RTDETRv2 và YOLOv10
Sự phát triển của thị giác máy tính phần lớn được thúc đẩy bởi nhu cầu cân bằng tốc độ và độ chính xác. Theo truyền thống, các pipeline phát hiện vật thể thời gian thực dựa vào Non-Maximum Suppression (NMS) như một bước hậu xử lý để lọc các hộp giới hạn chồng lấn. Tuy nhiên, NMS làm tăng độ trễ và đòi hỏi tinh chỉnh ngưỡng. Hai hướng tiếp cận kiến trúc loại bỏ NMS ngay trong model: model dựa trên Transformer như RTDETRv2 và model dựa trên CNN như YOLOv10.
Hướng dẫn này so sánh kiến trúc, chỉ số hiệu năng và các trường hợp sử dụng phù hợp của hai model, đồng thời cho thấy các model mới nhất trong hệ sinh thái Ultralytics phù hợp ra sao với triển khai hiện đại.
RTDETRv2: Transformer phát hiện thời gian thực#
RTDETRv2 phát triển dựa trên kiến trúc RT-DETR ban đầu, hướng đến việc kết hợp khả năng hiểu ngữ cảnh toàn cục của Vision Transformer với yêu cầu tốc độ thời gian thực vốn do các model YOLO thống trị.
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
Kiến trúc và phương pháp huấn luyện#
RTDETRv2 sử dụng kiến trúc transformer đầu-cuối không cần NMS. Model cải tiến từ phiên bản tiền nhiệm bằng cách áp dụng phương pháp "Bag-of-Freebies", tối ưu chiến lược huấn luyện và tích hợp khả năng phát hiện đa tỷ lệ. Model dùng backbone CNN để trích xuất feature map (các chi tiết thị giác như cạnh và kết cấu), sau đó xử lý chúng bằng cấu trúc encoder-decoder transformer. Nhờ vậy, model có thể phân tích đồng thời ngữ cảnh toàn bộ ảnh, giúp nhận diện hiệu quả các cảnh phức tạp có vật thể nằm sát nhau hoặc chồng lấn.
Ưu điểm và nhược điểm#
Ưu điểm:
- Ngữ cảnh toàn cục: Cơ chế attention giúp model hoạt động vượt trội trong môi trường phức tạp, lộn xộn.
- 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:
- Đòi hỏi nhiều tài nguyên: Kiến trúc Transformer thường cần nhiều bộ nhớ CUDA hơn CNN trong quá trình huấn luyện, khiến việc fine-tune trên phần cứng tiêu chuẩn tốn kém.
- Tốc độ suy luận biến động: Dù nhanh, các phép tính attention nặng có thể làm giảm FPS trong thị giác máy tính trên thiết bị biên không có bộ tăng tốc AI chuyên dụng.
YOLOv10: Phát hiện đối tượng end-to-end theo thời gian thực#
YOLOv10 tạo nên thay đổi lớn trong dòng phát hiện đối tượng YOLO khi trực tiếp giải quyết nút thắt NMS lâu nay ngay 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
Kiến trúc và phương pháp huấn luyện#
Đổi mới cốt lõi của YOLOv10 là cơ chế gán kép nhất quán để huấn luyện không cần NMS. Model sử dụng hai head phát hiện trong quá trình huấn luyện: một head với cơ chế gán một-nhiều (như YOLO truyền thống) để cung cấp tín hiệu giám sát phong phú, và một head với cơ chế gán một-một để loại bỏ nhu cầu sử dụng NMS. Khi suy luận, chỉ head một-một được sử dụng, tạo nên quy trình end-to-end. Ngoài ra, các tác giả áp dụng chiến lược thiết kế model toàn diện, cân bằng hiệu quả và độ chính xác, tối ưu hóa tổng thể nhiều thành phần để giảm dư thừa tính toán.
Ưu điểm và nhược điểm#
Ưu điểm:
- Độ trễ thấp: Bằng cách loại bỏ NMS và tối ưu kiến trúc, YOLOv10 đạt độ trễ suy luận rất thấp.
- Hiệu quả: Cần ít tham số và FLOPs hơn để đạt độ chính xác tương đương các model khác, rất phù hợp với môi trường hạn chế tài nguyên.
- Triển khai không cần NMS: Đơn giản hóa việc tích hợp vào các ứng dụng biên như giám sát thông minh.
Nhược điểm:
- Khái niệm thế hệ đầu tiên: Là YOLO đầu tiên triển khai kiến trúc không cần NMS cụ thể này, model đặt nền móng nhưng vẫn còn dư địa để phát triển tính linh hoạt đa tác vụ và khả năng tối ưu như trong các model sau này như YOLO11 và YOLO26.
So sánh hiệu năng#
Khi đánh giá model để triển khai production, cần cân nhắc độ chính xác cùng với chi phí tính toán. Bảng dưới đây trình bày sự đánh đổi giữa các kích thước RTDETRv2 và YOLOv10 trên COCO.
| Model | kích thước (pixel) | mAPval50-95 | Tốc độ CPU ONNX (ms) | Tốc độ T4 TensorRT10 (ms) | params (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| RTDETRv2-s | 640 | 48.1 | - | 5.03 | 20 | 60 |
| RTDETRv2-m | 640 | 51.9 | - | 7.51 | 36 | 100 |
| RTDETRv2-l | 640 | 53.4 | - | 9.76 | 42 | 136 |
| RTDETRv2-x | 640 | 54.3 | - | 15.03 | 76 | 259 |
| YOLOv10n | 640 | 38.5 | - | 1.84 | 2.3 | 6.7 |
| YOLOv10s | 640 | 46.3 | - | 2.49 | 7.2 | 21.6 |
| YOLOv10m | 640 | 51.1 | - | 4.74 | 15.4 | 59.1 |
| YOLOv10b | 640 | 52.5 | - | 5.74 | 19.1 | 92.0 |
| YOLOv10l | 640 | 53.2 | - | 7.28 | 24.4 | 120.3 |
| YOLOv10x | 640 | 54.4 | - | 10.70 | 29.5 | 160.4 |
RTDETRv2 chính xác hơn một chút ở các kích thước nhỏ, vừa và lớn (48.1, 51.9 và 53.4 mAP so với 46.3, 51.1 và 53.2 của YOLOv10s, m và l), nhưng YOLOv10 nhanh và nhỏ hơn ở mọi kích thước. YOLOv10x đạt độ chính xác ngang RTDETRv2-x (54.4 so với 54.3 mAP), với 29.5M thay vì 76M tham số và độ trễ TensorRT 10.70 ms thay vì 15.03 ms. Các phiên bản nano và small khiến YOLOv10 trở thành lựa chọn hấp dẫn cho ứng dụng điện toán biên và AIoT.
Nếu triển khai trên GPU cấp máy chủ, nơi batch size và VRAM ít bị giới hạn hơn, các model lớn hơn (như -x hoặc -l) sẽ tối đa hóa độ chính xác. Với thiết bị biên như Raspberry Pi hoặc điện thoại di động, hãy ưu tiên các biến thể nano (-n) hoặc small (-s) để duy trì tốc độ khung hình thời gian thực.
Trường hợp sử dụng và khuyến nghị#
Việc lựa chọn giữa RT-DETR và YOLOv10 phụ thuộc vào các yêu cầu cụ thể của dự án, giới hạn 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 YOLOv10#
YOLOv10 được khuyến nghị cho:
- Phát hiện thời gian thực không cần NMS: Các ứng dụng hưởng lợi từ khả năng phát hiện end-to-end không cần Non-Maximum Suppression, giúp giảm độ phức tạp khi triển khai.
- Cân bằng giữa tốc độ và độ chính xác: Các dự án cần sự cân bằng tốt giữa tốc độ inference và độ chính xác phát hiện trên nhiều quy mô model.
- Ứng dụng cần độ trễ ổn định: Các tình huống triển khai yêu cầu thời gian inference có thể dự đoán, chẳng hạn như robotics hoặc hệ thống tự hành.
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 khả năng tăng tốc bằng GPU chuyên dụng, nơi tốc độ suy luận CPU nhanh hơn tới 43% của YOLO26n so với YOLO11n mang lại lợi thế quyết định.
- 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 độ chính xác khi phát hiện vật thể nhỏ.
Ưu thế của Ultralytics: Giới thiệu YOLO26#
RTDETRv2 và YOLOv10 đều là những đóng góp nghiên cứu nổi bật, nhưng triển khai chúng trong thực tế đòi hỏi một hệ sinh thái phần mềm được duy trì tốt. Nền tảng Ultralytics kết hợp sự dễ sử dụng, tài liệu toàn diện và các công cụ gán nhãn dữ liệu cũng như triển khai.
Với các dự án mới trong năm 2026, Ultralytics YOLO26 là model được khuyến nghị. Model kế thừa ý tưởng từ cả hai kiến trúc và bổ sung một số cải tiến:
- Thiết kế đầu-cuối không cần NMS: Dựa trên phương pháp huấn luyện không cần NMS mà YOLOv10 đã giới thiệu cho các model YOLO, YOLO26 cung cấp head một-một tùy chọn (
nms=False), bỏ qua bước hậu xử lý NMS, giúp logic triển khai nhanh hơn, đơn giản hơn và độ trễ nhất quán hơn. - Loại bỏ DFL: Bằng cách loại bỏ Hàm tiêu điểm phân phối, YOLO26 đơn giản hóa việc export model và cải thiện khả năng tương thích với thiết bị biên và thiết bị công suất thấp.
- Bộ tối ưu MuSGD: Là sự kết hợp giữa SGD và Muon, lấy cảm hứng từ các kỹ thuật huấn luyện LLM; bộ tối ưu này giúp quá trình huấn luyện ổn định hơn và hội tụ nhanh hơn.
- Suy luận CPU nhanh hơn đến 43%: YOLO26n chạy nhanh hơn YOLO11n đến 43% trên CPU với ONNX, hữu ích trong môi trường không có GPU chuyên dụng.
- ProgLoss + STAL: Hàm mất mát lũy tiến và Gán nhãn nhận biết đối tượng nhỏ (STAL) cải thiện khả năng nhận diện vật thể nhỏ, điều then chốt đối với ứng dụng sử dụng drone và cảm biến IoT.
- Hỗ trợ đa tác vụ: Khác với các model chỉ hỗ trợ hộp giới hạn, YOLO26 còn hỗ trợ phân đoạn instance, phân đoạn ngữ nghĩa, ước lượng độ sâu, phân loại ảnh, ước lượng tư thế và phát hiện OBB, cùng các cải tiến chuyên biệt theo tác vụ như Ước lượng hợp lý log dư (RLE) cho tư thế.
Triển khai bằng Python#
Việc huấn luyện và triển khai các model này qua Python API của Ultralytics được thiết kế đơn giản. Nhu cầu bộ nhớ trong quá trình huấn luyện thấp hơn so với các kiến trúc sử dụng nhiều transformer, nhờ đó bạn có thể huấn luyện model mạnh mẽ trên phần cứng tiêu chuẩn.
from ultralytics import YOLO
# Tải model YOLO26 (được khuyến nghị)
# Hoặc tải model YOLOv10 bằng YOLO('yolov10n.pt')
model = YOLO("yolo26n.pt")
# Huấn luyện model trên dataset tùy chỉnh của bạn
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Dễ dàng xuất sang nhiều định dạng để triển khai trên thiết bị biên
model.export(format="onnx", simplify=True)Dù triển khai hệ thống báo động an ninh hay thực hiện phân tích ảnh y tế, chọn model được cộng đồng Ultralytics năng động hỗ trợ sẽ đảm bảo bạn có các công cụ, hướng dẫn tinh chỉnh siêu tham số và bản cập nhật liên tục cần thiết để thành công. YOLOv10 và RTDETRv2 mở đường cho kiến trúc không cần NMS; YOLO26 tiếp tục phát triển hướng đi đó với sự cân bằng tốt giữa hiệu năng, tính linh hoạt và mức độ sẵn sàng cho production.
Bình luận
Đặt câu hỏi, chia sẻ kết quả hoặc giúp đỡ người khác.