RTDETRv2 so với PP-YOLOE+#

Lĩnh vực thị giác máy tính đang phát triển nhanh chóng đã tạo ra nhiều phương pháp kiến trúc đa dạng để giải quyết các thách thức phát hiện đối tượng theo thời gian thực phức tạp. Trong số những tiến bộ đáng chú ý gần đây có RTDETRv2 và PP-YOLOE+, hai model mạnh tiếp cận bài toán nhận dạng hình ảnh dựa trên những triết lý thiết kế hoàn toàn khác nhau. Mặc dù cả hai model đều hướng đến khả năng phát hiện hiệu năng cao, cơ chế nền tảng, mô hình huấn luyện và các kịch bản triển khai lý tưởng của chúng có sự khác biệt đáng kể.

Hướng dẫn toàn diện này đi sâu vào các sắc thái kỹ thuật của cả hai model, so sánh kiến trúc, các chỉ số hiệu năng và khả năng hỗ trợ của hệ sinh thái để giúp các developer và nhà nghiên cứu lựa chọn giải pháp tối ưu cho nhu cầu triển khai cụ thể của họ.

Tổng quan về model#

Trước khi phân tích dữ liệu hiệu năng, cần hiểu rõ nguồn gốc và mục tiêu kiến trúc của từng model. Cả hai đều bắt nguồn từ các nhóm nghiên cứu tại Baidu, nhưng đại diện cho những nhánh khác nhau trong họ các model phát hiện đối tượng.

RTDETRv2#

RTDETRv2 đại diện cho một bước tiến đáng kể trong các kiến trúc thị giác dựa trên Transformer. Được xây dựng trên Transformer phát hiện theo thời gian thực ban đầu, model này tận dụng một backbone vision transformer linh hoạt kết hợp với hybrid encoder hiệu quả. Đặc điểm nổi bật nhất là khả năng dự đoán end-to-end nguyên bản, hoàn toàn loại bỏ nhu cầu sử dụng Non-Maximum Suppression (NMS) trong quá trình hậu xử lý.

• 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 RT-DETR

Tìm hiểu thêm về RTDETRv2

PP-YOLOE+#

PP-YOLOE+ là một phiên bản cải tiến của dòng YOLO, được tối ưu mạnh cho các ứng dụng công nghiệp hiệu năng cao. Model này có kiến trúc CNN có khả năng mở rộng với detection head không sử dụng anchor. Được thiết kế để mang lại sự cân bằng vượt trội giữa tốc độ và độ chính xác, model giới thiệu các kỹ thuật mạnh như ET-head và hàm focal loss tổng quát nhằm cải thiện khả năng phát hiện đối tượng nhỏ.

• Tác giả: Các tác giả PaddlePaddle
• Tổ chức: Baidu
• Ngày: 2022-04-02
• Arxiv: 2203.16250
• GitHub: Repository PaddleDetection

Tìm hiểu thêm về PP-YOLOE+

Sự khác biệt về Architecture#

Sự khác biệt cơ bản giữa hai model này nằm ở cách chúng xử lý ngữ cảnh hình ảnh và tạo ra các dự đoán.

PP-YOLOE+ sử dụng một backbone Mạng nơ-ron tích chập (CNN) truyền thống nhưng được tối ưu cao. Model dựa vào các receptive field cục bộ để trích xuất feature, nhờ đó đạt tốc độ và hiệu quả rất cao trong các triển khai tiêu chuẩn. Tuy nhiên, model vẫn yêu cầu hậu xử lý NMS tiêu chuẩn để lọc các bounding box chồng lấp, điều này có thể tạo ra nút thắt độ trễ trong các cảnh dày đặc.

Ngược lại, RTDETRv2 sử dụng Hybrid Encoder và Transformer Decoder. Điều này cho phép model nắm bắt ngữ cảnh toàn cục trên toàn bộ hình ảnh cùng lúc. Các cơ chế attention vốn đã hiểu được mối quan hệ giữa các đối tượng, giúp model xuất trực tiếp các bounding box cuối cùng mà không cần NMS. Phương pháp end-to-end này đảm bảo độ trễ suy luận ổn định bất kể số lượng đối tượng được phát hiện.

Các chỉ số và so sánh hiệu năng#

Khi đánh giá các chỉ số hiệu năng của YOLO, điều quan trọng là phải cân bằng độ chính xác (mAP) với chi phí tính toán (FLOPs) và tốc độ suy luận. Bảng dưới đây nêu bật hiệu năng của cả hai model ở nhiều kích thước khác nhau.

Mặc dù PP-YOLOE+x đạt mAP^val cao hơn một chút, ở mức 54,7% trên bộ dữ liệu COCO, các model RTDETRv2 nhìn chung cung cấp độ chính xác cạnh tranh cùng lợi ích về độ trễ ổn định nhờ thiết kế không có NMS. Tuy nhiên, PP-YOLOE+ duy trì lợi thế rõ rệt về số lượng parameter và FLOPs ở các model nhỏ hơn, khiến nó trở nên rất hiệu quả cho các triển khai edge.

Lợi thế của Ultralytics: Khám phá YOLO26#

Mặc dù RTDETRv2 và PP-YOLOE+ đều có năng lực mạnh theo cách riêng, công nghệ tiên tiến nhất vẫn không ngừng phát triển. Đối với các developer đang tìm kiếm sự cân bằng tối ưu giữa tốc độ, độ chính xác và khả năng hỗ trợ hệ sinh thái, Ultralytics YOLO26 đại diện cho tiêu chuẩn mới của ngành.

YOLO26 tổng hợp những ưu điểm tốt nhất của cả CNN và Transformer. Model áp dụng thiết kế End-to-End NMS-Free do các kiến trúc hiện đại tiên phong, qua đó loại bỏ hiệu quả các nút thắt trong hậu xử lý. Ngoài ra, model giới thiệu MuSGD Optimizer mang tính đột phá, một phương pháp lai lấy cảm hứng từ những đổi mới trong huấn luyện LLM, giúp đảm bảo quá trình huấn luyện ổn định và hội tụ nhanh.

Ngoài ra, YOLO26 không bị giới hạn ở tác vụ phát hiện đối tượng đơn giản. Model có tính linh hoạt nguyên bản, hỗ trợ phân đoạn instance, ước tính pose và bounding box có hướng (OBB) ngay khi sử dụng, trong khi PP-YOLOE+ chủ yếu tập trung vào phát hiện bounding box.

Phương pháp huấn luyện và hệ sinh thái#

Hiệu quả huấn luyện và tính dễ sử dụng là những điểm mà hệ sinh thái Ultralytics thực sự nổi bật so với các kho lưu trữ nghiên cứu độc lập. Trong khi PP-YOLOE+ dựa trên framework PaddlePaddle và RTDETRv2 thường yêu cầu thiết lập môi trường phức tạp, việc tích hợp các model thông qua Ultralytics mang lại trải nghiệm liền mạch.

Với API Ultralytics, bạn được hưởng lợi từ yêu cầu bộ nhớ thấp hơn trong quá trình huấn luyện, khả năng tự động xử lý dataset và việc tinh chỉnh hyperparameter được đơn giản hóa. Ngoài ra, việc triển khai model sang các format production như ONNX hoặc TensorRT có thể thực hiện chỉ bằng một lệnh.

Ví dụ code: Suy luận tinh gọn#

Dưới đây là minh họa cho thấy bạn có thể dễ dàng sử dụng RTDETRv2 cùng với model YOLO26 được khuyến nghị thông qua package Python của Ultralytics:

from ultralytics import RTDETR, YOLO

# Initialize the RTDETRv2 model
model_rtdetr = RTDETR("rtdetr-l.pt")

# Perform NMS-free inference on a test image
results_rtdetr = model_rtdetr("https://ultralytics.com/images/bus.jpg")
results_rtdetr[0].show()

# For superior speed and versatility, initialize the latest YOLO26 model
model_yolo26 = YOLO("yolo26n.pt")

# Train the YOLO26 model effortlessly with optimized memory usage
model_yolo26.train(data="coco8.yaml", epochs=50, imgsz=640)

# Export to TensorRT for edge deployment
model_yolo26.export(format="engine")

Các ứng dụng và trường hợp sử dụng trong thực tế#

Việc lựa chọn giữa các kiến trúc này thường phụ thuộc vào yêu cầu cụ thể về phần cứng và ứng dụng.

• RTDETRv2 nổi bật trong các môi trường phía server và các bài toán tìm hiểu cảnh phức tạp. Cơ chế attention toàn cục giúp model đặc biệt hiệu quả trong quản lý đám đông và phân tích hình ảnh y tế dày đặc, nơi các đối tượng chồng lấp thường khiến các thuật toán NMS tiêu chuẩn thất bại.
• PP-YOLOE+ rất phù hợp cho kiểm tra công nghiệp tốc độ cao và các môi trường đầu tư mạnh vào hệ sinh thái PaddlePaddle. Số lượng parameter thấp ở các kích thước nhỏ hơn giúp model khả thi cho một số ứng dụng robotics.
• Ultralytics YOLO26 là giải pháp được khuyến nghị rộng rãi cho việc triển khai thương mại toàn diện. Với các hàm ProgLoss + STAL được cải tiến, model cải thiện đáng kể khả năng nhận dạng đối tượng nhỏ, yếu tố quan trọng đối với hoạt động drone trên không và giám sát giao thông đô thị thông minh.

Các trường hợp sử dụng và khuyến nghị#

Việc lựa chọn giữa RT-DETR và PP-YOLOE+ phụ thuộc vào yêu cầu cụ thể của dự án, các ràng buộc triển khai và ưu tiên về 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 cho bài toán phát hiện đối tượng end-to-end không cần NMS.
• Các kịch bản độ chính xác cao với độ trễ linh hoạt: Các ứng dụng trong đó độ chính xác phát hiện là ưu tiên hàng đầu và có thể chấp nhận độ trễ suy luận cao hơn đôi chút.
• Phát hiện đối tượng lớn: Các cảnh chủ yếu chứa đối tượng cỡ vừa đến lớn, trong đó cơ chế attention toàn cục của transformer mang lại lợi thế tự nhiên.

Khi nào nên chọn PP-YOLOE+#

PP-YOLOE+ được khuyến nghị cho:

• Tích hợp hệ sinh thái PaddlePaddle: Các tổ chức có hạ tầng hiện có được xây dựng trên framework và bộ công cụ PaddlePaddle của Baidu.
• Triển khai biên bằng Paddle Lite: Triển khai lên phần cứng có các kernel suy luận được tối ưu cao, dành riêng cho engine suy luận Paddle Lite hoặc Paddle.
• Phát hiện phía server độ chính xác cao: Các kịch bản ưu tiên độ chính xác phát hiện tối đa trên các server GPU mạnh, nơi sự phụ thuộc vào framework không phải là vấn đề.

Khi nào nên chọn Ultralytics (YOLO26)#

Đối với hầu hết dự án mới, Ultralytics YOLO26 mang đến sự kết hợp tốt nhất giữa hiệu năng và trải nghiệm developer:

• 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 bước hậu xử lý triệt tiêu cực đại.
• Môi trường chỉ sử dụng CPU: Các thiết bị không có tăng tốc GPU chuyên dụng, nơi khả năng suy luận trên CPU nhanh hơn tới 43% của YOLO26 mang lại lợi thế quyết định.
• Phát hiện đối tượng nhỏ: Các kịch bản đầy thách thức 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 trên các đối tượng rất nhỏ.

Kết luận#

Cả RTDETRv2 và PP-YOLOE+ đều đã mở rộng giới hạn của những gì có thể thực hiện trong lĩnh vực thị giác máy tính, chứng minh tính khả thi của cả kiến trúc Transformer và CNN được tối ưu cao. Tuy nhiên, sự phức tạp khi triển khai các codebase nghiên cứu phân mảnh có thể cản trở tiến độ đưa vào production.

Đối với các kỹ sư AI hiện đại, việc tận dụng Ultralytics Platform mang lại lợi thế vượt trội. Bằng cách chuyển sang các model được tích hợp liền mạch như YOLO11 hoặc YOLO26 tiên tiến, các team có thể đạt được tỷ lệ độ chính xác trên tốc độ cao nhất có thể, đồng thời giảm đáng kể yêu cầu bộ nhớ và overhead phát triển.