RTDETRv2 so với YOLOv6-3.0#

Bối cảnh thị giác máy tính không ngừng phát triển, mang đến cho các nhà phát triển vô vàn lựa chọn về kiến trúc cho việc phát hiện đối tượng. Hai mô hình nổi bật đại diện cho các cách tiếp cận khác biệt là RTDETRv2, một vision transformer tiên tiến, và YOLOv6-3.0, một mạng thần kinh tích chập (CNN) được tối ưu hóa cao dành riêng cho các ứng dụng công nghiệp.

Bản so sánh kỹ thuật toàn diện này khám phá kiến trúc, chỉ số hiệu suất và các kịch bản triển khai lý tưởng của chúng. Chúng ta cũng sẽ xem xét cách hệ sinh thái Ultralytics rộng lớn hơn mang lại trải nghiệm nhà phát triển vượt trội, đồng thời hướng tới các tính năng thế hệ tiếp theo của Ultralytics YOLO26.

RTDETRv2: Cách tiếp cận Vision Transformer#

Được phát triển bởi các nhà nghiên cứu tại Baidu, RTDETRv2 xây dựng dựa trên nền tảng của RT-DETR gốc, đại diện cho một bước nhảy vọt 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: 24-07-2024
• Arxiv: 2407.17140
• GitHub: lyuwenyu/RT-DETR
• Tài liệu: RTDETRv2 GitHub README

Điểm nổi bật về kiến trúc#

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

"Bag-of-Freebies" được tích hợp trong RTDETRv2 giúp nâng cao khả năng xử lý các cảnh phức tạp và các đối tượng chồng lấp, vì các cơ chế chú ý toàn cục hiểu rõ các mối quan hệ không gian tốt hơn các phép tích chập cục bộ.

Tìm hiểu thêm về RTDETR

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

Xuất phát từ Bộ phận AI Thị giác tại Meituan, YOLOv6-3.0 được kỹ sư thiết kế rõ ràng để phục vụ như một bộ phát hiện thế hệ tiếp theo cho các đường ống 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 dựa trên 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 cổ của nó có mô-đun Bi-directional Concatenation (BiC) để cải thiện việc kết hợp đặc trưng trên các quy mô khác nhau.

Trong quá trình huấn luyện, nó sử dụng chiến lược Anchor-Aided Training (AAT) để hưởng lợi từ các mô hình dựa trên anchor trong khi vẫn duy trì chế độ suy luận không cần anchor để thực thi nhanh hơn. Mặc dù đạt được thông lượng vượt trội trên các GPU cấp máy chủ (ví dụ: T4, A100), kiến trúc chuyên biệt của nó có thể dẫn đến độ trễ không tối ưu khi triển khai trên các thiết bị biên chỉ dùng CPU.

Tìm hiểu thêm về YOLOv6

So sánh hiệu năng#

Khi đánh giá các mô hình cho sản xuất, việc cân bằng độ chính xác (mAP) với tốc độ suy luận và chi phí tính toán (FLOPs) là rất quan trọng. Bảng dưới đây minh họa cách các mô hình này so sánh với nhau.

Trong khi YOLOv6-3.0 chiếm ưu thế về tốc độ xử lý thuần túy trên TensorRT, RTDETRv2 đạt được điểm số 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 mở rộng có trong các framework hợp nhất hiện đại. YOLOv6-3.0 chủ yếu là một chuyên gia phát hiện, thiếu sự hỗ trợ nguyên bản cho các tác vụ như phân đoạn cá thể và ước lượng tư thế ngay khi xuất xưởng.

Các trường hợp sử dụng và Khuyến nghị#

Việc lựa chọn giữa RT-DETR và YOLOv6 phụ thuộc vào các yêu cầu dự án cụ thể, các ràng buộc triển khai và sở thích về 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 YOLOv6#

YOLOv6 được khuyến nghị cho:

• Triển khai chú trọng phần cứng công nghiệp: Các kịch bản mà thiết kế chú trọng phần cứng của mô hình và khả năng tái tham số hóa hiệu quả mang lại hiệu năng tối ưu trên phần cứng mục tiêu cụ thể.
• Phát hiện single-stage nhanh: Các ứng dụng ưu tiên tốc độ inference thô trên GPU để xử lý video thời gian thực trong các môi trường được kiểm soát.
• Tích hợp Hệ sinh thái Meituan: Các nhóm đã và đang làm việc trong ngăn xếp công nghệ và cơ sở hạ tầng triển khai của Meituan.

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.

Lợi thế từ Ultralytics#

Việc chọn mô hình phù hợp không chỉ bao gồm các con số chuẩn thuần túy; trải nghiệm nhà phát triển, sự linh hoạt trong triển khai và hỗ trợ hệ sinh thái cũng quan trọng không kém. Bằng cách sử dụng các mô hình được tích hợp trong nền tảng Ultralytics, người dùng đạt được những lợi thế đáng kể so với các kho lưu trữ nghiên cứu tĩnh.

• Dễ sử dụng: Gói Python ultralytics cung cấp một API liền mạch. Việc huấn luyện, xác thực và xuất model chỉ mất vài dòng mã.
• Hệ sinh thái được duy trì tốt: Không giống như các repo học thuật cô lập, Ultralytics Platform được cập nhật liên tục. Nền tảng này tự hào có các tích hợp mạnh mẽ cho các công cụ như ONNX, OpenVINO và CoreML.
• Hiệu quả huấn luyện: Các mô hình Ultralytics thường tiêu thụ VRAM thấp hơn đáng kể trong quá trình huấn luyện so với các kiến trúc transformer như RTDETRv2, cho phép kích thước batch lớn hơn trên phần cứng cấp tiêu dùng.
• Tính linh hoạt: Không giống như phạm vi tập trung của YOLOv6-3.0, các model Ultralytics mang tính đa phương thức, hỗ trợ nguyên bản phân loại hình ảnh, hộp bao quanh định hướng (OBB) và phân đoạn trong một framework hợp nhất duy nhất.

Giới thiệu YOLO26: Giải pháp tối ưu#

Mặc dù RTDETRv2 và YOLOv6-3.0 mang lại những lợi ích cụ thể, lĩnh vực này tiến triển rất nhanh. Đối với các đội ngũ bắt đầu các dự án thị giác máy tính mới, chúng tôi đặc biệt khuyến nghị YOLO26, được phát hành bởi Ultralytics vào tháng 1 năm 2026.

YOLO26 tổng hợp các thế mạnh của CNN công nghiệp và transformer hiện đại trong khi loại bỏ các điểm yếu tương ứng của chúng:

• Thiết kế đầu cuối không cần NMS: Áp dụng bước đột phá lần đầu tiên được giới thiệu trong YOLOv10, YOLO26 loại bỏ quá trình hậu xử lý NMS một cách nguyên bản, đảm bảo việc triển khai ổn định, có thể dự đoán giống như RTDETRv2 nhưng với chi phí vận hành ít hơn rất nhiều.
• Bộ tối ưu hóa MuSGD: Lấy cảm hứng từ các kỹ thuật huấn luyện LLM tiên tiến (như Kimi K2 của Moonshot AI), bộ tối ưu hóa lai này đảm bảo việc huấn luyện ổn định và hội tụ nhanh hơn, vượt qua sự bất ổn khét tiếng của các vision transformer truyền thống.
• Tối ưu hóa cho thiết bị biên: Với khả năng suy luận CPU nhanh hơn tới 43% so với các thế hệ trước và việc loại bỏ chiến lược Distribution Focal Loss (DFL), YOLO26 hoàn toàn phù hợp cho các thiết bị di động và IoT nơi không có tăng tốc GPU.
• ProgLoss + STAL: Các hàm mất mát tiên tiến này mang lại những cải tiến đáng chú ý trong việc nhận dạng đối tượng nhỏ, một thách thức lịch sử đối với CNN, làm cho YOLO26 trở nên lý tưởng cho hình ảnh từ trên không và robot.

Ví dụ về huấn luyện#

Ultralytics API trực quan cho phép bạn huấn luyện các model tiên tiến một cách liền mạch. Dưới đây là một ví dụ có thể chạy được minh họa cách huấn luyện model YOLO26 Nano trên tập dữ liệu 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 phần lớn phụ thuộc vào phần cứng và các ràng buộc độ trễ cụ thể của bạn. RTDETRv2 tỏa sáng trong các môi trường nghiên cứu và xử lý phía máy chủ, nơi việc xử lý các đối tượng chồng lấp phức tạp là rất quan trọng. YOLOv6-3.0 vẫn là một lựa chọn mạnh mẽ cho các dây chuyền sản xuất có thông lượng cao được trang bị các GPU NVIDIA mạnh mẽ.

Tuy nhiên, đối với các nhà phát triển đang tìm kiếm những ưu điểm tuyệt vời nhất của cả hai thế giới—kết hợp sự tao nhã không cần NMS của Transformer với tốc độ chóng mặt và dung lượng bộ nhớ thấp của CNN—YOLO26 vẫn là lựa chọn không có đối thủ. Được hỗ trợ bởi tài liệu toàn diện và cộng đồng tích cực của hệ sinh thái Ultralytics, YOLO26 đảm bảo các dự án AI thị giác của bạn luôn mạnh mẽ, có khả năng mở rộng và sẵn sàng cho tương lai.