RTDETRv2 và YOLOv6-3.0#

Lĩnh vực thị giác máy tính không ngừng phát triển, mang đến cho nhà phát triển vô số lựa chọn kiến trúc để phát hiện vật thể. Hai model tiêu biểu cho những phương pháp khác biệt là RTDETRv2, một vision transformer tiên tiến, và YOLOv6-3.0, một Mạng nơ-ron tích chập (CNN) được tối ưu cao cho các ứng dụng công nghiệp.

Bài so sánh kỹ thuật toàn diện này phân tích kiến trúc, chỉ số hiệu năng và các kịch bản triển khai lý tưởng của từng model. Chúng tôi cũng xem xét cách hệ sinh thái Ultralytics rộng lớn hơn mang lại trải nghiệm nhà phát triển vượt trội, đồng thời hướng đến các năng lực thế hệ tiếp theo của Ultralytics YOLO26.

RTDETRv2: Phương pháp Vision Transformer#

Được phát triển bởi các nhà nghiên cứu tại Baidu, RTDETRv2 kế thừa nền tảng của RT-DETR gốc, đánh dấu bước tiến đáng kể trong lĩnh vực phát hiện đối tượng dựa trên Transformer.

• 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: lyuwenyu/RT-DETR
• Tài liệu: README GitHub của RTDETRv2

Điểm nổi bật về kiến trúc#

RTDETRv2 sử dụng kiến trúc lai kết hợp bộ trích xuất đặc trưng CNN với decoder Transformer mạnh mẽ. Đặc điểm nổi bật nhất của model này là thiết kế vốn không cần NMS. Bằng cách loại bỏ Non-Maximum Suppression (NMS) trong quá trình hậu xử lý, model dự đoán trực tiếp các bounding box, giúp đơn giản hóa việc triển khai và ổn định độ trễ suy luận.

“Bag-of-Freebies” được tích hợp vào RTDETRv2 tăng cường khả năng xử lý cảnh phức tạp và các đối tượng chồng lấp, vì cơ chế chú ý toàn cục vốn hiểu các mối quan hệ không gian tốt hơn convolution cục bộ.

Tìm hiểu thêm về RTDETRv2

YOLOv6-3.0: Tối đa hóa thông lượng công nghiệp#

Có nguồn gốc từ Bộ phận Vision AI của Meituan, YOLOv6-3.0 được thiết kế chuyên biệt như một model phát hiện thế hệ mới cho các quy trình công nghiệp, nơi thông lượng GPU là ưu tiên hàng đầu.

• Tác giả: Chuyi Li, Lulu Li, Yifei Geng, Hongliang Jiang, Meng Cheng, Bo Zhang, Zaidan Ke, Xiaoming Xu và Xiangxiang Chu
• Tổ chức: Meituan
• Ngày: 2023-01-13
• Arxiv: 2301.05586
• GitHub: meituan/YOLOv6

Trọng tâm kiến trúc#

YOLOv6-3.0 sử dụng backbone EfficientRep, được thiết kế tỉ mỉ để giảm thiểu chi phí truy cập bộ nhớ trên các bộ tăng tốc phần cứng như GPU NVIDIA. Kiến trúc neck có module Bi-directional Concatenation (BiC) nhằm cải thiện việc hợp nhất đặc trưng giữa các scale.

Trong quá trình huấn luyện, model sử dụng chiến lược Anchor-Aided Training (AAT) để tận dụng các phương pháp dựa trên anchor, đồng thời duy trì chế độ suy luận không cần anchor nhằm thực thi nhanh hơn. Dù đạt thông lượng vượt trội trên GPU cấp máy chủ (ví dụ: T4, A100), kiến trúc chuyên biệt này có thể dẫn đến độ trễ chưa tối ưu khi triển khai trên thiết bị biên chỉ có CPU.

Tìm hiểu thêm về YOLOv6

So sánh hiệu năng#

Khi đánh giá model để đưa vào production, việc cân bằng độ chính xác (mAP) với tốc độ suy luận và chi phí tính toán (FLOPs) là yếu tố then chốt. Bảng dưới đây minh họa mức độ so sánh giữa các model.

YOLOv6-3.0 vượt trội về tốc độ xử lý thuần trên TensorRT, trong khi RTDETRv2 đạt điểm mAP cao hơn, đặc biệt là khả năng mở rộng tốt hơn với các biến thể model lớn hơn. Tuy nhiên, cả hai model đều thiếu tính linh hoạt rộng rãi của các framework hợp nhất hiện đại. YOLOv6-3.0 chủ yếu chuyên về phát hiện đối tượng, chưa hỗ trợ sẵn các tác vụ như phân đoạn instance và ước tính tư thế.

Trường hợp sử dụng và khuyến nghị#

Việc lựa chọn giữa RT-DETR và YOLOv6 phụ thuộc vào yêu cầu cụ thể của dự án, các ràng buộc triển khai và mức độ ưu tiên dành cho hệ sinh thái.

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 YOLOv6#

YOLOv6 được khuyến nghị cho:

• Triển khai tương thích với phần cứng công nghiệp: Các tình huống mà thiết kế nhận biết phần cứng và tái tham số hóa hiệu quả của model mang lại hiệu năng tối ưu trên phần cứng mục tiêu cụ thể.
• Detection một giai đoạn tốc độ cao: Các ứng dụng ưu tiên tốc độ suy luận GPU thô để xử lý video thời gian thực trong môi trường được kiểm soát.
• Tích hợp hệ sinh thái Meituan: Các nhóm đang làm việc trong ngăn xếp công nghệ và hạ tầng triển khai của Meituan.

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 GPU tăng tốc chuyên dụng, nơi tốc độ CPU inference nhanh hơn đến 43% của YOLO26 mang lại lợi thế rõ rệt.
• 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 đáng kể độ chính xác khi phát hiện vật thể rất nhỏ.

Lợi thế của Ultralytics#

Chọn model phù hợp không chỉ dựa vào các chỉ số benchmark thô; trải nghiệm developer, tính linh hoạt khi triển khai và mức độ hỗ trợ của hệ sinh thái cũng quan trọng không kém. Bằng cách sử dụng các model được tích hợp trong nền tảng Ultralytics, người dùng có được những lợi thế đáng kể so với các repository nghiên cứu tĩnh.

• Dễ sử dụng: Package Python ultralytics cung cấp API liền mạch. Việc huấn luyện, xác thực và export model chỉ cần vài dòng code.
• Hệ sinh thái được duy trì tốt: Khác với các repository học thuật riêng lẻ, Nền tảng Ultralytics được cập nhật thường xuyên. Nền tảng cung cấp các tích hợp mạnh mẽ cho những công cụ như ONNX, OpenVINO và CoreML.
• Hiệu quả huấn luyện: Model Ultralytics thường sử dụng ít VRAM hơn đáng kể trong quá trình huấn luyện so với kiến trúc Transformer như RTDETRv2, cho phép dùng batch size lớn hơn trên phần cứng phổ thông.
• Tính linh hoạt: Khác với phạm vi chuyên biệt của YOLOv6-3.0, model Ultralytics hỗ trợ đa tác vụ, tích hợp sẵn phân đoạn, phân loại ảnh và bounding box định hướng (OBB) trong một framework hợp nhất.

Ra mắt YOLO26: Giải pháp tối ưu#

Dù RTDETRv2 và YOLOv6-3.0 có những ưu điểm riêng, lĩnh vực này phát triển nhanh chóng. Với các nhóm bắt đầu dự án thị giác máy tính mới, chúng tôi đặc biệt khuyến nghị YOLO26, được Ultralytics phát hành vào tháng 1 năm 2026.

YOLO26 kết hợp ưu điểm của CNN công nghiệp và Transformer hiện đại, đồng thời loại bỏ những nhược điểm tương ứng:

• Thiết kế end-to-end không cần NMS: Kế thừa đột phá lần đầu được giới thiệu trong YOLOv10, YOLO26 cung cấp head không cần NMS tùy chọn (nms=False), loại bỏ bước hậu xử lý NMS, đảm bảo triển khai ổn định và có thể dự đoán tương tự RTDETRv2 nhưng với chi phí thấp hơn nhiều.
• Optimizer MuSGD: Lấy cảm hứng từ các kỹ thuật huấn luyện LLM tiên tiến (như Kimi K2 của Moonshot AI), optimizer lai này đảm bảo quá trình huấn luyện ổn định và hội tụ nhanh hơn, khắc phục tình trạng bất ổn nổi tiếng của Transformer thị giác truyền thống.
• Tối ưu cho thiết bị biên: Với khả năng suy luận CPU nhanh hơn tới 43% so với các thế hệ trước và việc loại bỏ Distribution Focal Loss (DFL) một cách có chủ đích, YOLO26 đặc biệt phù hợp với thiết bị di động và IoT không có khả năng tăng tốc GPU.
• ProgLoss + STAL: Các hàm loss tiên tiến này cải thiện đáng kể khả năng nhận diện vật thể nhỏ, vốn là thách thức lâu đời của CNN, khiến YOLO26 trở thành lựa chọn lý tưởng cho ảnh trên không và robot.

Ví dụ huấn luyện#

API trực quan của Ultralytics giúp bạn huấn luyện các model tiên tiến một cách liền mạch. Dưới đây là ví dụ có thể chạy, minh họa cách huấn luyện model YOLO26 Nano trên dataset COCO8:

from ultralytics import YOLO

# Load the newly released YOLO26 Nano model
model = YOLO("yolo26n.pt")

# Train the model on the COCO8 dataset for 50 epochs
# The Ultralytics engine handles data caching and augmentation automatically
train_results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

# Validate the model's performance
metrics = model.val()
print(f"Validation mAP50-95: {metrics.box.map}")

# Export the trained model to ONNX format for production
model.export(format="onnx")

Tóm tắt#

Khi so sánh RTDETRv2 và YOLOv6-3.0, quyết định chủ yếu phụ thuộc vào phần cứng cụ thể và các ràng buộc về độ trễ. RTDETRv2 phát huy thế mạnh trong môi trường nghiên cứu và xử lý phía máy chủ, nơi việc xử lý các đối tượng phức tạp chồng lấp là yếu tố then chốt. YOLOv6-3.0 vẫn là lựa chọn mạnh mẽ cho các dây chuyền sản xuất thông lượng cao được trang bị GPU NVIDIA mạnh.

Tuy nhiên, với developer muốn kết hợp ưu điểm của cả hai—sự tinh gọn không cần NMS của Transformer cùng tốc độ vượt trội và mức sử dụng bộ nhớ thấp của CNN—YOLO26 là lựa chọn hàng đầu. Được hỗ trợ bởi tài liệu toàn diện và cộng đồng tích cực của hệ sinh thái Ultralytics, YOLO26 giúp các dự án vision AI của bạn mạnh mẽ, có khả năng mở rộng và sẵn sàng cho tương lai.