RTDETRv2 so với YOLOv10#

Sự phát triển của thị giác máy tính phần lớn được thúc đẩy bởi nỗ lực không ngừng nhằm cân bằng giữa tốc độ và độ chính xác. Theo cách truyền thống, các pipeline phát hiện đối tượng thời gian thực thường dựa vào Non-Maximum Suppression (NMS) như một bước hậu xử lý để lọc các bounding box chồng lấn. Tuy nhiên, NMS tạo ra các điểm nghẽn về độ trễ và khiến việc tinh chỉnh hyperparameter trở nên phức tạp. Gần đây, hai hướng tiếp cận kiến trúc riêng biệt đã xuất hiện để giải quyết vấn đề này một cách native: các model dựa trên Transformer như RTDETRv2 và các model dựa trên CNN như YOLOv10.

Hướng dẫn này cung cấp phần so sánh kỹ thuật toàn diện giữa hai model, phân tích kiến trúc, các chỉ số hiệu năng và trường hợp sử dụng lý tưởng, đồng thời nêu bật cách những cải tiến mới nhất trong hệ sinh thái Ultralytics mang đến giải pháp tối ưu cho việc triển khai hiện đại.

RTDETRv2: Transformer phát hiện theo thời gian thực#

RTDETRv2 được xây dựng dựa trên kiến trúc RT-DETR nguyên bản, với mục tiêu kết hợp khả năng hiểu ngữ cảnh toàn cục của Vision Transformer với yêu cầu về tốc độ thời gian thực vốn thường do các model YOLO chi phối.

Đặc điểm chính:

• Tác giả: Wenyu Lv, Yian Zhao, Qinyao Chang, Kui Huang, Guanzhong Wang và Yi Liu
• Tổ chức: Baidu
• Ngày: 2024-07-24
• Arxiv: https://arxiv.org/abs/2407.17140
• GitHub: https://github.com/lyuwenyu/RT-DETR/tree/main/rtdetrv2_pytorch

Phương pháp kiến trúc và training#

RTDETRv2 sử dụng kiến trúc transformer end-to-end, vốn tự nhiên tránh được NMS. Model này cải tiến phiên bản tiền nhiệm bằng cách áp dụng phương pháp "Bag-of-Freebies", tối ưu hóa chiến lược huấn luyện và tích hợp khả năng phát hiện đa tỷ lệ. Model sử dụng backbone CNN để trích xuất feature map (các chi tiết trực quan như cạnh và texture), sau đó xử lý chúng bằng cấu trúc encoder-decoder transformer. Điều này cho phép model phân tích đồng thời ngữ cảnh của toàn bộ hình ảnh, khiến model đặc biệt hiệu quả trong việc hiểu các cảnh phức tạp, nơi các đối tượng nằm dày đặc hoặc chồng lấn lên nhau.

Ưu điểm và nhược điểm#

Ưu điểm:

• Ngữ cảnh toàn cục: Cơ chế attention cho phép model hoạt động xuất sắc trong các môi trường phức tạp, nhiều thành phần gây nhiễu.
• Không cần NMS: Dự đoán trực tiếp tọa độ đối tượng, giúp đơn giản hóa pipeline triển khai.
• Độ chính xác cao: Đạt độ chính xác trung bình (mAP) xuất sắc trên dataset COCO.

Nhược điểm:

• Tốn nhiều tài nguyên: Kiến trúc Transformer thường yêu cầu nhiều CUDA memory hơn đáng kể trong quá trình huấn luyện so với CNN, khiến việc fine-tune trên phần cứng tiêu chuẩn trở nên tốn kém.
• Độ biến thiên về tốc độ suy luận: Mặc dù nhanh, các phép tính attention nặng có thể dẫn đến FPS trong thị giác máy tính thấp hơn trên các thiết bị edge không có bộ tăng tốc AI chuyên dụng.

Tìm hiểu thêm về RTDETRv2

YOLOv10: Phát hiện đối tượng đầu-cuối theo thời gian thực#

YOLOv10 đại diện cho một bước chuyển dịch lớn trong dòng phát hiện đối tượng YOLO bằng cách trực tiếp giải quyết điểm nghẽn NMS tồn tại lâu nay trong framework CNN.

Đặc điểm chính:

• Tác giả: Ao Wang, Hui Chen, Lihao Liu và cộng sự.
• Tổ chức: Đại học Thanh Hoa
• Ngày: 2024-05-23
• Arxiv: https://arxiv.org/abs/2405.14458
• GitHub: https://github.com/THU-MIG/yolov10

Phương pháp kiến trúc và training#

Đổi mới cốt lõi của YOLOv10 là cơ chế gán kép nhất quán cho quá trình huấn luyện không cần NMS. Model sử dụng hai detection head trong quá trình huấn luyện: một head với cơ chế gán một-nhiều (giống các YOLO truyền thống) để cung cấp tín hiệu giám sát phong phú, và một head khác với cơ chế gán một-một để loại bỏ nhu cầu sử dụng NMS. Trong quá trình suy luận, chỉ head một-một được sử dụng, tạo ra quy trình end-to-end. Ngoài ra, các tác giả đã áp dụng chiến lược thiết kế model toàn diện dựa trên hiệu quả và độ chính xác, tối ưu hóa toàn diện nhiều thành phần để giảm dư thừa tính toán.

Ưu điểm và nhược điểm#

Ưu điểm:

• Tốc độ cực cao: Bằng cách loại bỏ NMS và tối ưu hóa kiến trúc, YOLOv10 đạt độ trễ suy luận cực thấp.
• Hiệu quả: Yêu cầu ít parameter và FLOPs hơn để đạt độ chính xác tương đương các model khác, khiến model đặc biệt phù hợp với các môi trường hạn chế tài nguyên.
• Triển khai không cần NMS: Đơn giản hóa việc tích hợp vào các ứng dụng edge như giám sát thông minh.

Nhược điểm:

• Khái niệm thế hệ đầu tiên: Là YOLO đầu tiên triển khai kiến trúc cụ thể không cần NMS này, model đã đặt nền móng nhưng vẫn để lại dư địa cho khả năng đa nhiệm và tối ưu hóa được thấy trong các model tiếp theo như YOLO11 và YOLO26.

Tìm hiểu thêm về YOLOv10

So sánh hiệu năng#

Khi đánh giá model cho môi trường production, việc cân bằng độ chính xác với chi phí tính toán là yếu tố then chốt. Bảng dưới đây nêu bật sự đánh đổi về hiệu năng giữa các kích thước khác nhau của RTDETRv2 và YOLOv10.

Mặc dù RTDETRv2 cung cấp độ chính xác mạnh mẽ, YOLOv10 thể hiện lợi thế đáng kể về độ trễ và hiệu quả sử dụng parameter, đặc biệt ở các biến thể nhỏ hơn (Nano và Small), khiến model rất hấp dẫn đối với các ứng dụng điện toán biên và AIoT.

Các trường hợp sử dụng và khuyến nghị#

Việc lựa chọn giữa RT-DETR và YOLOv10 phụ thuộc vào yêu cầu cụ thể của dự án, các hạn chế khi 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 YOLOv10#

YOLOv10 được khuyến nghị cho:

• Phát hiện thời gian thực không cần NMS: Các ứng dụng hưởng lợi từ khả năng phát hiện đầu cuối mà không cần triệt tiêu cực đại, giúp giảm độ phức tạp khi triển khai.
• Cân bằng giữa tốc độ và độ chính xác: Các project yêu cầu sự cân bằng tốt giữa tốc độ suy luận và độ chính xác phát hiện trên nhiều quy mô model khác nhau.
• Ứng dụng có độ trễ nhất quán: Các kịch bản triển khai mà thời gian suy luận có thể dự đoán là yếu tố quan trọng, chẳng hạn như robotics hoặc các hệ thống tự hành.

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.

Lợi thế của Ultralytics: Giới thiệu YOLO26#

Mặc dù RTDETRv2 và YOLOv10 đều mang đến những tiến bộ học thuật đáng chú ý, việc triển khai chúng trong các tình huống thực tế đòi hỏi một hệ sinh thái phần mềm mạnh mẽ và được duy trì tốt. Ultralytics Platform cung cấp trải nghiệm developer vượt trội, kết hợp tính dễ sử dụng, tài liệu toàn diện và các công cụ mạnh mẽ cho gán nhãn dữ liệu và triển khai.

Đối với các developer mong muốn đạt hiệu năng tiên tiến nhất vào năm 2026, Ultralytics YOLO26 là lựa chọn được khuyến nghị hàng đầu. Model tổng hợp những ý tưởng tốt nhất từ cả hai kiến trúc, đồng thời giới thiệu các cải tiến đột phá:

• Thiết kế end-to-end không cần NMS: Phát triển dựa trên khái niệm do YOLOv10 tiên phong, YOLO26 loại bỏ native bước hậu xử lý NMS, mang lại logic triển khai nhanh hơn, đơn giản hơn và không có biến thiên độ trễ.
• Loại bỏ DFL: Bằng cách loại bỏ Distribution Focal Loss, YOLO26 đơn giản hóa việc export model và cải thiện đáng kể khả năng tương thích với các thiết bị edge và thiết bị công suất thấp.
• Optimizer MuSGD: Là sự kết hợp giữa SGD và Muon (lấy cảm hứng từ những cải tiến trong huấn luyện LLM), optimizer mới này mang lại quá trình huấn luyện ổn định hơn và hội tụ nhanh hơn đáng kể so với các phương pháp truyền thống.
• Suy luận trên CPU nhanh hơn tới 43%: Được tối ưu cẩn thận cho các môi trường không có GPU chuyên dụng, giúp AI thị giác hiệu năng cao trở nên dễ tiếp cận hơn.
• ProgLoss + STAL: Các hàm loss nâng cao này mang lại cải thiện đáng kể trong việc nhận diện đối tượng nhỏ, yếu tố then chốt đối với các ứng dụng sử dụng drone và cảm biến IoT.
• Tính linh hoạt vượt trội: Không giống các model chỉ giới hạn ở bounding box, YOLO26 hỗ trợ đầy đủ các task, bao gồm instance segmentation, ước lượng pose, phân loại hình ảnh và phát hiện OBB, cùng các cải tiến dành riêng cho từng task như Residual Log-Likelihood Estimation (RLE) cho Pose.

Triển khai liền mạch với Python#

Việc huấn luyện và triển khai các model này bằng Ultralytics Python API được thiết kế để diễn ra thuận tiện. Yêu cầu memory trong quá trình huấn luyện thấp hơn đáng kể so với các kiến trúc nặng về transformer, cho phép bạn huấn luyện các model mạnh mẽ trên phần cứng tiêu chuẩn.

from ultralytics import YOLO

# Load the cutting-edge YOLO26 model (recommended)
# Alternatively, load a YOLOv10 model using YOLO('yolov10n.pt')
model = YOLO("yolo26n.pt")

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

# Easily export to various formats for edge deployment
model.export(format="onnx", simplify=True)

Dù bạn đang triển khai hệ thống báo động an ninh hay thực hiện phân tích hình ảnh y tế, việc lựa chọn một model được cộng đồng Ultralytics tích cực hỗ trợ sẽ đảm bảo bạn có các công cụ, hướng dẫn tinh chỉnh hyperparameter và các bản cập nhật liên tục cần thiết để thành công. Trong khi YOLOv10 và RTDETRv2 đã mở đường cho các kiến trúc không cần NMS, YOLO26 hoàn thiện công thức này, mang lại sự cân bằng tốt nhất giữa hiệu năng, tính linh hoạt và mức độ sẵn sàng cho production.