Bắt đầu

RTDETRv2 và EfficientDet

Lựa chọn kiến trúc mạng nơ-ron tối ưu là quyết định then chốt đối với mọi dự án thị giác máy tính. Phần so sánh kỹ thuật này phân tích hai model phát hiện đối tượng có ảnh hưởng: RTDETRv2, detector dựa trên Transformer thời gian thực, và EfficientDet, mạng nơ-ron tích chập có khả năng mở rộng cao. Bài viết đánh giá kiến trúc, chỉ số hiệu năng, phương pháp huấn luyện và kịch bản triển khai phù hợp nhất để giúp bạn đưa ra quyết định dựa trên dữ liệu cho pipeline AI.

RTDETRv2: Transformer phát hiện thời gian thực#

Kế thừa thành công của RT-DETR ban đầu, RTDETRv2 cải tiến mô hình phát hiện đối tượng dựa trên Transformer. Bằng cách tối ưu hóa cấu trúc encoder và decoder, model mang lại độ chính xác cao trong khi vẫn duy trì tốc độ suy luận thời gian thực, qua đó thu hẹp hiệu quả khoảng cách giữa CNN truyền thống và vision Transformer.

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
  • Liên kết: arXiv, GitHub, Tài liệu

Kiến trúc và ưu điểm cốt lõi#

RTDETRv2 sử dụng kiến trúc lai, kết hợp backbone CNN mạnh (thường là ResNet hoặc HGNet) với Transformer decoder hiệu quả. Đặc điểm nổi bật nhất của RTDETRv2 là khả năng tích hợp sẵn để bỏ qua non-maximum suppression (NMS). Detector truyền thống cần NMS để lọc bounding box trùng lặp, làm phát sinh độ trễ inference biến thiên trong quá trình hậu xử lý. RTDETRv2 mô hình hóa phát hiện dưới dạng bài toán dự đoán tập hợp trực tiếp, sử dụng ghép cặp hai phía để tạo ra các dự đoán duy nhất.

Model này hoạt động tốt nhất khi triển khai phía server, nơi có nhiều bộ nhớ GPU. Cơ chế attention toàn cục giúp model nhận biết ngữ cảnh hiệu quả, phù hợp để tách các đối tượng chồng lấn trong môi trường dày đặc, lộn xộn như hệ thống báo động an ninh tự động hoặc giám sát đám đông đông đúc.

Hạn chế#

Dù mạnh mẽ, kiến trúc Transformer vốn cần nhiều bộ nhớ CUDA hơn trong quá trình huấn luyện so với CNN tiêu chuẩn. Việc tinh chỉnh RTDETRv2 cũng có thể mất nhiều thời gian hơn để hội tụ trên dữ liệu huấn luyện mới, khiến quá trình tạo nguyên mẫu nhanh tiêu tốn nhiều tài nguyên hơn.

Tìm hiểu thêm về RTDETRv2

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

EfficientDet giới thiệu một dòng model phát hiện đối tượng được tối ưu hóa đồng thời về độ chính xác và hiệu quả trên nhiều mức giới hạn tài nguyên. Đây vẫn là ví dụ kinh điển về thiết kế thị giác máy có khả năng mở rộng.

Thông tin model

Kiến trúc và ưu điểm cốt lõi#

Điểm đổi mới của EfficientDet nằm ở hai lĩnh vực chính: Mạng Kim tự tháp Đặc trưng Hai chiều (BiFPN) và phương pháp mở rộng theo hệ số. BiFPN cho phép trích xuất đặc trưng đa tỷ lệ đơn giản và nhanh chóng bằng cách đưa vào các trọng số có thể học để xác định tầm quan trọng của những đặc trưng đầu vào khác nhau, đồng thời liên tục kết hợp đặc trưng đa tỷ lệ theo hướng từ trên xuống và từ dưới lên. Phương pháp mở rộng theo hệ số đồng thời mở rộng đồng đều độ phân giải, độ sâu và chiều rộng của mạng.

Các model EfficientDet có kích thước từ D0 nhẹ đến D7 lớn hơn nhiều. Điều này giúp model linh hoạt khi triển khai AI edge, nơi nhà phát triển cần cân bằng ngân sách tính toán hạn chế với yêu cầu độ chính xác, chẳng hạn trong các ứng dụng thực tế tăng cường di động đời đầu.

Hạn chế#

EfficientDet là kiến trúc đời cũ phụ thuộc nhiều vào bounding box anchor và pipeline hậu xử lý NMS truyền thống. Quá trình tạo anchor cần tinh chỉnh hyperparameter cẩn thận, còn bước NMS có thể trở thành nút thắt khi triển khai trên phần cứng nhúng như Raspberry Pi. Model cũng thiếu hỗ trợ gốc cho các tác vụ hiện đại như ước tính tư thế hoặc bounding box định hướng (OBB).

Tìm hiểu thêm về EfficientDet

So sánh hiệu năng và chỉ số#

Để hiểu chính xác sự đánh đổi giữa các model này, cần phân tích thông lượng và hiệu quả tham số. Bảng dưới đây trình bày cách dòng RTDETRv2 hiện đại so sánh với dòng EfficientDet có khả năng mở rộng.

Modelkích thước
(pixel)
mAPval50-95Tốc độ
CPU ONNX
(ms)
Tốc độ
T4 TensorRT10
(ms)
params
(M)
FLOPs
(B)
RTDETRv2-s64048.1-5.032060
RTDETRv2-m64051.9-7.5136100
RTDETRv2-l64053.4-9.7642136
RTDETRv2-x64054.3-15.0376259
EfficientDet-d051234.6-3.923.92.54
EfficientDet-d164040.5-7.316.66.1
EfficientDet-d276843.0-10.928.111.0
EfficientDet-d389647.5-19.5912.024.9
EfficientDet-d4102449.7-33.5520.755.2
EfficientDet-d5128051.5-67.8633.7130.0
EfficientDet-d6128052.6-89.2951.9226.0
EfficientDet-d7153653.7-128.0751.9325.0

Như trên, RTDETRv2 đạt mAP trung bình ngang bằng hoặc cao hơn các model EfficientDet có kích thước tương tự, đồng thời chạy nhanh hơn nhiều trên GPU (ví dụ: RTDETRv2-l đạt 53.4 mAP trong 9.76 ms, so với EfficientDet-d6 đạt 52.6 mAP trong 89.29 ms), nhờ sử dụng kiến trúc Transformer để tăng độ chính xác.

Trường hợp sử dụng và khuyến nghị#

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

Khi nào nên chọn RT-DETR#

RT-DETR là lựa chọn phù hợp 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 EfficientDet#

EfficientDet được khuyến nghị cho:

  • 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 Ultralytics (YOLO26)#

Với hầu hết dự án mới, Ultralytics YOLO26 mang đến sự kết hợp tốt nhất giữa hiệu năng và trải nghiệm dành cho nhà phát triển:

  • 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.

Giải pháp thay thế của Ultralytics#

Dù RTDETRv2 và EfficientDet đều có những ưu điểm nổi bật, quá trình phát triển AI hiện đại đòi hỏi các framework mang đến trải nghiệm của nhà phát triển mượt mà cùng hiệu năng mạnh mẽ. Hệ sinh thái Ultralytics cung cấp cách tiếp cận tinh gọn hơn đáng kể cho các tác vụ thị giác máy tính.

Nếu đang tìm hiểu các lựa chọn phát hiện hiện đại, Ultralytics YOLO26 mới ra mắt kết hợp những ưu điểm tốt nhất của cả CNN lẫn Transformer.

Vì sao nên chọn YOLO26?

YOLO26 triển khai Thiết kế end-to-end không cần NMS (nms=False) tùy chọn, đưa tính đơn giản khi triển khai của RTDETRv2 vào kiến trúc YOLO hiệu quả. Model cũng giới thiệu Optimizer MuSGD, lấy cảm hứng từ kỹ thuật huấn luyện LLM, nhằm cải thiện độ ổn định khi huấn luyện. Với Loại bỏ DFL (loại bỏ Distribution Focal Loss để đơn giản hóa quá trình export và tăng khả năng tương thích với thiết bị edge, công suất thấp), YOLO26n inference CPU nhanh hơn YOLO11n đến 43%, trở thành lựa chọn phù hợp cho điện toán edge thay vì các model nặng hơn. ProgLoss + STAL (Progressive Loss và phương pháp gán nhãn nhận biết đối tượng nhỏ) cũng cải thiện đáng kể khả năng nhận diện đối tượng nhỏ, yếu tố quan trọng đối với IoT, robotics và ảnh chụp từ trên không.

Package Ultralytics Python được thiết kế để dễ sử dụng. Nhà phát triển có thể huấn luyện, đánh giá và export model bằng API trực quan, giúp ẩn đi phần code khuôn mẫu thường cần thiết trong các repository nghiên cứu.

from ultralytics import RTDETR

# Tải model RT-DETR đã huấn luyện trước từ hệ sinh thái Ultralytics
model = RTDETR("rtdetr-l.pt")

# Huấn luyện model trên bộ dữ liệu COCO8
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Export để tối ưu suy luận trên TensorRT
model.export(format="engine")

Model Ultralytics hỗ trợ sẵn nhiều tác vụ, bao gồm phân đoạn instance và phân loại ảnh, cung cấp bộ công cụ linh hoạt đáp ứng nhu cầu đa dạng của các ngành. Việc loại bỏ Distribution Focal Loss (DFL) trong các model Ultralytics hiện đại cũng đơn giản hóa đồ thị tính toán, giúp export dễ dàng hơn sang NPU và TPU nhúng.

Đối với gán nhãn dữ liệu và quản lý model, Ultralytics Platform cung cấp môi trường cloud toàn diện cho toàn bộ vòng đời machine learning, là lựa chọn phù hợp để triển khai các giải pháp thị giác máy tính mạnh mẽ trong production.

Người đóng góp

Bình luận

Đặt câu hỏi, chia sẻ kết quả hoặc giúp đỡ người khác.