EfficientDet và RTDETRv2
Lựa chọn kiến trúc tối ưu cho các dự án thị giác máy tính đòi hỏi phải tìm hiểu một hệ sinh thái mạng neural đa dạng. Hướng dẫn này so sánh hai hướng tiếp cận khác biệt: EfficientDet, một dòng Mạng neural tích chập (CNN) có khả năng mở rộng, và RTDETRv2, một detector Transformer thời gian thực. Hướng dẫn đánh giá sự khác biệt về cấu trúc, phương pháp huấn luyện và mức độ phù hợp khi triển khai trên nhiều môi trường phần cứng.
Hiểu rõ sự đánh đổi giữa hiệu quả của CNN đời trước và khả năng của Transformer hiện đại giúp nhà phát triển đưa ra quyết định sáng suốt. Hướng dẫn cũng giải thích cách Ultralytics YOLO26 thu hẹp khoảng cách bằng các model nhanh, chính xác và dễ sử dụng.
Tìm hiểu EfficientDet#
EfficientDet cải tiến phát hiện đối tượng bằng cách đưa ra phương pháp mở rộng model có cơ sở.
- Tác giả: Mingxing Tan, Ruoming Pang và Quoc V. Le
- Tổ chức: Google
- Ngày: 20 tháng 11 năm 2019
- arXiv: https://arxiv.org/abs/1911.09070
- GitHub: Kho lưu trữ Google AutoML
- Tài liệu: Tài liệu EfficientDet
Kiến trúc và khái niệm cốt lõi#
Cốt lõi của EfficientDet là backbone EfficientNet và Mạng kim tự tháp đặc trưng hai chiều (BiFPN). BiFPN cho phép hợp nhất đặc trưng đa tỷ lệ nhanh bằng cách áp dụng các trọng số có thể học để xác định mức độ quan trọng của những đặc trưng đầu vào khác nhau. Phương pháp này kết hợp với compound scaling, đồng thời mở rộng đồng đều độ phân giải, độ sâu và độ rộng của toàn bộ backbone, mạng đặc trưng và mạng dự đoán box/class.
Ưu điểm và hạn chế#
Ưu điểm chính của EfficientDet là hiệu quả tham số. Khi ra mắt, 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 hấp dẫn trong môi trường có giới hạn tính toán nghiêm ngặt.
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 gây nghẽn độ trễ trong pipeline thời gian thực. Dù quy trình huấn luyện được tài liệu hóa đầy đủ, việc tinh chỉnh EfficientDet có thể rườm rà hơn so với trải nghiệm phát triển tinh gọn của các công cụ hiện đại.
Mặc dù EfficientDet mở đường cho các mạng có khả năng mở rộng, việc triển khai những model này trên NPU hiện đại thường đòi hỏi nhiều công sức tối ưu hóa thủ công. Để triển khai tinh gọn hơn, các model Ultralytics mới hơn cung cấp chức năng export chỉ với một cú nhấp chuột.
Tìm hiểu RTDETRv2#
RTDETRv2 là bước phát triển tiếp theo của các detector dựa trên Transformer, thay thế CNN dựa trên anchor truyền thống.
- 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: Repository RT-DETR
- Tài liệu: Tài liệu RTDETRv2
Những tiến bộ trong Transformer#
RTDETRv2 được xây dựng trên nền tảng Transformer phát hiện thời gian thực (RT-DETR). Model sử dụng cơ chế attention toàn cục, cho phép hiểu bối cảnh cảnh phức tạp mà không bị giới hạn cục bộ như các phép tích chập tiêu chuẩn. Ưu điểm kiến trúc đáng kể nhất là thiết kế gốc 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 phải tinh chỉnh theo kinh nghiệm cho bước hậu xử lý NMS.
Ưu điểm và nhược điểm#
RTDETRv2 hoạt động tốt trong môi trường có mật độ đối tượng cao, nơi các đối tượng chồng lấn gây nhầm lẫn cho CNN truyền thống. Model đạt độ chính xác cao trên các dataset benchmark như COCO phức tạp.
Dù có độ chính xác cao, model Transformer đòi hỏi lượng bộ nhớ lớn. Hiệu quả huấn luyện thấp hơn đáng kể; so với CNN, model cần nhiều epoch hơn và dung lượng bộ nhớ CUDA lớn hơn nhiều để hội tụ. Vì vậy, RTDETRv2 kém phù hợp với nhà phát triển có ngân sách cloud hạn chế hoặc cần tạo nguyên mẫu nhanh.
Huấn luyện các model Transformer như RTDETRv2 thường đòi hỏi GPU cao cấp. Nếu gặp lỗi hết bộ nhớ (OOM), hãy cân nhắc dùng các model cần ít bộ nhớ hơn trong quá trình huấn luyện, chẳng hạn như dòng Ultralytics YOLO.
So sánh benchmark hiệu năng#
Hiểu rõ chỉ số hiệu năng thô là yếu tố quan trọng khi chọn model. Bảng sau so sánh EfficientDet và RTDETRv2 ở nhiều kích thước khác nhau.
| Model | kích thước (pixel) | mAPval50-95 | Tốc độ CPU ONNX (ms) | Tốc độ T4 TensorRT10 (ms) | params (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| EfficientDet-d0 | 512 | 34.6 | - | 3.92 | 3.9 | 2.54 |
| EfficientDet-d1 | 640 | 40.5 | - | 7.31 | 6.6 | 6.1 |
| EfficientDet-d2 | 768 | 43.0 | - | 10.92 | 8.1 | 11.0 |
| EfficientDet-d3 | 896 | 47.5 | - | 19.59 | 12.0 | 24.9 |
| EfficientDet-d4 | 1024 | 49.7 | - | 33.55 | 20.7 | 55.2 |
| EfficientDet-d5 | 1280 | 51.5 | - | 67.86 | 33.7 | 130.0 |
| EfficientDet-d6 | 1280 | 52.6 | - | 89.29 | 51.9 | 226.0 |
| EfficientDet-d7 | 1536 | 53.7 | - | 128.07 | 51.9 | 325.0 |
| RTDETRv2-s | 640 | 48.1 | - | 5.03 | 20 | 60 |
| RTDETRv2-m | 640 | 51.9 | - | 7.51 | 36 | 100 |
| RTDETRv2-l | 640 | 53.4 | - | 9.76 | 42 | 136 |
| RTDETRv2-x | 640 | 54.3 | - | 15.03 | 76 | 259 |
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 giới hạn triển khai và hệ sinh thái bạn ưu tiên.
Khi nào nên chọn EfficientDet#
EfficientDet là lựa chọn phù hợp nếu:
- Pipeline Google Cloud và TPU: Các hệ thống dựa trên TensorFlow chạy trên hạ tầng TPU của Google Cloud, nơi bản triển khai tham chiếu của EfficientDet hỗ trợ huấn luyện trên TPU.
- Nghiên cứu mở rộng theo hệ số: Benchmark học thuật tập trung nghiên cứu tác động của việc mở rộng cân bằng độ sâu, chiều rộng và độ phân giải của mạng.
- Triển khai di động qua LiteRT: Các dự án yêu cầu cụ thể việc xuất sang LiteRT (trước đây là TensorFlow Lite) cho Android hoặc 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 để phát hiện vật thể đầu cuối mà không cần NMS.
- Tình huống cần độ chính xác cao với độ trễ linh hoạt: Các ứng dụng đặt độ chính xác phát hiện lên hàng đầu và chấp nhận độ trễ suy luận cao hơn đôi chút.
- Phát hiện vật thể lớn: Các cảnh chủ yếu có vật thể cỡ trung bình đến lớn, trong đó cơ chế attention toàn cục của Transformer mang lại lợi thế tự nhiên.
Khi nào nên chọn Ultralytics (YOLO26)#
Với hầu hết dự án mới, Ultralytics YOLO26 mang lại sự kết hợp tốt nhất giữa hiệu năng và trải nghiệm developer:
- Triển khai trên thiết bị biên không cần NMS: Các ứng dụng cần inference có độ trễ thấp và ổn định mà không phải xử lý hậu kỳ Non-Maximum Suppression phức tạp.
- Môi trường chỉ có CPU: Các thiết bị không có tăng tốc GPU chuyên dụng, nơi khả năng inference CPU nhanh hơn YOLO11n đến 43% của YOLO26n tạo ra lợi thế rõ rệt.
- Phát hiện vật thể nhỏ: Các tình huống khó 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 khi phát hiện vật thể rất nhỏ.
Ưu thế của Ultralytics: Giới thiệu YOLO26#
EfficientDet và RTDETRv2 đều có vị trí riêng trong lịch sử thị giác máy tính, nhưng môi trường sản xuất hiện đại đòi hỏi sự cân bằng giữa tốc độ, độ chính xác và trải nghiệm phát triển mạnh mẽ. Ultralytics YOLO26 mới ra mắt kết hợp những ưu điểm tốt nhất của các kiến trúc khác nhau này.
YOLO26 nổi bật nhờ kết hợp hệ sinh thái tinh gọn mà Ultralytics được biết đến với nhiều cải tiến kiến trúc.
Vì sao nên chọn YOLO26 thay vì các đối thủ?#
- Thiết kế end-to-end không cần NMS: Tương tự các Transformer như RTDETRv2, YOLO26 cung cấp head end-to-end (
nms=False) loại bỏ bước hậu xử lý NMS, cho phép xây dựng pipeline triển khai nhanh và đơn giản hơn mà không cần số lượng tham số lớn như Transformer thuần. - Optimizer MuSGD: Lấy cảm hứng từ các kỹ thuật huấn luyện mô hình ngôn ngữ lớn (như những kỹ thuật đứng sau Kimi K2 của Moonshot AI), YOLO26 sử dụng tổ hợp SGD và Muon. Phương pháp này giúp huấn luyện ổn định và hội tụ nhanh hơn so với lịch huấn luyện dài cần thiết cho RTDETRv2.
- Tối ưu cho edge: Với YOLO26n inference CPU nhanh hơn YOLO11n đến 43%, YOLO26 được thiết kế cho AI edge. Model vượt trội hơn các Transformer cồng kềnh trên phần cứng hạn chế như điện thoại di động và camera thông minh.
- Loại bỏ DFL: Loại bỏ Distribution Focal Loss giúp đơn giản hóa đồ thị model, tạo điều kiện thuận lợi cho việc export sang TensorRT và ONNX.
- ProgLoss + STAL: Hàm mất mát lũy tiến và phương pháp gán nhãn nhận biết đối tượng nhỏ giúp cải thiện đáng kể khả năng nhận dạng vật thể nhỏ, giải quyết một nút thắt thường gặp trong ảnh chụp từ trên không và robot.
- Tính linh hoạt: Không giống RTDETRv2, vốn chủ yếu tập trung vào phát hiện, YOLO26 hỗ trợ sẵn phân đoạn instance, phân loại ảnh, ước tính tư thế và hộp giới hạn định hướng (OBB), cùng các cải tiến theo từng tác vụ như RLE cho tư thế và hàm loss góc chuyên biệt cho OBB.
Tận dụng Ultralytics Platform, bạn có thể quản lý dataset, huấn luyện các model như YOLO26 hoặc YOLO11 trên cloud và triển khai chúng thông qua các API linh hoạt.
Code đơn giản với Ultralytics#
Ultralytics Python API được duy trì tốt giúp việc huấn luyện và inference model trở nên đơn giản. Nhà phát triển có thể dễ dàng benchmark model hoặc chạy script huấn luyện với lượng code mẫu tối thiểu.
from ultralytics import YOLO
# Tải model YOLO26
model = YOLO("yolo26n.pt")
# Huấn luyện model trên dataset tùy chỉnh của bạn
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)
# Chạy inference trên ảnh kiểm thử
predictions = model.predict("image.jpg")Với những người đang quản lý hạ tầng cũ, Ultralytics YOLOv8 được sử dụng rộng rãi vẫn là lựa chọn ổn định, thể hiện độ tin cậy lâu dài của hệ sinh thái Ultralytics. Dù chạy các thuật toán theo dõi thời gian thực phức tạp hay phát hiện lỗi đơn giản, nâng cấp lên YOLO26 giúp hệ thống duy trì độ chính xác, tiết kiệm bộ nhớ và luôn cập nhật.
Bình luận
Đặt câu hỏi, chia sẻ kết quả hoặc giúp đỡ người khác.