So sánh EfficientDet và RTDETRv2#

Việc lựa chọn kiến trúc tối ưu cho các dự án thị giác máy tính đòi hỏi phải điều hướng qua một hệ sinh thái đa dạng các mạng nơ-ron. Hướng dẫn này trình bày so sánh kỹ thuật chi tiết giữa hai phương pháp riêng biệt: EfficientDet, một dòng mạng nơ-ron tích chập (CNN) có khả năng mở rộng cao, và RTDETRv2, một model Transformer thời gian thực hiện đại. Chúng tôi đánh giá sự khác biệt về cấu trúc, phương pháp training và mức độ phù hợp khi triển khai trên nhiều môi trường phần cứng khác nhau.

Bằng cách hiểu rõ những đánh đổi giữa hiệu quả của các phương pháp cũ và năng lực Transformer hiện đại, developer có thể đưa ra quyết định sáng suốt. Ngoài ra, chúng tôi sẽ tìm hiểu cách các giải pháp hiện đại như Ultralytics YOLO26 mới thu hẹp khoảng cách này, mang lại tốc độ, độ chính xác và tính dễ sử dụng vượt trội.

Tìm hiểu về EfficientDet#

EfficientDet đã tạo ra cuộc cách mạng trong lĩnh vực phát hiện đối tượng bằng cách giới thiệu một phương pháp có cơ sở nguyên tắc để scale model.

• Tác giả: Mingxing Tan, Ruoming Pang và Quoc V. Le
• Tổ chức: Google
• Ngày: 20 tháng 11, 2019
• Arxiv: https://arxiv.org/abs/1911.09070
• GitHub: Kho lưu trữ Google AutoML
• Tài liệu: Tài liệu EfficientDet

Kiến trúc và các khái niệm cốt lõi#

Về cốt lõi, EfficientDet sử dụng EfficientNet làm backbone và giới thiệu Mạng tháp đặc trưng hai chiều (BiFPN). BiFPN cho phép hợp nhất đặc trưng đa scale dễ dàng và nhanh chóng bằng cách áp dụng các trọng số có thể học để xác định tầm quan trọng của các đặc trưng đầu vào khác nhau. Cơ chế này được kết hợp với phương pháp scale hợp nhất, đồng thời điều chỉnh đồng đều độ phân giải, độ sâu và độ rộng của tất cả backbone, mạng đặc trưng và mạng dự đoán box/class.

Ưu điểm và hạn chế#

Điểm mạnh chính của EfficientDet nằm ở hiệu quả sử dụng tham số. Vào thời điểm phát hành, các model như EfficientDet-D0 đạt độ chính xác cao hơn với ít tham số và FLOPs hơn so với các phiên bản YOLO trước đó. Điều này khiến model đặc biệt hấp dẫn đối với những môi trường có giới hạn nghiêm ngặt về năng lực tính toán.

Tuy nhiên, EfficientDet dựa vào non-maximum suppression (NMS) tiêu chuẩn trong quá trình hậu xử lý để lọc các bounding box chồng lấn, điều này có thể tạo ra nút thắt độ trễ trong các pipeline thời gian thực. Ngoài ra, mặc dù quy trình training được ghi chép đầy đủ, việc fine-tune EfficientDet có thể khá cumbersome so với trải nghiệm developer được tối ưu hóa cao trong các công cụ hiện đại.

Tìm hiểu thêm về EfficientDet

Tìm hiểu về RTDETRv2#

RTDETRv2 đại diện cho bước tiến hóa của các kiến trúc dựa trên Transformer, chuyển hướng khỏi các CNN truyền thống dựa trên anchor.

• Tác giả: Wenyu Lv, Yian Zhao, Qinyao Chang, Kui Huang, Guanzhong Wang và Yi Liu
• Tổ chức: Baidu
• Ngày: 2024-07-24
• Arxiv: https://arxiv.org/abs/2407.17140
• GitHub: Kho lưu trữ RT-DETR
• Docs: Tài liệu RTDETRv2

Những tiến bộ trong Transformer#

RTDETRv2 được xây dựng dựa trên baseline Transformer phát hiện thời gian thực (RT-DETR). Model này tận dụng các cơ chế attention toàn cục, cho phép hiểu các ngữ cảnh phức tạp của cảnh mà không bị giới hạn cục bộ như các phép tích chập tiêu chuẩn. Ưu điểm kiến trúc đáng kể nhất là thiết kế vốn không cần NMS. Bằng cách dự đoán trực tiếp các đối tượng từ ảnh đầu vào, model đơn giản hóa pipeline inference và tránh việc tinh chỉnh heuristic cần thiết cho hậu xử lý NMS.

Ưu điểm và nhược điểm#

RTDETRv2 hoạt động vượt trội trong các môi trường có mật độ cao, nơi các đối tượng chồng lấn gây nhầm lẫn cho CNN truyền thống. Model đạt độ chính xác cao trên các dataset benchmark phức tạp như COCO.

Mặc dù có độ chính xác cao, các model Transformer tự nhiên đòi hỏi nhiều memory. Hiệu quả training thấp hơn đáng kể; model cần nhiều epoch hơn đáng kể và footprint memory CUDA lớn hơn để hội tụ so với CNN. Điều này khiến RTDETRv2 kém phù hợp hơn với developer vận hành trong điều kiện ngân sách cloud hạn chế hoặc cần prototyping nhanh.

Tìm hiểu thêm về RTDETRv2

So sánh benchmark hiệu năng#

Việc hiểu rõ các metric hiệu năng thô là yếu tố quan trọng để lựa chọn model. Bảng sau đây trình bày so sánh giữa EfficientDet và RTDETRv2 trên nhiều kích thước khác nhau.

Các trường hợp sử dụng và khuyến nghị#

Việc lựa chọn giữa EfficientDet và RT-DETR phụ thuộc vào yêu cầu cụ thể của dự án, các ràng buộc triển khai và ưu tiên về hệ sinh thái của bạn.

Khi nào nên chọn EfficientDet#

EfficientDet là lựa chọn phù hợp cho:

• Pipeline Google Cloud và TPU: Các hệ thống được tích hợp sâu với Google Cloud Vision APIs hoặc hạ tầng TPU, nơi EfficientDet có khả năng tối ưu native.
• Nghiên cứu Compound Scaling: Benchmarking học thuật tập trung vào việc nghiên cứu tác động của quá trình scale depth, width và resolution cân bằng trong network.
• Triển khai trên mobile qua TFLite: Các dự án yêu cầu cụ thể việc export TensorFlow Lite cho Android hoặc các thiết bị Linux nhúng.

Khi nào nên chọn RT-DETR#

RT-DETR được khuyến nghị cho:

• Nghiên cứu phát hiện dựa trên Transformer: Các dự án nghiên cứu cơ chế attention và kiến trúc transformer cho bài toán phát hiện đối tượng end-to-end không cần NMS.
• Các kịch bản độ chính xác cao với độ trễ linh hoạt: Các ứng dụng trong đó độ chính xác phát hiện là ưu tiên hàng đầu và có thể chấp nhận độ trễ suy luận cao hơn đôi chút.
• Phát hiện đối tượng lớn: Các cảnh chủ yếu chứa đối tượng cỡ vừa đến lớn, trong đó cơ chế attention toàn cục của transformer mang lại lợi thế tự nhiên.

Khi nào nên chọn Ultralytics (YOLO26)#

Đối với hầu hết dự án mới, Ultralytics YOLO26 mang đến sự kết hợp tốt nhất giữa hiệu năng và trải nghiệm developer:

• Triển khai edge không cần NMS: Các ứng dụng yêu cầu suy luận nhất quán, độ trễ thấp mà không có sự phức tạp của bước hậu xử lý triệt tiêu cực đại.
• Môi trường chỉ sử dụng CPU: Các thiết bị không có tăng tốc GPU chuyên dụng, nơi khả năng suy luận trên CPU nhanh hơn tới 43% của YOLO26 mang lại lợi thế quyết định.
• Phát hiện đối tượng nhỏ: Các kịch bản đầy thách thức như ảnh chụp từ drone trên không hoặc phân tích cảm biến IoT, trong đó ProgLoss và STAL cải thiện đáng kể độ chính xác trên các đối tượng rất nhỏ.

Lợi thế của Ultralytics: Giới thiệu YOLO26#

Mặc dù EfficientDet và RTDETRv2 đã khẳng định vị trí của mình trong lịch sử thị giác máy tính, các môi trường production hiện đại đòi hỏi sự cân bằng hoàn hảo giữa tốc độ, độ chính xác và trải nghiệm developer vượt trội. Ultralytics YOLO26 mới phát hành tổng hợp những ưu điểm tốt nhất của các kiến trúc khác biệt này.

YOLO26 nổi bật nhờ kết hợp hệ sinh thái tinh gọn mà Ultralytics được biết đến với các cơ chế nội bộ mang tính đột phá.

Tại sao nên chọn YOLO26 thay vì các giải pháp khác?#

• Thiết kế end-to-end không cần NMS: Lấy cảm hứng từ các Transformer như RTDETRv2, YOLO26 vốn được thiết kế end-to-end. Model loại bỏ hậu xử lý NMS, đảm bảo pipeline triển khai nhanh hơn, đơn giản hơn mà không bị phình to tham số như các Transformer thuần túy.
• Optimizer MuSGD: Lấy cảm hứng từ những đổi mới trong training mô hình ngôn ngữ lớn (chẳng hạn như Kimi K2 của Moonshot AI), YOLO26 sử dụng phương pháp kết hợp giữa SGD và Muon. Điều này mang lại độ ổn định training chưa từng có và tốc độ hội tụ nhanh hơn đáng kể so với các lịch training kéo dài mà RTDETRv2 yêu cầu.
• Tối ưu cho Edge: Với inference trên CPU nhanh hơn tới 43%, YOLO26 được xây dựng cho AI biên. Model dễ dàng vượt trội các model Transformer nặng trên phần cứng hạn chế như điện thoại di động và camera thông minh.
• Loại bỏ DFL: Việc loại bỏ Distribution Focal Loss giúp đơn giản hóa model graph, hỗ trợ export TensorRT và ONNX liền mạch.
• ProgLoss + STAL: Các hàm loss nâng cao này mang lại cải thiện đáng kể trong việc nhận diện đối tượng nhỏ, giải quyết một nút thắt phổ biến trong ảnh chụp từ trên không và robotics.
• Tính linh hoạt: Không giống RTDETRv2, vốn chủ yếu tập trung vào detection, YOLO26 vốn hỗ trợ instance segmentation, ước tính pose, phân loại ảnh và bounding box có hướng (OBB), cùng các cải tiến riêng cho từng task như RLE cho pose và angle loss chuyên biệt cho OBB.

Đơn giản hóa code với Ultralytics#

Ultralytics Python API được duy trì tốt giúp việc training và inference model trở nên đơn giản. Developer có thể dễ dàng benchmark model hoặc khởi chạy script training với lượng boilerplate code tối thiểu.

from ultralytics import YOLO

# Load the state-of-the-art YOLO26 model
model = YOLO("yolo26n.pt")

# Train the model on your custom dataset
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

# Run inference on a test image
predictions = model.predict("image.jpg")

Đối với những người đang quản lý hạ tầng legacy, Ultralytics YOLOv8 được đánh giá cao vẫn là lựa chọn ổn định và mạnh mẽ, thể hiện độ tin cậy lâu dài của hệ sinh thái Ultralytics. Dù bạn đang chạy các thuật toán tracking thời gian thực phức tạp hay chỉ phát hiện lỗi đơn giản, việc nâng cấp lên YOLO26 đảm bảo hệ thống của bạn sẵn sàng cho tương lai, có độ chính xác cao và sử dụng memory hiệu quả.