So sánh PP-YOLOE+ và RTDETRv2#

Lĩnh vực thị giác máy tính đã chứng kiến sự phát triển mạnh mẽ trong những năm gần đây, đặc biệt là trong lĩnh vực phát hiện đối tượng thời gian thực. Việc lựa chọn kiến trúc phù hợp cho quá trình triển khai có thể quyết định sự khác biệt giữa một ứng dụng chậm chạp, tốn bộ nhớ và một hệ thống phản hồi nhanh, được tối ưu hóa cao. Trong phần so sánh kỹ thuật này, chúng tôi khám phá hai mô hình nổi bật từ Baidu: PP-YOLOE+ dựa trên CNN và RTDETRv2 dựa trên Transformer. Chúng tôi sẽ phân tích kiến trúc, các chỉ số hiệu suất và các trường hợp sử dụng lý tưởng của chúng, đồng thời xem xét cách chúng so sánh với nền tảng tiên tiến Ultralytics YOLO26.

PP-YOLOE+: Thúc đẩy mô hình CNN#

Được phát triển như một sự lặp lại so với các phiên bản tiền nhiệm, PP-YOLOE+ mở rộng giới hạn những gì mà các Mạng thần kinh tích chập (CNN) truyền thống có thể đạt được trong phát hiện đối tượng. Đây là một trình phát hiện không cần neo (anchor-free) có năng lực cao, được xây dựng dựa trên các cơ chế nền tảng của dòng YOLO trong khi giới thiệu các tối ưu hóa cụ thể cho hệ sinh thái PaddlePaddle.

Chi tiết Model:

• Tác giả: Các tác giả của PaddlePaddle
• Tổ chức: Baidu
• Ngày: 02-04-2022
• Arxiv: 2203.16250
• GitHub: Kho lưu trữ PaddleDetection
• Tài liệu: Tài liệu PP-YOLOE+

Kiến trúc và phương pháp luận#

PP-YOLOE+ dựa vào một backbone được tối ưu hóa mạnh mẽ và mạng kim tự tháp đặc trưng (feature pyramid network) tùy chỉnh để tổng hợp các đặc trưng đa quy mô một cách hiệu quả. Nó sử dụng thiết kế không cần neo (anchor-free), giúp đơn giản hóa quá trình tinh chỉnh heuristic thường cần thiết cho việc tạo hộp neo (anchor box). Hơn nữa, phương pháp đào tạo của nó bao gồm các chiến lược gán nhãn tiên tiến để khớp các dự đoán với các hộp sự thật mặt đất (ground truth boxes) tốt hơn trong giai đoạn học tập.

Điểm mạnh và các trường hợp sử dụng#

Điểm mạnh chính của PP-YOLOE+ nằm ở hiệu suất ổn định trên phần cứng máy chủ tiêu chuẩn và khả năng tích hợp sâu với các công cụ của Baidu. Nó phù hợp với các quy trình công nghiệp truyền thống, chẳng hạn như phát hiện lỗi tĩnh trong môi trường sản xuất, nơi các ràng buộc về phần cứng không quá khắt khe.

Tìm hiểu thêm về PP-YOLOE+

RTDETRv2: Transformer phát hiện thời gian thực#

Chuyển dịch khỏi các CNN thuần túy, RTDETRv2 (Real-Time Detection Transformer phiên bản 2) đại diện cho một bước nhảy vọt sang các cơ chế dựa trên sự chú ý (attention-based) cho các tác vụ thị giác máy tính. Nó nỗ lực kết hợp khả năng hiểu bối cảnh toàn cầu của các Transformer với độ trễ thấp cần thiết cho các ứng dụng thực tế.

Chi tiết Model:

• Tác giả: Wenyu Lv, Yian Zhao, Qinyao Chang, Kui Huang, Guanzhong Wang và Yi Liu
• Tổ chức: Baidu
• Ngày: 24-07-2024
• Arxiv: 2407.17140
• GitHub: Kho lưu trữ RT-DETRv2
• Docs: RTDETRv2 README

Kiến trúc và phương pháp luận#

RTDETRv2 tận dụng kiến trúc lai, kết hợp backbone CNN để trích xuất đặc trưng với bộ mã hóa-giải mã (encoder-decoder) Transformer được tinh giản. Một đặc điểm định hình của RTDETRv2 là thiết kế end-to-end gốc giúp bỏ qua quá trình hậu xử lý NMS (Non-Maximum Suppression) truyền thống. Nó cũng giới thiệu các tính năng như phát hiện đa quy mô và xử lý cảnh phức tạp, sử dụng cơ chế tự chú ý (self-attention) để hiểu các mối quan hệ không gian giữa các đối tượng ở xa.

Điểm mạnh và các trường hợp sử dụng#

Kiến trúc transformer giúp RTDETRv2 cực kỳ hiệu quả trong các kịch bản mà việc hiểu ngữ cảnh toàn cục là rất quan trọng. Tuy nhiên, các mô hình transformer thường đòi hỏi bộ nhớ CUDA lớn hơn đáng kể trong cả quá trình huấn luyện và suy luận so với các CNN nhẹ. Nó phù hợp nhất với các môi trường phần cứng không bị giới hạn, chẳng hạn như phân tích video dựa trên đám mây chạy trên các máy chủ GPU mạnh mẽ.

Tìm hiểu thêm về RTDETR

So sánh Hiệu năng và Chỉ số#

Khi đánh giá các model này, sự đánh đổi giữa mAP (mean Average Precision) và chi phí tính toán (được đo bằng FLOPs và độ trễ suy luận) là tối quan trọng. Bảng dưới đây phác thảo các chỉ số chính cho các quy mô khác nhau của cả PP-YOLOE+ và RTDETRv2.

Trong khi RTDETRv2 cho thấy mAP mạnh mẽ với cái giá phải trả là số lượng tham số và FLOPs cao hơn, các nhà phát triển muốn triển khai trên các thiết bị biên bị hạn chế thường phải đối mặt với các nút thắt do yêu cầu bộ nhớ lớn đặc trưng của các lớp Transformer.

Các trường hợp sử dụng và Khuyến nghị#

Việc lựa chọn giữa PP-YOLOE+ và RT-DETR phụ thuộc vào yêu cầu dự án cụ thể, các ràng buộc triển khai và sở thích hệ sinh thái của bạn.

Khi nào nên chọn PP-YOLOE+#

PP-YOLOE+ là lựa chọn mạnh mẽ cho:

• Tích hợp hệ sinh thái PaddlePaddle: Các tổ chức có cơ sở hạ tầng hiện có được xây dựng trên framework và công cụ PaddlePaddle của Baidu.
• Triển khai Paddle Lite Edge: Triển khai lên phần cứng với các kernel suy luận được tối ưu hóa cao dành riêng cho Paddle Lite hoặc engine suy luận Paddle.
• Nhận diện phía máy chủ có độ chính xác cao: Các kịch bản ưu tiên độ chính xác nhận diện tối đa trên các máy chủ GPU mạnh mẽ, nơi sự phụ thuộc vào framework không phải là vấn đề.

Khi nào nên chọn RT-DETR#

RT-DETR được khuyên dùng cho:

• Nghiên cứu phát hiện dựa trên Transformer: Các dự án khám phá cơ chế chú ý và kiến trúc transformer cho phát hiện vật thể end-to-end không cần NMS.
• Các kịch bản độ chính xác cao với độ trễ linh hoạt: Các ứng dụng mà độ chính xác phát hiện là ưu tiên hàng đầu và độ trễ suy luận cao hơn một chút là có thể chấp nhận được.
• Phát hiện vật thể lớn: Các cảnh chủ yếu có vật thể từ trung bình đến lớn, nơi cơ chế chú ý toàn cục của các transformer mang lại lợi thế tự nhiên.

Khi nào nên chọn Ultralytics (YOLO26)#

Đối với hầu hết các dự án mới, Ultralytics YOLO26 mang lại sự kết hợp tốt nhất giữa hiệu suất và trải nghiệm của nhà phát triển:

• 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 hậu xử lý Non-Maximum Suppression.
• Môi trường chỉ dùng CPU: Các thiết bị không có tăng tốc GPU chuyên dụng, nơi suy luận CPU nhanh hơn tới 43% của YOLO26 mang lại lợi thế quyết định.
• Phát hiện Vật thể Nhỏ: Các kịch bản thử thách như aerial drone imagery hoặc phân tích cảm biến IoT nơi ProgLoss và STAL cải thiện đáng kể độ chính xác trên các vật thể nhỏ xíu.

Lợi thế của Ultralytics: Giới thiệu YOLO26#

Mặc dù cả PP-YOLOE+ và RTDETRv2 đều đại diện cho các cột mốc quan trọng, nhà phát triển hiện đại vẫn cần một hệ sinh thái cân bằng hoàn hảo giữa hiệu suất cực cao và tính dễ sử dụng được hợp lý hóa. Nền tảng Ultralytics và mô hình đột phá YOLO26 mang đến chính xác điều này.

Được phát hành vào tháng 1 năm 2026, YOLO26 thiết lập tiêu chuẩn mới cho AI thị giác ưu tiên thiết bị biên. Nó giải quyết một cách tao nhã các rào cản triển khai liên quan đến các kiến trúc cũ trong khi vượt qua chúng về cả tốc độ và độ chính xác.

Cải tiến kiến trúc#

YOLO26 giới thiệu một số cải tiến tiên phong vượt xa các CNN truyền thống và các Transformer nặng nề:

• Thiết kế đầu cuối không dùng NMS (End-to-End NMS-Free): Giống như RTDETRv2, YOLO26 có tính năng nguyên bản là đầu cuối (end-to-end). Bằng cách loại bỏ quá trình hậu xử lý Triệt tiêu Không tối đa (NMS), nó mang lại khả năng triển khai nhanh hơn, đơn giản hơn với độ trễ giảm, lý tưởng cho robot học thời gian thực và các hệ thống tự động.
• Suy luận CPU nhanh hơn tới 43%: Thông qua các tối ưu hóa kiến trúc sâu, YOLO26 vượt trội đáng kể so với các mô hình cạnh tranh trên các thiết bị biên thiếu GPU rời, biến nó thành lựa chọn hàng đầu cho các ứng dụng IoT và thành phố thông minh.
• Bộ tối ưu hóa MuSGD: Lấy cảm hứng từ các đổi mới trong đào tạo LLM, YOLO26 sử dụng sự kết hợp giữa SGD và Muon. Điều này mang lại các quỹ đạo đào tạo ổn định hơn và sự hội tụ nhanh hơn đáng kể, giảm đáng kể số giờ đào tạo trên GPU.
• ProgLoss + STAL: Các hàm mất mát tiên tiến này mang lại những cải tiến đáng chú ý trong việc nhận dạng đối tượng nhỏ, một lĩnh vực mà các mô hình như PP-YOLOE+ trước đây gặp khó khăn, chứng tỏ tầm quan trọng đối với các ứng dụng ảnh hàng không và máy bay không người lái.
• Loại bỏ DFL: Việc loại bỏ Distribution Focal Loss giúp đơn giản hóa quy trình xuất, đảm bảo khả năng tương thích liền mạch trên nhiều thiết bị biên và thiết bị năng lượng thấp.

Tìm hiểu thêm về YOLO26

Sự dễ sử dụng vô song#

Một trong những hạn chế lớn nhất của việc áp dụng các kiến trúc phức tạp như RTDETRv2 là đường cong học tập dốc và các quy trình tích hợp rời rạc. Hệ sinh thái Ultralytics trừu tượng hóa hoàn toàn những phức tạp này thông qua API Python trực quan và nền tảng dựa trên web toàn diện.

Cho dù bạn đang huấn luyện các tập dữ liệu tùy chỉnh hay chạy suy luận nhanh, quy trình này đều diễn ra mượt mà:

from ultralytics import RTDETR, YOLO

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

# Alternatively, initialize an RT-DETR model via the same simple API
model_rtdetr = RTDETR("rtdetr-l.pt")

# Run real-time inference effortlessly
results = model_yolo("https://ultralytics.com/images/zidane.jpg")
results[0].show()

# Export for edge deployment in one line
model_yolo.export(format="engine", quantize=16)

Các yêu cầu bộ nhớ thấp hơn đặc trưng của các model Ultralytics YOLO đồng nghĩa với việc bạn có thể đào tạo nhanh hơn và triển khai trên phần cứng rẻ hơn so với các đối tác dựa trên Transformer. Hơn nữa, sự phát triển tích cực và tài liệu đẳng cấp thế giới đảm bảo các pipeline sản xuất của bạn luôn ổn định.

Đối với các nhóm đang khám phá các giải pháp thay thế, YOLO11 vẫn là một phiên bản tiền nhiệm được hỗ trợ mạnh mẽ và có năng lực đặc biệt trong hệ sinh thái, cung cấp một nền tảng tuyệt vời để tích hợp phần cứng cũ. Bạn cũng có thể thấy hữu ích khi đọc bài so sánh của chúng tôi về YOLO11 vs RTDETR.

Tóm tắt#

PP-YOLOE+ và RTDETRv2 đã đóng góp đáng kể vào sự phát triển của thị giác máy tính, chứng minh tính khả thi của các pipeline CNN tiên tiến và các Transformer thời gian thực. Tuy nhiên, đối với các tổ chức muốn triển khai các ứng dụng thị giác máy tính mạnh mẽ, linh hoạt và được tối ưu hóa cao vào năm 2026, Ultralytics YOLO26 cung cấp một giải pháp không đối thủ. Kiến trúc không cần NMS, suy luận trên CPU nhanh hơn đáng kể và hệ sinh thái tinh giản của nó trao quyền cho các nhà phát triển chuyển từ ý tưởng sang sản xuất quy mô lớn nhanh hơn bao giờ hết.