Bắt đầu

RTDETRv2 và YOLOv5

Sự phát triển của thị giác máy tính phần lớn được định hình bởi nhu cầu cân bằng độ chính xác với tốc độ suy luận thời gian thực. Khi so sánh RTDETRv2 và Ultralytics YOLOv5, nhà phát triển cân nhắc khả năng mô hình hóa ngữ cảnh toàn cục của kiến trúc Transformer với hiệu quả đã được tối ưu và chứng minh trong production của Mạng nơ-ron tích chập (CNN).

Hướng dẫn này so sánh hai kiến trúc, bao gồm các chỉ số hiệu năng, phương pháp huấn luyện, yêu cầu bộ nhớ và kịch bản triển khai lý tưởng để giúp bạn chọn model phát hiện đối tượng phù hợp nhất với trường hợp sử dụng cụ thể.

RTDETRv2: Phương pháp Transformer cho phát hiện thời gian thực#

Dựa trên Real-Time Detection Transformer (RT-DETR) gốc, RTDETRv2 giới thiệu một loạt “bag-of-freebies” nhằm cải thiện kiến trúc cơ sở mà không làm giảm độ trễ suy luận.

Kiến trúc và năng lực#

RTDETRv2 sử dụng kiến trúc CNN-Transformer lai. Backbone CNN trích xuất các đặc trưng hình ảnh chi tiết, trong khi các lớp encoder-decoder Transformer xử lý toàn bộ feature map để nắm bắt ngữ cảnh toàn cục. Đặc điểm nổi bật của RTDETRv2 là thiết kế đầu cuối, loại bỏ nhu cầu hậu xử lý Ức chế phi cực đại (NMS).

RTDETRv2 đạt độ chính xác cao, đặc biệt trong các cảnh phức tạp, dày đặc có đối tượng chồng lấp, nhưng đi kèm một số đánh đổi. Cơ chế attention vốn có của Transformer cần nhiều bộ nhớ CUDA hơn trong quá trình huấn luyện so với CNN tiêu chuẩn. Model hoạt động tốt trên GPU như NVIDIA A100 hoặc T4, nhưng chậm hơn đáng kể trên CPU tiêu chuẩn và các thiết bị AI biên bị giới hạn tài nguyên.

Tìm hiểu thêm về RTDETRv2

Ultralytics YOLOv5: Tiêu chuẩn ngành về hiệu quả#

Khi ra mắt, Ultralytics YOLOv5 giúp nhà phát triển trên toàn thế giới tiếp cận thị giác máy tính hiệu năng cao thông qua một framework trực quan, dễ sử dụng.

Cân bằng hệ sinh thái và hiệu năng#

YOLOv5 được xây dựng hoàn toàn trên framework PyTorch và sử dụng kiến trúc CNN hiệu quả. Model được thiết kế ngay từ đầu để dễ sử dụng, với API đơn giản và tài liệu đầy đủ.

Ưu điểm chính của YOLOv5 là tính linh hoạt và yêu cầu bộ nhớ thấp. Huấn luyện model YOLOv5 cần ít VRAM hơn nhiều so với model dựa trên Transformer, giúp nhà nghiên cứu và kỹ sư có ngân sách phần cứng hạn chế vẫn có thể sử dụng. Trong khi RTDETRv2 tập trung vào phát hiện hộp giới hạn, kho mã YOLOv5 còn hỗ trợ phân đoạn đối tượng (được bổ sung trong YOLOv5 v7.0) và phân loại ảnh.

Quản lý model doanh nghiệp

Bạn có thể huấn luyện, xác thực và triển khai YOLOv5 trực tiếp trên Ultralytics Platform, nền tảng cung cấp huấn luyện đám mây và triển khai không cần mã.

So sánh hiệu năng và chỉ số#

Hiệu năng trên dataset COCO tiêu chuẩn cho thấy sự khác biệt rõ ràng trong cách các model đánh đổi độ chính xác để tiết kiệm tài nguyên.

Modelkích thước
(pixel)
mAPval50-95Tốc độ
CPU ONNX
(ms)
Tốc độ
T4 TensorRT10
(ms)
params
(M)
FLOPs
(B)
RTDETRv2-s64048.1-5.032060
RTDETRv2-m64051.9-7.5136100
RTDETRv2-l64053.4-9.7642136
RTDETRv2-x64054.3-15.0376259
YOLOv5n64028.0-1.121.94.5
YOLOv5s64037.4-1.927.216.5
YOLOv5m64045.4-4.0321.249.0
YOLOv5l64049.0-6.6146.5109.1
YOLOv5x64050.7-11.8986.7205.7

Phân tích các yếu tố đánh đổi#

RTDETRv2-x đạt Độ chính xác trung bình (mAP) tối đa 54.3%, cao hơn YOLOv5x (50.7%) 3.6 điểm. YOLOv5x có độ trễ TensorRT thấp hơn (11.89 ms so với 15.03 ms) và ít FLOPs hơn (205.7B so với 259B), nhưng nhiều tham số hơn (86.7M so với 76M). Ở mức độ trễ tương đương, RTDETRv2 chính xác hơn: RTDETRv2-s đạt 48.1% trong 5.03 ms, trong khi YOLOv5m đạt 45.4% trong 4.03 ms. Với triển khai biên công suất thấp, YOLOv5n chạy trong 1.12 ms với 1.9M tham số, một phân khúc kích thước mà RTDETRv2 không cung cấp.

Hiệu quả huấn luyện và sự đơn giản của code#

Một trong những thế mạnh chính của hệ sinh thái Ultralytics là API thống nhất. Nếu chọn kiến trúc Transformer của RT-DETR cho tác vụ đòi hỏi nhiều năng lực tính toán, bạn vẫn có thể sử dụng hoàn toàn trong gói Python Ultralytics và chuyển đổi model chỉ bằng cách thay đổi một dòng mã.

from ultralytics import RTDETR, YOLO

# Tải model YOLOv5 small của Ultralytics
model_yolo = YOLO("yolov5su.pt")  # YOLOv5u: weight YOLOv5 không anchor dành cho package ultralytics

# Tải model RT-DETR large qua Ultralytics
model_rtdetr = RTDETR("rtdetr-l.pt")

# Huấn luyện YOLOv5 trên dữ liệu tùy chỉnh của bạn
model_yolo.train(data="coco8.yaml", epochs=100, imgsz=640)

# Chạy suy luận với cả hai model
results_yolo = model_yolo("https://ultralytics.com/images/bus.jpg")
results_rtdetr = model_rtdetr("https://ultralytics.com/images/bus.jpg")

results_yolo[0].show()

Khi sử dụng thư viện Ultralytics, nhà phát triển tự động được tiếp cận hệ sinh thái được bảo trì tốt, tích hợp theo dõi thử nghiệm (như Weights & Biases và Comet) và hỗ trợ xuất chỉ bằng một dòng lệnh sang các định dạng triển khai như ONNX và OpenVINO.

Ứng dụng thực tế và trường hợp sử dụng phù hợp#

RTDETRv2 phát huy thế mạnh ở đâu#

RTDETRv2 phù hợp nhất với môi trường không bị giới hạn về phần cứng và ưu tiên hàng đầu là độ chính xác.

  • Chẩn đoán hình ảnh y tế phía máy chủ: Phát hiện các bất thường khó nhận biết trong ảnh X-quang độ phân giải cao.
  • Ảnh vệ tinh: Theo dõi các đối tượng dày đặc, chồng lấp trong tác vụ giám sát trên không trên các cụm máy chủ cloud mạnh mẽ.

Ưu thế của YOLOv5#

YOLOv5 là lựa chọn thiết thực để triển khai trong thực tế trên nhiều loại phần cứng.

  • Thiết bị Edge AI: Triển khai hệ thống báo động an ninh trên Raspberry Pi hoặc thiết bị NVIDIA Jetson, nơi bộ nhớ bị giới hạn nghiêm ngặt.
  • Ứng dụng di động: Chạy suy luận bounding box và phân đoạn nhanh theo thời gian thực trực tiếp trên smartphone qua CoreML hoặc LiteRT.
  • Sản xuất công nghiệp tốc độ cao: Kiểm tra linh kiện trên các dây chuyền sản xuất nhanh, nơi độ trễ tính bằng mili giây đóng vai trò then chốt đối với thành công trong vận hành.
Khám phá các model Ultralytics khác

YOLOv5 vẫn được sử dụng rộng rãi, nhưng các model Ultralytics mới hơn hiện đã có. Nếu đang so sánh model cho dự án mới vào năm 2026, hãy cân nhắc Ultralytics YOLO26, model được khuyến nghị. YOLO26 cung cấp Thiết kế đầu cuối không cần NMS thông qua head một-một tùy chọn (nms=False), tương tự Transformer nhưng có tốc độ của CNN, sử dụng Optimizer MuSGD để huấn luyện ổn định, và YOLO26n suy luận trên CPU nhanh hơn YOLO11n đến 43%. Ngoài ra, YOLO11 vẫn là lựa chọn được hỗ trợ tốt cho các trường hợp triển khai linh hoạt cần Ước lượng tư thế và phát hiện OBB.

Tóm lại, dù RTDETRv2 nâng cao giới hạn độ chính xác bằng các lớp Transformer, framework Ultralytics YOLO mang lại sự cân bằng tốt giữa tốc độ, yêu cầu bộ nhớ thấp và trải nghiệm nhà phát triển, giúp rút ngắn lộ trình từ nguyên mẫu đến production.

Người đóng góp

Bình luận

Đặt câu hỏi, chia sẻ kết quả hoặc giúp đỡ người khác.