RTDETRv2 so với YOLO11#

Bối cảnh thị giác máy tính đang không ngừng phát triển, với các kiến trúc mới liên tục mở rộng giới hạn khả năng xử lý trên các thiết bị biên và máy chủ đám mây. Hai trong số những đối thủ nổi bật nhất trong lĩnh vực phát hiện vật thể thời gian thực hiện nay là RTDETRv2 và YOLO11. Mặc dù cả hai model đều mang lại hiệu năng vượt trội, chúng đại diện cho các triết lý kiến trúc khác biệt cơ bản: phương pháp tiếp cận dựa trên Transformer so với Mạng nơ-ron tích chập (CNN) được tối ưu hóa cao.

Trong bài so sánh kỹ thuật toàn diện này, chúng ta sẽ khám phá kiến trúc, các chỉ số hiệu năng, phương pháp huấn luyện và các trường hợp sử dụng lý tưởng cho cả hai model, giúp bạn đưa ra quyết định sáng suốt cho ứng dụng trí tuệ nhân tạo tiếp theo của mình.

RTDETRv2: Đối thủ dựa trên Transformer#

Được giới thiệu như một sự cải tiến của Real-Time Detection Transformer nguyên bản, RTDETRv2 tận dụng các cơ chế chú ý (attention mechanisms) để xử lý dữ liệu hình ảnh. Bằng cách coi các vùng ảnh là các chuỗi, nó đạt được sự hiểu biết toàn diện về bối cảnh hình ảnh, điều này cực kỳ hữu ích cho việc phát hiện các vật thể chồng lấn nhiều trong các cảnh phức tạp.

Chi tiết Model:

• Tác giả: Wenyu Lv, Yian Zhao, Qinyao Chang, Kui Huang, Guanzhong Wang, và Yi Liu
• Tổ chức: Baidu
• Ngày: 24-07-2024
• Arxiv: 2407.17140
• GitHub: Kho lưu trữ RT-DETR
• Tài liệu: Tài liệu RTDETRv2

Điểm mạnh và Điểm yếu về Kiến trúc#

Đổi mới cốt lõi của RTDETRv2 là kiến trúc đầu cuối không cần NMS. Bằng cách loại bỏ Non-Maximum Suppression (NMS), kiến trúc này đơn giản hóa quy trình hậu xử lý. Hơn nữa, khả năng trích xuất đặc trưng đa tỷ lệ của nó đã được cải thiện so với mô hình RT-DETR ban đầu, cho phép nhận diện tốt hơn các đối tượng có kích thước khác nhau.

Tuy nhiên, do phụ thuộc vào các Transformer, RTDETRv2 thường gặp phải yêu cầu bộ nhớ lớn hơn đáng kể trong quá trình huấn luyện. Các Transformer thường hội tụ chậm hơn và đòi hỏi nhiều bộ nhớ CUDA hơn đáng kể so với CNN truyền thống, khiến chúng kém khả tiếp cận hơn đối với các nhà nghiên cứu vận hành trên phần cứng cấp phổ thông hoặc triển khai trong môi trường edge AI bị giới hạn.

Tìm hiểu thêm về RTDETR

Ultralytics YOLO11: Đỉnh cao của hiệu quả CNN#

Dựa trên nhiều năm nghiên cứu nền tảng, Ultralytics đã phát hành YOLO11 như một bước tiến lớn trong dòng dõi YOLO. Nó tinh chỉnh kiến trúc CNN để đạt được tốc độ và độ chính xác chưa từng có, duy trì sự linh hoạt và hệ sinh thái thân thiện với nhà phát triển mà cộng đồng mong đợi.

Chi tiết Model:

• Tác giả: Glenn Jocher và Jing Qiu
• Tổ chức: Ultralytics
• Ngày: 27 tháng 9, 2024
• GitHub: Kho lưu trữ Ultralytics

Lợi thế từ Ultralytics#

YOLO11 nổi bật với Cân bằng hiệu suất. Mô hình này đạt được sự đánh đổi phi thường giữa tốc độ và độ chính xác, giúp nó cực kỳ đa dụng cho nhiều kịch bản triển khai thực tế khác nhau, từ các cụm cloud computing quy mô lớn đến các thiết bị di động gọn nhẹ.

Hơn nữa, các mô hình Ultralytics YOLO nổi tiếng với việc sử dụng ít bộ nhớ hơn trong quá trình huấn luyện và suy luận. Không giống như các mô hình Transformer dễ làm cạn kiệt VRAM, YOLO11 cho phép sử dụng kích thước batch lớn hơn trên các GPU tiêu chuẩn. Ngoài ra, YOLO11 không chỉ giới hạn ở việc phát hiện đối tượng đơn thuần; nó tự hào có Tính đa năng đáng kinh ngạc, với hỗ trợ gốc cho Phân đoạn thực thể, Phân loại hình ảnh, Ước lượng tư thế, và Hộp bao quanh có định hướng (OBB).

Tìm hiểu thêm về YOLO11

So sánh Hiệu năng và Chỉ số#

Khi so sánh các con số thô, rõ ràng là trong khi RTDETRv2 đạt được độ chính xác ấn tượng, YOLO11 cung cấp nhiều lựa chọn kích thước model chi tiết hơn với tốc độ suy luận vượt trội, đặc biệt là trên TensorRT.

Như có thể thấy trong bảng, mô hình YOLO11x đạt mAP^val vượt trội là 54,7% trong khi sử dụng ít FLOPs hơn (194,9B so với 259B) và mang lại tốc độ suy luận nhanh hơn trên TensorRT (11,3ms so với 15,03ms) so với biến thể RTDETRv2-x. Các biến thể nano và small của YOLO11 cung cấp các tùy chọn siêu nhẹ chưa từng có cho các thiết bị bị giới hạn như Raspberry Pi.

Hệ sinh thái, Tính dễ sử dụng và Huấn luyện#

Đặc điểm xác định của các mô hình Ultralytics là trải nghiệm người dùng được hợp lý hóa. Gói Python ultralytics cung cấp một API thống nhất, trực quan, xử lý các công việc nặng nhọc về tăng cường dữ liệu, huấn luyện phân tán và xuất mô hình. Trong khi kho lưu trữ nghiên cứu của RTDETRv2 yêu cầu mã boilerplate và cấu hình đáng kể, Ultralytics cung cấp một quy trình từ con số không đến chuyên gia.

Điều thú vị là hệ sinh thái Ultralytics mạnh mẽ đến mức nó hỗ trợ gốc việc chạy các mô hình RT-DETR song song với các mô hình YOLO! Điều này cho phép bạn tận dụng Hệ sinh thái được duy trì tốt của Ultralytics—bao gồm các tích hợp với Weights & Biases và Comet ML—để theo dõi các thí nghiệm một cách dễ dàng.

from ultralytics import RTDETR, YOLO

# Load an RTDETR model seamlessly through the Ultralytics API
model_rtdetr = RTDETR("rtdetr-l.pt")

# Load a highly optimized YOLO11 model
model_yolo = YOLO("yolo11n.pt")

# Train YOLO11 with highly efficient memory usage
results = model_yolo.train(data="coco8.yaml", epochs=100, imgsz=640)

# Export the trained YOLO model to ONNX format
model_yolo.export(format="onnx")

Ứng dụng trong thực tế#

Việc lựa chọn giữa các kiến trúc này thường phụ thuộc vào các hạn chế triển khai cụ thể của dự án của bạn.

Nơi RTDETRv2 vượt trội: Kiến trúc backbone Transformer của RTDETRv2 rất hiệu quả trong các kịch bản với các vật thể dày đặc, bị che khuất nặng nề nơi cần bối cảnh toàn cục. Nó thường được đánh giá trong nghiên cứu học thuật và các ứng dụng mà ngân sách tính toán ít quan trọng hơn so với việc lập bản đồ mối quan hệ dựa trên chú ý thô.

Nơi YOLO11 thống trị: YOLO11 là nhà vô địch không thể tranh cãi trong triển khai thực tế. Dấu chân bộ nhớ tối thiểu và tốc độ suy luận nhanh như chớp khiến nó trở nên lý tưởng cho:

• Sản xuất thông minh: Chạy phát hiện lỗi thời gian thực trên các dây chuyền sản xuất sử dụng máy tính công nghiệp.
• Nông nghiệp: Triển khai trên máy bay không người lái để giám sát sức khỏe cây trồng thời gian thực và robot thu hoạch tự động.
• Phân tích bán lẻ: Xử lý nhiều luồng camera đồng thời để quản lý hàng đợi và theo dõi hàng tồn kho mà không cần các trang trại máy chủ lớn.

Các trường hợp sử dụng và Khuyến nghị#

Việc lựa chọn giữa RT-DETR và YOLO11 phụ thuộc vào các yêu cầu dự án cụ thể, hạn chế triển khai và tùy chọn 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 YOLO11#

YOLO11 được khuyến nghị cho:

• Triển khai Biên Sản xuất: Các ứng dụng thương mại trên các thiết bị như Raspberry Pi hoặc NVIDIA Jetson nơi độ tin cậy và việc bảo trì chủ động là tối quan trọng.
• Ứng dụng Thị giác Đa tác vụ: Các dự án yêu cầu detection, segmentation, pose estimation và OBB trong một framework thống nhất duy nhất.
• Tạo mẫu và Triển khai Nhanh chóng: Các nhóm cần chuyển đổi nhanh chóng từ thu thập dữ liệu sang sản xuất bằng cách sử dụng Ultralytics Python API đã được tối ưu hóa.

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.

Hướng tới tương lai: Sự xuất hiện của YOLO26#

Nếu bạn đang bắt đầu một dự án mới, bạn cũng nên xem xét thế hệ thị giác AI tiếp theo: Ultralytics YOLO26. Được phát hành vào tháng 1 năm 2026, YOLO26 kết hợp những điểm ưu việt nhất của cả hai thế giới. Nó giới thiệu Thiết kế đầu cuối không cần NMS (lần đầu tiên được tiên phong trong YOLOv10), loại bỏ hoàn toàn độ trễ hậu xử lý giống như RTDETRv2, nhưng với tốc độ chưa từng có của một CNN.

YOLO26 sở hữu MuSGD Optimizer—lấy cảm hứng từ các đổi mới huấn luyện LLM—cho sự hội tụ cực kỳ ổn định và nhanh chóng, và mang lại khả năng Suy luận CPU nhanh hơn tới 43% bằng cách loại bỏ Distribution Focal Loss (DFL). Với các hàm mất mát ProgLoss + STAL chuyên biệt giúp cải thiện đáng kể khả năng nhận dạng vật thể nhỏ, YOLO26 là khuyến nghị tối ưu cho bất kỳ quy trình thị giác máy tính hiện đại nào.

Cho dù bạn chọn YOLO11 vì tính đa năng đã được kiểm chứng, RTDETRv2 vì các cơ chế chú ý của nó, hay YOLO26 tiên tiến cho hiệu suất biên tối ưu, tài liệu Ultralytics cung cấp tất cả các tài nguyên cần thiết để thành công trong hành trình thị giác máy tính của bạn.