#

Cả DAMO-YOLO và RTDETRv2 chắc chắn đã mở rộng đáng kể giới hạn của những gì có thể thực hiện trong phát hiện đối tượng theo thời gian thực. DAMO-YOLO cung cấp các cấu trúc network được tự động tìm kiếm và tối ưu cao để đạt hiệu quả thuần túy, trong khi RTDETRv2 chứng minh rằng Transformer có thể cạnh tranh trong lĩnh vực thời gian thực bằng cách loại bỏ các nút thắt truyền thống như NMS.

Tuy nhiên, đối với các developer tìm kiếm sự cân bằng tối ưu giữa hiệu năng, tài liệu toàn diện và khả năng sẵn sàng cho production, các model Ultralytics YOLO vẫn là tiêu chuẩn vàng. Với sự ra mắt của YOLO26, người dùng được tiếp cận khả năng phát hiện end-to-end tương tự Transformer, hiệu quả huấn luyện lấy cảm hứng từ LLM và tốc độ CPU vượt trội—tất cả được tích hợp trong một hệ sinh thái trực quan và mạnh mẽ.

Nếu bạn đang đánh giá các mô hình cho dự án tiếp theo của mình, bạn cũng có thể thấy hữu ích khi đọc các bài so sánh của chúng tôi về EfficientDet vs RT-DETR, khám phá thế hệ trước YOLO11, hoặc xem lại các cơ sở chuẩn học thuật như YOLOX. Hãy bắt đầu xây dựng ngay hôm nay bằng cách khám phá Ultralytics quickstart guide.