RTDETRv2 so với PP-YOLOE+: So sánh kỹ thuật về các mô hình phát hiện đối tượng

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 phức tạp về phát hiện đối tượng theo thời gian thực. Trong số những tiến bộ đáng chú ý nhất gần đây là RTDETRv2 và PP-YOLOE+, hai mô hình mạnh mẽ tiếp cận nhận dạng hình ảnh từ các triết lý thiết kế hoàn toàn khác nhau. Mặc dù cả hai mô hình đều hướng tới việc cung cấp khả năng phát hiện hiệu suất cao, nhưng cơ chế nền tảng, mô hình đào tạo và kịch bản triển khai lý tưởng của chúng lại khác biệt đáng kể.

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

Tổng quan về các model

Trước khi phân tích dữ liệu hiệu suất, điều quan trọng là phải hiểu nguồn gốc và mục tiêu kiến trúc của từng mô hình. Cả hai đều bắt nguồn từ các nhóm nghiên cứu tại Baidu, tuy nhiên chúng đại diện cho các nhánh khác nhau trong cây gia đình phát hiện đối tượng.

RTDETRv2

RTDETRv2 đại diện cho một bước tiến đáng kể trong các kiến trúc thị giác dựa trên Transformer. Dựa trên mô hình Real-Time Detection Transformer gốc, nó tận dụng một backbone vision transformer linh hoạt kết hợp với bộ mã hóa lai hiệu quả. Đặc điểm nổi bật nhất của nó là khả năng dự đoán end-to-end tự nhiên, loại bỏ hoàn toàn 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: RT-DETR Repository

Tìm hiểu thêm về RTDETRv2

PP-YOLOE+

PP-YOLOE+ là một phiên bản nâng cao của dòng YOLO, được tối ưu hóa mạnh mẽ cho các ứng dụng công nghiệp hiệu suất cao. Nó có kiến trúc CNN có thể mở rộng với đầu phát hiện không cần neo (anchor-free). Được thiết kế để cung cấp sự cân bằng vượt trội giữa tốc độ và độ chính xác, nó giới thiệu các kỹ thuật mạnh mẽ như ET-head và hàm mất mát tiêu điểm tổng quát (generalized focal loss function) để cải thiện phát hiện đối tượng nhỏ.

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

Tìm hiểu thêm về PP-YOLOE+

Sự khác biệt về kiến trúc

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

PP-YOLOE+ sử dụng một backbone Mạng thần kinh tích chập (CNN) truyền thống nhưng được tối ưu hóa cao. Nó dựa vào các trường tiếp nhận cục bộ để trích xuất đặc trưng, làm cho nó cực kỳ nhanh và hiệu quả cho việc triển khai tiêu chuẩn. Tuy nhiên, nó vẫn yêu cầu hậu xử lý NMS tiêu chuẩn để lọc các khung bao (bounding box) chồng lấp, điều này có thể gây ra hiện tượng nghẽn độ trễ trong các cảnh dày đặc.

Ngược lại, RTDETRv2 sử dụng bộ mã hóa lai (Hybrid Encoder) và bộ giải mã Transformer (Transformer Decoder). Điều này cho phép mô hình nắm bắt bối cảnh toàn cầu trên toàn bộ hình ảnh cùng một lúc. Các cơ chế chú ý (attention mechanisms) vốn có khả năng hiểu các mối quan hệ giữa các đối tượng, cho phép mô hình xuất ra các khung bao cuối cùng trực tiếp mà không cần NMS. Cách tiếp cận end-to-end này đảm bảo độ trễ suy luận ổn định bất kể số lượng đối tượng được phát hiện.

Chỉ số hiệu suất và So sánh

Khi đánh giá các chỉ số hiệu suất của YOLO, việc cân bằng giữa độ chính xác (mAP) với chi phí tính toán (FLOPs) và tốc độ suy luận là rất quan trọng. Bảng dưới đây làm nổi bật hiệu suất của cả hai mô hình ở nhiều kích cỡ khác nhau.

Mặc dù PP-YOLOE+x đạt mAP^val cao hơn một chút là 54,7% trên tập dữ liệu COCO, nhưng các mô hình RTDETRv2 thường mang lại độ chính xác cạnh tranh với lợi ích bổ sung là độ trễ nhất quán nhờ thiết kế không cần NMS. Tuy nhiên, PP-YOLOE+ vẫn duy trì lợi thế tuyệt đối về số lượng tham số và FLOPs cho các mô hình nhỏ hơn, khiến nó trở nên hiệu quả cao cho việc triển khai trên thiết bị biên (edge deployments).

Lợi thế của Ultralytics: Giới thiệu YOLO26

Mặc dù RTDETRv2 và PP-YOLOE+ đều rất ấn tượng, nhưng các công nghệ tiên tiến vẫn không ngừng phát triển. Đối với các nhà phát triển tìm kiếm sự cân bằng tối ưu giữa tốc độ, độ chính xác và hỗ trợ hệ sinh thái, Ultralytics YOLO26 đại diện cho tiêu chuẩn công nghiệp mới.

YOLO26 tổng hợp những khía cạnh tốt nhất của cả CNN và Transformer. Nó áp dụng thiết kế End-to-End NMS-Free tiên phong bởi các kiến trúc hiện đại, loại bỏ hiệu quả các điểm nghẽn hậu xử lý. Hơn nữa, nó giới thiệu Bộ tối ưu hóa MuSGD mang tính cách mạng, một phương pháp lai lấy cảm hứng từ các đổi mới trong đào tạo LLM, đảm bảo việc đào tạo ổn định và hội tụ nhanh chóng.

Ngoài ra, YOLO26 không giới hạn ở việc phát hiện đối tượng đơn giản. Nó linh hoạt ngay từ đầu, hỗ trợ phân đoạn đối tượng (instance segmentation), ước tính tư thế (pose estimation) và khung bao định hướng (OBB), trong khi PP-YOLOE+ chủ yếu tập trung vào phát hiện khung bao (bounding box).

Tìm hiểu thêm về YOLO26

Phương pháp huấn luyện và Hệ sinh thái

Hiệu quả đào tạo và tính dễ sử dụng là nơi hệ sinh thái Ultralytics thực sự tỏa sáng so với các kho lưu trữ nghiên cứu độc lập. Trong khi PP-YOLOE+ dựa vào framework PaddlePaddle và RTDETRv2 thường yêu cầu các thiết lập môi trường phức tạp, việc tích hợp các mô hình thông qua Ultralytics mang lại trải nghiệm liền mạch.

Với API của Ultralytics, bạn được hưởng lợi từ các yêu cầu bộ nhớ thấp hơn trong quá trình đào tạo, xử lý tập dữ liệu tự động và tinh chỉnh siêu tham số đơn giản hóa. Hơn nữa, việc triển khai các mô hình sang các định dạng sản xuất như ONNX hoặc TensorRT có thể được thực hiện chỉ với một lệnh duy nhất.

Ví dụ mã: Suy luận tinh giản

Dưới đây là minh họa về cách bạn có thể dễ dàng sử dụng RTDETRv2 cùng với mô hình YOLO26 được đề xuất bằng cách sử dụng gói 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 thực tế và trường hợp sử dụng

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

• RTDETRv2 vượt trội trong các môi trường phía máy chủ (server-side) và hiểu các cảnh phức tạp. Cơ chế chú ý toàn cầu của nó làm cho nó cực kỳ hiệu quả đối với 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 tham số thấp ở các quy mô nhỏ hơn làm cho nó khả thi cho một số ứng dụng robot.
• Ultralytics YOLO26 là giải pháp được khuyến nghị phổ biến cho việc triển khai thương mại toàn diện. Với các chức năng ProgLoss + STAL nâng cao, nó cải thiện đáng kể khả năng nhận dạng đối tượng nhỏ, vốn rất quan trọng đối với hoạt động của máy bay không người lái 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 dự án cụ thể, các hạn chế khi triển khai và ưu tiên 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 các cơ chế chú ý và kiến trúc transformer cho việc phát hiện đối tượng end-to-end mà không cần NMS.
• Các tình huống có độ chính xác cao với độ trễ linh hoạt: Các ứng dụng nơi độ chính xác phát hiện là ưu tiên hàng đầu và độ trễ suy luận cao hơn một chút là điều có thể chấp nhận được.
• Phát hiện đối tượng lớn: Các cảnh có các đối tượng 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 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 công cụ PaddlePaddle của Baidu.
• Triển khai Edge với Paddle Lite: Triển khai lên phần cứng với các nhân inference được tối ưu hóa cao dành riêng cho công cụ Paddle Lite hoặc Paddle inference.
• Nhận diện độ chính xác cao phía máy chủ: 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 Ultralytics (YOLO26)

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

• Triển khai Edge không cần NMS: Các ứng dụng yêu cầu suy luận ổn định, độ trễ thấp mà không cần sự phức tạp của việc hậu xử lý Non-Maximum Suppression.
• Môi trường chỉ sử dụng CPU: Các thiết bị không có GPU tăng tốc chuyên dụng, nơi tốc độ suy luận trên CPU nhanh hơn tới 43% của YOLO26 mang lại lợi thế quyết định.
• Nhận diện đối tượng nhỏ: Các kịch bản thách thức như ảnh drone trên không hoặc phân tích cảm biến IoT nơi ProgLoss và STAL tăng cường đáng kể độ chính xác trên các đối tượng cực nhỏ.

Kết luận

Cả RTDETRv2 và PP-YOLOE+ đều đã vượt qua các giới hạn về khả năng trong thị giác máy tính, chứng minh tính khả thi của cả kiến trúc Transformer và CNN được tối ưu hóa cao. Tuy nhiên, sự phức tạp khi triển khai các cơ sở mã nghiên cứu phân mảnh có thể cản trở tiến độ sản xuất.

Đối với các kỹ sư AI hiện đại, việc tận dụng Nền tảng Ultralytics mang lại lợi thế không gì sánh bằng. Bằng cách chuyển đổi sang các mô hình tích hợp liền mạch như YOLO11 hoặc YOLO26 tiên tiến, các đội nhóm có thể đạt được tỷ lệ độ chính xác/tốc độ cao nhất có thể trong khi giảm đáng kể yêu cầu bộ nhớ và chi phí phát triển.