RTDETRv2 và DAMO-YOLO
Thị giác máy tính không ngừng phát triển khi các nhà nghiên cứu và kỹ sư xây dựng model cân bằng tốc độ, độ chính xác và hiệu quả. Hai kiến trúc nổi bật trong lĩnh vực này là RTDETRv2 do Baidu phát triển và DAMO-YOLO do Alibaba Group tạo ra. Cả hai model đều thúc đẩy phát hiện đối tượng thời gian thực, nhưng theo đuổi những triết lý kiến trúc khác biệt căn bản.
Bài so sánh kỹ thuật này trình bày kiến trúc, phương pháp huấn luyện và khả năng triển khai thực tế của hai model. Bài viết cũng giải thích cách các model này so sánh với hệ sinh thái rộng hơn, đặc biệt là Ultralytics Platform và dòng model YOLO26.
Các cải tiến kiến trúc#
Hiểu rõ cơ chế cốt lõi của các model này là điều thiết yếu đối với kỹ sư machine learning có nhiệm vụ lựa chọn công cụ phù hợp cho môi trường production.
RTDETRv2: Phương pháp tiếp cận Transformer#
Kế thừa thành công của RT-DETR nguyên bản, RTDETRv2 sử dụng encoder lai và decoder Transformer. Thiết kế này cho phép model xử lý hiệu quả ngữ cảnh toàn cục, giúp phân biệt tốt các đối tượng chồng lấp trong cảnh dày đặc. Ưu điểm đáng kể nhất của kiến trúc này là thiết kế không cần NMS (Ức chế phi cực đại) nguyên bản. Bằng cách loại bỏ bước hậu xử lý NMS, RTDETRv2 tinh gọn pipeline suy luận và đảm bảo độ trễ ổn định hơn trên nhiều cấu hình phần cứng.
DAMO-YOLO: Nâng cao hiệu quả CNN#
Mặt khác, DAMO-YOLO vẫn thuộc dòng YOLO dựa trên CNN nhưng bổ sung một số cải tiến đáng chú ý. Model sử dụng Tìm kiếm kiến trúc mạng (NAS) để tối ưu backbone nhằm trích xuất đặc trưng hiệu quả hơn. Model cũng tích hợp RepGFPN (Mạng kim tự tháp đặc trưng tổng quát hóa được tái tham số hóa) hiệu quả và thiết kế ZeroHead, cùng với các kỹ thuật AlignedOTA và chưng cất tri thức. Những đổi mới này giúp DAMO-YOLO đạt tốc độ suy luận nhanh trong khi vẫn duy trì điểm mAPval50-95 có tính cạnh tranh.
Trong khi RTDETRv2 tập trung tận dụng cơ chế attention để hiểu đặc trưng toàn cục mà không cần NMS, DAMO-YOLO tối đa hóa hiệu quả CNN truyền thống thông qua NAS và chưng cất nâng cao; model cần hậu xử lý tiêu chuẩn nhưng có lợi thế tốc độ riêng trên một số phần cứng.
So sánh hiệu năng và chỉ số#
Khi đánh giá model để triển khai, các chỉ số hiệu năng như Độ chính xác trung bình (mAP), tốc độ suy luận và số lượng tham số là yếu tố then chốt. Bảng dưới đây so sánh hai dòng model.
| Model | kích thước (pixel) | mAPval50-95 | Tốc độ CPU ONNX (ms) | Tốc độ T4 TensorRT10 (ms) | params (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| 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 |
| DAMO-YOLOt | 640 | 42.0 | - | 2.32 | 8.5 | 18.1 |
| DAMO-YOLOs | 640 | 46.0 | - | 3.45 | 16.3 | 37.8 |
| DAMO-YOLOm | 640 | 49.2 | - | 5.09 | 28.2 | 61.8 |
| DAMO-YOLOl | 640 | 50.8 | - | 7.18 | 42.1 | 97.3 |
Phân tích kết quả#
Như thể hiện trong bảng, RTDETRv2-x đạt độ chính xác cao nhất với mAPval50-95 là 54,3, cho thấy sức mạnh của kiến trúc Transformer trên các benchmark khó như bộ dữ liệu COCO. Tuy nhiên, điều này đòi hỏi số tham số (76M) và FLOPs cao hơn đáng kể.
Ngược lại, DAMO-YOLOt (Tiny) rất nhẹ, chỉ cần 8.5M tham số, là lựa chọn nhanh cho môi trường có bộ nhớ CUDA cực kỳ hạn chế. DAMO-YOLO thường mang lại sự đánh đổi thuận lợi giữa tốc độ và độ chính xác cho các thiết bị biên đời cũ.
Hệ sinh thái, khả năng sử dụng và lợi thế của Ultralytics#
Các kho mã độc lập như dự án GitHub chính thức của RT-DETR và DAMO-YOLO cung cấp mã nguồn để huấn luyện các model này, nhưng việc tích hợp chúng vào pipeline production thường đòi hỏi nhiều mã khung và tối ưu hóa thủ công.
Đây là lúc hệ sinh thái Ultralytics giúp đơn giản hóa đáng kể trải nghiệm nhà phát triển. Ultralytics tích hợp trực tiếp các bộ phát hiện Transformer như RT-DETR nguyên bản vào API thống nhất, cho phép người dùng huấn luyện, xác thực và xuất model chỉ bằng một dòng mã. Các model Ultralytics cũng nổi tiếng với yêu cầu bộ nhớ thấp trong quá trình huấn luyện so với các kho mã độc lập dựa trên Transformer nặng.
Ví dụ mã: Tích hợp#
Dưới đây là cách chạy suy luận bằng thư viện Python Ultralytics. API vẫn nhất quán dù bạn sử dụng model Transformer hay CNN hiện đại.
from ultralytics import RTDETR, YOLO
# Tải model RT-DETR để hiểu các cảnh phức tạp
model_rtdetr = RTDETR("rtdetr-l.pt")
# Tải model Ultralytics YOLO26 mới nhất
model_yolo26 = YOLO("yolo26n.pt")
# Chạy suy luận trên ảnh mẫu
results_rtdetr = model_rtdetr("https://ultralytics.com/images/bus.jpg")
results_yolo = model_yolo26("https://ultralytics.com/images/bus.jpg")
# Hiển thị kết quả
results_yolo[0].show()Với API Ultralytics, bạn có thể xuất các model đã huấn luyện sang các định dạng như TensorRT, ONNX hoặc CoreML bằng một lệnh đơn giản như model.export(format="engine"), giúp giảm đáng kể trở ngại khi triển khai.
Các trường hợp sử dụng phù hợp nhất#
Việc chọn giữa các kiến trúc này phụ thuộc vào yêu cầu cụ thể của dự án:
- RTDETRv2 hoạt động tốt nhất trong môi trường xử lý phía máy chủ có VRAM dồi dào. Khả năng nhận biết ngữ cảnh toàn cục phù hợp với chẩn đoán hình ảnh y tế và phân tích đám đông dày đặc, nơi hiện tượng che khuất xảy ra thường xuyên.
- DAMO-YOLO rất phù hợp với ứng dụng IoT nhúng và các dây chuyền kiểm tra công nghiệp tốc độ cao, nơi số lượng tham số thấp và FPS cao là yêu cầu bắt buộc.
Tương lai: Ultralytics YOLO26#
Cả RTDETRv2 và DAMO-YOLO đều có ưu điểm riêng, nhưng lĩnh vực thị giác máy tính phát triển nhanh chóng. Với dự án mới, Ultralytics YOLO26 mới nhất kết hợp tốc độ, độ chính xác và trải nghiệm nhà phát triển.
YOLO26 áp dụng Thiết kế đầu cuối không cần NMS, khai thác ưu điểm chính của Transformer mà không phải gánh chi phí tính toán lớn. Model tích hợp Optimizer MuSGD, lấy cảm hứng từ quá trình huấn luyện Mô hình ngôn ngữ lớn, để hội tụ ổn định và nhanh chóng. Với Loại bỏ DFL (loại bỏ Distribution Focal Loss để đơn giản hóa việc xuất model và tăng khả năng tương thích với thiết bị biên, công suất thấp), YOLO26n suy luận trên CPU nhanh hơn YOLO11n đến 43%, là lựa chọn phù hợp cho điện toán biên. ProgLoss + STAL (Hàm mất mát tiến triển và gán nhãn nhận biết đối tượng nhỏ) cũng cải thiện đáng kể khả năng nhận diện đối tượng nhỏ, yếu tố quan trọng trong IoT, robotics và ảnh hàng không.
Khác với các model chỉ giới hạn ở hộp giới hạn, dòng YOLO26 hỗ trợ nhiều tác vụ từ phân đoạn đối tượng và ước lượng tư thế đến hộp giới hạn định hướng (OBB), tất cả đều được quản lý thông qua Ultralytics Platform.
Chi tiết model và tài liệu tham khảo#
RTDETRv2#
- 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: Repository RT-DETR
DAMO-YOLO#
- 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: Kho mã DAMO-YOLO
Để xem các so sánh khác, hãy tham khảo hướng dẫn về RTDETRv2 so với YOLO11 hoặc DAMO-YOLO so với YOLOv8 để biết hiệu năng của các model này so với những thế hệ trước trong dòng Ultralytics.
Bình luận
Đặt câu hỏi, chia sẻ kết quả hoặc giúp đỡ người khác.