PP-YOLOE+ vs RTDETRv2
Thị giác máy tính đã phát triển nhanh chóng trong những năm gần đây, đặc biệt là lĩnh vực phát hiện vật thể thời gian thực. Việc chọn đúng kiến trúc cho triển khai có thể tạo ra khác biệt giữa một ứng dụng chậm, tốn nhiều bộ nhớ và một hệ thống được tối ưu, phản hồi nhanh. Bài so sánh kỹ thuật này đề cập đến hai model nổi bật của Baidu: PP-YOLOE+ dựa trên CNN và RTDETRv2 dựa trên Transformer. Bài viết phân tích kiến trúc, các chỉ số hiệu năng và trường hợp sử dụng phù hợp nhất của hai model, đồng thời xem xét cách chúng so sánh với Ultralytics YOLO26.
PP-YOLOE+: Thúc đẩy mô hình CNN#
Được phát triển như một phiên bản cải tiến từ các thế hệ trước, PP-YOLOE+ cho thấy Mạng nơ-ron tích chập (CNN) truyền thống có thể tiến xa đến đâu trong phát hiện vật thể. Đây là detector không anchor có năng lực, kế thừa các cơ chế nền tảng của dòng YOLO đồng thời bổ sung những tối ưu hóa riêng cho hệ sinh thái PaddlePaddle.
Thông tin model:
- Tác giả: Nhóm tác giả PaddlePaddle
- Tổ chức: Baidu
- Ngày: 2022-04-02
- arXiv: 2203.16250
- GitHub: Kho lưu trữ PaddleDetection
- Tài liệu: Tài liệu PP-YOLOE+
Kiến trúc và phương pháp#
PP-YOLOE+ dựa trên backbone CSPRepResNet và mạng kim tự tháp đặc trưng kiểu PAN để tổng hợp hiệu quả các đặc trưng đa tỷ lệ. Model sử dụng thiết kế không anchor, loại bỏ việc tinh chỉnh theo kinh nghiệm thường cần thiết khi tạo anchor box. Phương pháp huấn luyện cũng sử dụng Task Alignment Learning (TAL) để gán nhãn, giúp dự đoán khớp tốt hơn với các hộp ground truth trong quá trình học.
Ưu điểm và trường hợp sử dụng#
Ưu điểm chính của PP-YOLOE+ nằm ở hiệu năng ổn định trên phần cứng máy chủ tiêu chuẩn và khả năng tích hợp sâu với các công cụ của Baidu. Model phù hợp với các quy trình công nghiệp truyền thống, chẳng hạn như phát hiện lỗi tĩnh trong môi trường sản xuất, nơi giới hạn phần cứng không quá khắt khe.
PP-YOLOE+ có độ chính xác cao, nhưng việc triển khai model bên ngoài hệ sinh thái gốc đôi khi có thể cần thêm các bước chuyển đổi, không như những định dạng export gốc sẵn có trong các pipeline Ultralytics hiện đại.
RTDETRv2: Transformer phát hiện thời gian thực#
Rời xa CNN thuần túy, RTDETRv2 (Transformer phát hiện thời gian thực phiên bản 2) đưa các cơ chế attention vào bài toán phát hiện thời gian thực. Model hướng đến việc kết hợp khả năng hiểu ngữ cảnh toàn cục của Transformer với độ trễ thấp cần thiết cho các ứng dụng thực tế.
Thông tin 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 RTDETRv2
- Tài liệu: README của RTDETRv2
Kiến trúc và phương pháp#
RTDETRv2 sử dụng kiến trúc lai, kết hợp backbone CNN để trích xuất đặc trưng với encoder-decoder Transformer được tinh gọn. Đặc điểm nổi bật của RTDETRv2 là thiết kế đầu-cuối tích hợp sẵn, bỏ qua bước hậu xử lý Non-Maximum Suppression (NMS) truyền thống. Model cũng xử lý phát hiện đa tỷ lệ và các cảnh phức tạp, dùng self-attention để nắm bắt quan hệ không gian giữa các vật thể ở xa nhau.
Ưu điểm và trường hợp sử dụng#
Kiến trúc Transformer giúp RTDETRv2 hoạt động hiệu quả trong các tình huống cần hiểu ngữ cảnh toàn cục. Tuy nhiên, model Transformer thường đòi hỏi lượng bộ nhớ CUDA cao hơn đáng kể trong cả huấn luyện lẫn suy luận so với CNN gọn nhẹ. Model phù hợp nhất với môi trường không bị giới hạn về phần cứng, chẳng hạn như phân tích video trên nền tảng đám mây chạy bằng các máy chủ GPU mạnh.
So sánh hiệu năng và chỉ số#
Khi đánh giá các model này, sự đánh đổi giữa độ chính xác trung bình (mAP) và chi phí tính toán (đo bằng FLOPs và độ trễ suy luận) là yếu tố then chốt. Bảng dưới đây trình bày các chỉ số chính ở nhiều quy mô khác nhau của PP-YOLOE+ và RTDETRv2.
| Model | kích thước (pixel) | mAPval50-95 | Tốc độ CPU ONNX (ms) | Tốc độ T4 TensorRT10 (ms) | params (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| PP-YOLOE+t | 640 | 39.9 | - | 2.84 | 4.85 | 19.15 |
| PP-YOLOE+s | 640 | 43.7 | - | 2.62 | 7.93 | 17.36 |
| PP-YOLOE+m | 640 | 49.8 | - | 5.56 | 23.43 | 49.91 |
| PP-YOLOE+l | 640 | 52.9 | - | 8.36 | 52.2 | 110.07 |
| PP-YOLOE+x | 640 | 54.7 | - | 14.3 | 98.42 | 206.59 |
| 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 |
RTDETRv2 đạt mAP cao nhưng cần nhiều tham số và FLOPs hơn; trong khi đó, các nhà phát triển muốn triển khai trên thiết bị edge có tài nguyên hạn chế thường gặp nút thắt do nhu cầu bộ nhớ lớn vốn có của các lớp Transformer.
Trường hợp sử dụng và khuyến nghị#
Việc lựa chọn giữa PP-YOLOE+ và RT-DETR phụ thuộc vào yêu cầu cụ thể của dự án, giới hạn triển khai và ưu tiên hệ sinh thái của bạn.
Khi nào nên chọn PP-YOLOE+#
PP-YOLOE+ là lựa chọn phù hợp trong các trường hợp:
- Tích hợp hệ sinh thái PaddlePaddle: Các tổ chức có hạ tầng hiện hữu được xây dựng trên framework và bộ công cụ PaddlePaddle của Baidu.
- Triển khai biên bằng Paddle Lite: Triển khai lên phần cứng có kernel suy luận được tối ưu hóa cao, dành riêng cho Paddle Lite hoặc inference engine Paddle.
- Phát hiện độ chính xác cao phía máy chủ: Các kịch bản ưu tiên độ chính xác phát hiện tối đa trên máy chủ GPU mạnh, nơi sự phụ thuộc vào framework không phải vấn đề đáng lo ngại.
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 khả năng tăng tốc GPU chuyên dụng, nơi tốc độ suy luận CPU nhanh hơn tới 43% của YOLO26 (YOLO26n so với YOLO11n) mang lại 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#
Dù PP-YOLOE+ và RTDETRv2 đều là những cột mốc quan trọng, các nhà phát triển hiện đại cần một hệ sinh thái cân bằng giữa hiệu năng cao và khả năng sử dụng đơn giản. Nền tảng Ultralytics và model YOLO26 được thiết kế chính xác cho nhu cầu này.
Ra mắt vào tháng 1 năm 2026, YOLO26 được xây dựng cho AI thị giác ưu tiên thiết bị biên. Model giải quyết những trở ngại khi triển khai gắn liền với các kiến trúc cũ, đồng thời cải thiện tốc độ và độ chính xác.
Các cải tiến kiến trúc#
YOLO26 giới thiệu một số cải tiến so với CNN truyền thống và Transformer nặng:
- Thiết kế đầu-cuối không cần NMS: Tương tự RTDETRv2, YOLO26 hỗ trợ suy luận đầu-cuối tích hợp sẵn. Bằng cách bỏ qua bước hậu xử lý NMS với đầu one-to-one tùy chọn (
nms=False), model giúp triển khai nhanh và đơn giản hơn, đồng thời giảm độ dao động độ trễ; đây là lựa chọn lý tưởng cho robotics thời gian thực và hệ thống tự hành. - Suy luận CPU nhanh hơn đến 43%: Nhờ các tối ưu hóa kiến trúc, YOLO26 vượt trội đáng kể so với các model cạnh tranh trên thiết bị biên không có GPU rời; YOLO26n chạy trên CPU nhanh hơn YOLO11n đến 43%, phù hợp với các ứng dụng IoT và thành phố thông minh.
- Optimizer MuSGD: Lấy cảm hứng từ các đổi mới trong huấn luyện LLM, YOLO26 sử dụng phương pháp kết hợp SGD và Muon. Cách này giúp huấn luyện ổn định hơn và hội tụ nhanh hơn, giảm đáng kể số giờ huấn luyện trên GPU.
- ProgLoss + STAL: Hàm loss tiến triển và chiến lược gán nhãn nhận biết mục tiêu nhỏ giúp cải thiện đáng kể khả năng nhận diện vật thể nhỏ, lĩnh vực mà các model như PP-YOLOE+ thường gặp khó khăn; đây là yếu tố thiết yếu cho ảnh chụp từ trên không và ứng dụng drone.
- Loại bỏ DFL: Việc loại bỏ Distribution Focal Loss giúp đơn giản hóa quy trình export, cải thiện khả năng tương thích với nhiều thiết bị biên và thiết bị công suất thấp.
Khác với các detector chuyên biệt, YOLO26 rất linh hoạt, hỗ trợ Phân đoạn đối tượng, Phân loại, Ước tính tư thế và Hộp giới hạn định hướng (OBB). Model tích hợp các cải tiến chuyên biệt như RLE cho Pose và hàm loss góc dành riêng cho OBB.
Dễ sử dụng#
Một trong những nhược điểm lớn nhất khi áp dụng kiến trúc phức tạp như RTDETRv2 là đường cong học tập dốc và quy trình tích hợp rời rạc. Hệ sinh thái Ultralytics trừu tượng hóa những phức tạp này thông qua Python API trực quan và Nền tảng Ultralytics trên web.
Dù bạn đang huấn luyện trên dataset tùy chỉnh hay chạy suy luận nhanh, quy trình đều đơn giản:
from ultralytics import RTDETR, YOLO
# Khởi tạo model YOLO26
model_yolo = YOLO("yolo26n.pt")
# Hoặc khởi tạo model RT-DETR bằng cùng API đơn giản
model_rtdetr = RTDETR("rtdetr-l.pt")
# Chạy suy luận thời gian thực
results = model_yolo("https://ultralytics.com/images/zidane.jpg")
results[0].show()
# Export để triển khai trên edge chỉ với một dòng lệnh
model_yolo.export(format="engine", quantize=16)Nhu cầu bộ nhớ thấp hơn, vốn là đặc điểm thường thấy ở các model Ultralytics YOLO, cho phép bạn huấn luyện nhanh hơn và triển khai trên phần cứng rẻ hơn so với các model dựa trên Transformer. Quá trình phát triển tích cực và tài liệu đầy đủ cũng giúp duy trì sự ổn định cho các pipeline production.
Với các nhóm đang tìm hiểu lựa chọn thay thế, YOLO11 vẫn là thế hệ tiền nhiệm có năng lực và được hỗ trợ tốt trong hệ sinh thái, cung cấp baseline vững chắc cho các tích hợp phần cứng hiện có. Bạn cũng có thể tham khảo bài so sánh YOLO11 với RT-DETR.
Tóm tắt#
PP-YOLOE+ và RTDETRv2 đã đóng góp đáng kể vào sự phát triển của thị giác máy tính, lần lượt cho thấy tính khả thi của pipeline CNN tiên tiến và Transformer thời gian thực. Tuy nhiên, với các tổ chức muốn triển khai ứng dụng thị giác máy tính mạnh mẽ, linh hoạt và được tối ưu vào năm 2026, Ultralytics YOLO26 là giải pháp được khuyến nghị. Khả năng suy luận không cần NMS tùy chọn, suy luận CPU nhanh hơn đáng kể và hệ sinh thái tinh gọn giúp nhà phát triển nhanh chóng chuyển từ ý tưởng sang production có khả năng mở rộng.
Bình luận
Đặt câu hỏi, chia sẻ kết quả hoặc giúp đỡ người khác.