RTDETRv2 so với EfficientDet#

Việc lựa chọn kiến trúc mạng nơ-ron tối ưu là quyết định quan trọng cho bất kỳ dự án computer vision nào. So sánh kỹ thuật toàn diện này phân tích hai mô hình phát hiện đối tượng có ảnh hưởng: RTDETRv2, một trình phát hiện dựa trên transformer tối tân, và EfficientDet, một mạng nơ-ron tích chập có khả năng mở rộng cao. Chúng tôi sẽ đánh giá các kiến trúc khác biệt, performance metrics, phương pháp huấn luyện và các kịch bản triển khai lý tưởng của chúng để giúp bạn đưa ra các quyết định dựa trên dữ liệu cho các đường ống AI của mình.

RTDETRv2: Transformer phát hiện thời gian thực#

Dựa trên thành công của RT-DETR ban đầu, RTDETRv2 tinh chỉnh mô hình object detection dựa trên transformer. Bằng cách tối ưu hóa các cấu trúc mã hóa (encoder) và giải mã (decoder), mô hình mang lại độ chính xác cao trong khi vẫn duy trì tốc độ suy luận thời gian thực, thu hẹp hiệu quả khoảng cách giữa CNN truyền thống và transformer thị giác.

Model Details Authors: Wenyu Lv, Yian Zhao, Qinyao Chang, Kui Huang, Guanzhong Wang, and Yi Liu
Organization: Baidu Date: 2024-07-24 Links: Arxiv, GitHub, Docs

Kiến trúc và các thế mạnh cốt lõi#

RTDETRv2 sử dụng kiến trúc lai kết hợp phần thân CNN mạnh mẽ (thường là ResNet hoặc HGNet) với một transformer decoder hiệu quả. Đặc điểm xác định rõ nhất của RTDETRv2 là khả năng bẩm sinh bỏ qua non-maximum suppression (NMS). Các trình phát hiện truyền thống yêu cầu NMS để lọc ra các hộp giới hạn trùng lặp, làm tăng inference latency biến đổi trong quá trình xử lý hậu kỳ. RTDETRv2 định hình việc phát hiện như một bài toán dự đoán tập hợp trực tiếp, sử dụng khớp cặp đôi (bipartite matching) để xuất ra các dự đoán duy nhất.

Mô hình này xuất sắc trong các triển khai phía máy chủ (server-side) nơi bộ nhớ GPU dồi dào. Cơ chế chú ý toàn cục (global attention) của nó cung cấp nhận thức ngữ cảnh đặc biệt, làm cho mô hình rất thành thạo trong việc tách các đối tượng chồng chéo trong các môi trường đông đúc, lộn xộn như security alarm systems tự động hoặc giám sát đám đông dày đặc.

Hạn chế#

Mặc dù mạnh mẽ, các kiến trúc transformer vốn đòi hỏi nhiều bộ nhớ CUDA hơn trong quá trình huấn luyện so với các CNN tiêu chuẩn. Hơn nữa, việc tinh chỉnh RTDETRv2 có thể yêu cầu thời gian hội tụ training data kéo dài hơn, khiến việc tạo mẫu nhanh tốn nhiều tài nguyên hơn một chút.

Tìm hiểu thêm về RTDETRv2

EfficientDet: Các CNN có khả năng mở rộng và hiệu quả#

EfficientDet giới thiệu một nhóm các mô hình phát hiện đối tượng được tối ưu hóa cho cả độ chính xác và hiệu quả trên một phổ rộng các ràng buộc tài nguyên. Mô hình này vẫn là một ví dụ kinh điển về thiết kế machine vision có thể mở rộng.

Model Details Authors: Mingxing Tan, Ruoming Pang, and Quoc V. Le
Organization: Google
Date: 2019-11-20
Links: Arxiv, GitHub, Docs

Kiến trúc và các thế mạnh cốt lõi#

Sự đổi mới đằng sau EfficientDet nằm ở hai lĩnh vực chính: Mạng kim tự tháp tính năng hai chiều (BiFPN) và phương pháp chia tỷ lệ hỗn hợp (compound scaling method). BiFPN cho phép trích xuất tính năng đa tỷ lệ feature extraction đơn giản và nhanh chóng bằng cách giới thiệu các trọng số học được để tìm hiểu tầm quan trọng của các tính năng đầu vào khác nhau, đồng thời áp dụng lặp đi lặp lại việc hợp nhất tính năng đa tỷ lệ từ trên xuống và từ dưới lên. Phương pháp chia tỷ lệ hỗn hợp đồng thời chia tỷ lệ độ phân giải, độ sâu và chiều rộng của mạng.

Các mô hình EfficientDet dao động từ D0 siêu nhẹ đến D7 khổng lồ. Điều này làm cho chúng rất linh hoạt cho các triển khai edge AI nơi các nhà phát triển phải cân bằng ngân sách tính toán chặt chẽ với các yêu cầu về độ chính xác, chẳng hạn như các ứng dụng augmented reality di động sớm.

Hạn chế#

EfficientDet là một kiến trúc cũ phụ thuộc nhiều vào các hộp mỏ neo (anchor boxes) và quy trình xử lý hậu kỳ NMS truyền thống. Quá trình tạo mỏ neo đòi hỏi hyperparameter tuning cẩn thận và bước NMS có thể làm nghẽn quá trình triển khai trên phần cứng nhúng như Raspberry Pi. Mô hình cũng thiếu hỗ trợ gốc cho các tác vụ hiện đại như pose estimation hoặc oriented bounding boxes (OBB).

Tìm hiểu thêm về EfficientDet

So sánh Hiệu năng và Chỉ số#

Việc hiểu rõ các đánh đổi chính xác giữa các mô hình này đòi hỏi phải phân tích thông lượng và hiệu quả tham số của chúng. Bảng dưới đây phác thảo cách dòng RTDETRv2 hiện đại so sánh với họ EfficientDet có khả năng mở rộng.

Như đã thấy ở trên, RTDETRv2 đạt được mean Average Precision (mAP) cao hơn đáng kể ở số lượng tham số tương đương với các mô hình EfficientDet tầm trung, tận dụng tối đa kiến trúc transformer của mình để nâng cao độ chính xác.

Các trường hợp sử dụng và Khuyến nghị#

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

Khi nào nên chọn RT-DETR#

RT-DETR là lựa chọn mạnh mẽ 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 EfficientDet#

EfficientDet được khuyến nghị cho:

• Google Cloud và các đường ống TPU: Các hệ thống được tích hợp sâu với API Google Cloud Vision hoặc hạ tầng TPU, nơi EfficientDet có sự tối ưu hóa gốc.
• Nghiên cứu về Compound Scaling: Các nghiên cứu học thuật tập trung vào việc đánh giá tác động của độ sâu mạng, chiều rộng và khả năng mở rộng độ phân giải cân bằng.
• Triển khai trên thiết bị di động qua TFLite: Các dự án đặc biệt yêu cầu xuất TensorFlow Lite cho Android hoặc các thiết bị Linux nhúng.

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.

Giải pháp thay thế từ Ultralytics: Thúc đẩy sự hiện đại#

Mặc dù cả RTDETRv2 và EfficientDet đều có những ưu điểm mạnh mẽ, nhưng việc phát triển AI hiện đại đòi hỏi các framework mang lại developer experience liền mạch bên cạnh hiệu suất tiên tiến. Ultralytics ecosystem cung cấp một cách tiếp cận đơn giản hơn đáng kể cho các tác vụ thị giác máy tính.

Nếu bạn đang khám phá việc phát hiện tối tân, Ultralytics YOLO26 mới ra mắt sẽ tổng hợp các khía cạnh tốt nhất của cả CNN và transformer.

Sự dễ sử dụng được cung cấp bởi Ultralytics Python package là chưa từng có. Các nhà phát triển có thể huấn luyện, xác thực và export models bằng cách sử dụng một API trực quan giúp trừu tượng hóa mã boilerplate thường được yêu cầu bởi các kho lưu trữ nghiên cứu.

from ultralytics import RTDETR

# Load a pre-trained RTDETRv2 model from the Ultralytics ecosystem
model = RTDETR("rtdetr-l.pt")

# Train the model on the COCO8 dataset
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Export for optimized inference on TensorRT
model.export(format="engine")

Các mô hình Ultralytics hỗ trợ gốc nhiều tác vụ, bao gồm instance segmentation và image classification, cung cấp một bộ công cụ linh hoạt cho các nhu cầu đa dạng của ngành. Hơn nữa, việc loại bỏ Distribution Focal Loss (DFL) trong các mô hình Ultralytics hiện đại giúp đơn giản hóa biểu đồ tính toán, đảm bảo việc xuất khẩu mượt mà hơn sang các NPUs and TPUs nhúng.

Để data annotation và quản lý mô hình liền mạch, Ultralytics Platform cung cấp một môi trường đám mây toàn diện để giám sát toàn bộ vòng đời học máy, khẳng định đây là lựa chọn hàng đầu để triển khai các giải pháp thị giác máy tính mạnh mẽ trong môi trường sản xuất.