RTDETRv2 và YOLOv6-3.0
Nhà phát triển cần chọn model thị giác máy tính để phát hiện đối tượng có thể cân nhắc các kiến trúc rất khác nhau. Trang này so sánh hai kiến trúc: RTDETRv2, một Transformer phát hiện thời gian thực, và YOLOv6-3.0, một mạng nơ-ron tích chập (CNN) được tối ưu hóa cho ứng dụng công nghiệp.
Nội dung bao quát kiến trúc, chỉ số hiệu năng và các kịch bản triển khai lý tưởng, giải thích những gì hệ sinh thái Ultralytics cung cấp cho nhà phát triển, đồng thời giới thiệu Ultralytics YOLO26, model được khuyến nghị cho các dự án mới.
RTDETRv2: Phương pháp Vision Transformer#
Được phát triển bởi các nhà nghiên cứu tại Baidu, RTDETRv2 kế thừa RT-DETR ban đầu và cải tiến 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 bộ giải mã Transformer. Đặc điểm nổi bật của model là thiết kế không cần NMS nguyên bản. Bằng cách loại bỏ Ức chế phi cực đại (NMS) khỏi bước hậu xử lý, model dự đoán trực tiếp các hộp giới hạn, giúp đơn giản hóa việc triển khai và ổn định độ trễ suy luận.
Các cải tiến huấn luyện “Bag-of-Freebies” của RTDETRv2, kết hợp với attention toàn cục, giúp model xử lý cảnh phức tạp và các đối tượng chồng lấp, vì các model attention mô hình hóa mối quan hệ trên toàn bộ ảnh thay vì trong các cửa sổ tích chập cục bộ.
Transformer xử lý tốt việc hiểu cảnh phức tạp, nhưng thường cần nhiều bộ nhớ CUDA hơn CNN trong quá trình huấn luyện. Điều này có thể giới hạn kích thước batch trên GPU phổ thông tiêu chuẩn và làm tăng tổng thời gian huấn luyện.
YOLOv6-3.0: Tối đa hóa thông lượng công nghiệp#
Có nguồn gốc từ Bộ phận AI Thị giác của Meituan, YOLOv6-3.0 được thiết kế cho các pipeline 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 để giảm thiểu chi phí truy cập bộ nhớ trên các bộ tăng tốc phần cứng như GPU NVIDIA. Kiến trúc neck có mô-đun Ghép nối hai chiều (BiC) nhằm cải thiện việc hợp nhất đặc trưng ở nhiều tỷ lệ khác nhau.
Trong quá trình huấn luyện, model sử dụng chiến lược Huấn luyện có hỗ trợ anchor (AAT) để tận dụng các phương pháp dựa trên anchor, đồng thời duy trì chế độ suy luận không anchor nhằm thực thi nhanh hơn. Model đạt thông lượng cao trên GPU cấp máy chủ (ví dụ: T4, A100), nhưng thiết kế hướng đến GPU có thể kém hiệu quả hơn trên thiết bị biên chỉ có CPU.
So sánh hiệu năng#
Bảng dưới đây so sánh độ chính xác (mAP), tốc độ suy luận và chi phí tính toán (FLOPs) trên tập xác thực 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 |
| YOLOv6-3.0n | 640 | 37.5 | - | 1.17 | 4.7 | 11.4 |
| YOLOv6-3.0s | 640 | 45.0 | - | 2.66 | 18.5 | 45.3 |
| YOLOv6-3.0m | 640 | 50.0 | - | 5.28 | 34.9 | 85.8 |
| YOLOv6-3.0l | 640 | 52.8 | - | 8.95 | 59.6 | 150.7 |
YOLOv6-3.0 nhanh hơn trên T4 TensorRT ở mọi kích thước tương đương (ví dụ: 5.28 ms so với 7.51 ms ở model cỡ vừa), trong khi RTDETRv2 đạt mAP cao hơn (51.9 so với 50.0 ở cỡ vừa, 53.4 so với 52.8 ở cỡ lớn) và đạt 54.3 mAP với RTDETRv2-x. Cả hai model đều tập trung vào phát hiện: bản phát hành chính của cả hai không cung cấp phân đoạn đối tượng hoặc ước lượng 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 lại sự kết hợp tốt nhất giữa hiệu năng và trải nghiệm developer:
- 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 tăng tốc GPU chuyên dụng, nơi tốc độ inference CPU nhanh hơn tới 43% của YOLO26 (YOLO26n so với YOLO11n) mang lại lợi thế đáng kể.
- 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.
Lợi thế của Ultralytics#
Chọn model không chỉ dựa trên các con số benchmark; trải nghiệm nhà phát triển, tính linh hoạt khi triển khai và hỗ trợ hệ sinh thái cũng rất quan trọng. Các model được tích hợp trong hệ sinh thái Ultralytics có một số ưu điểm so với các kho mã nghiên cứu cố định.
- Dễ sử dụng: Gói Python
ultralyticscung cấp API đơn giản. Chỉ cần vài dòng mã để huấn luyện, xác thực và xuất model. - Hệ sinh thái được bảo trì tốt: Không giống các kho mã học thuật biệt lập, gói
ultralyticsvà Ultralytics Platform được bảo trì tích cực, hỗ trợ xuất sang các định dạng như ONNX, OpenVINO và CoreML. - Hiệu quả huấn luyện: Các model Ultralytics YOLO thường sử dụng ít bộ nhớ GPU hơn trong quá trình huấn luyện so với kiến trúc Transformer như RTDETRv2, cho phép dùng batch lớn hơn trên phần cứng phổ thông.
- Tính linh hoạt: Khác với phạm vi tập trung vào phát hiện của YOLOv6-3.0, YOLO26 hỗ trợ phát hiện, phân đoạn đối tượng, phân đoạn ngữ nghĩa, ước lượng độ sâu, phân loại ảnh, ước lượng tư thế và hộp giới hạn định hướng (OBB) trong cùng một framework.
Với CLI Ultralytics, việc export model đã huấn luyện để triển khai trên thiết bị biên đơn giản như chạy lệnh: yolo export model=yolo11n.pt format=tensorrt.
Giới thiệu YOLO26#
RTDETRv2 và YOLOv6-3.0 đều có thế mạnh riêng, nhưng với các nhóm bắt đầu dự án thị giác máy tính mới, chúng tôi khuyến nghị YOLO26, được Ultralytics phát hành vào tháng 1 năm 2026.
YOLO26 kết hợp thế mạnh của CNN công nghiệp và Transformer hiện đại:
- Thiết kế đầu cuối không cần NMS: Dựa trên phương pháp được giới thiệu trong YOLOv10, YOLO26 cung cấp head không cần NMS tùy chọn (
nms=False), bỏ qua bước hậu xử lý NMS và mang lại độ trễ có thể dự đoán tương tự RTDETRv2 với mức tiêu thụ bộ nhớ thấp hơn. - Optimizer MuSGD: Lấy cảm hứng từ các kỹ thuật huấn luyện mô hình ngôn ngữ lớn (LLM) như Kimi K2 của Moonshot AI, phương pháp lai giữa SGD và Muon này giúp huấn luyện ổn định hơn và hội tụ nhanh hơn.
- Tối ưu cho thiết bị biên: Nhờ loại bỏ Distribution Focal Loss (DFL), YOLO26n chạy nhanh hơn đến 43% trên CPU so với YOLO11n, phù hợp với thiết bị di động và IoT không có tăng tốc GPU.
- ProgLoss + STAL: Hàm mất mát tiến triển và Gán nhãn nhận biết đối tượng nhỏ (STAL) cải thiện khả năng nhận diện đối tượng nhỏ, một thách thức lâu năm đối với CNN, qua đó hỗ trợ phân tích ảnh hàng không và robotics.
Ví dụ huấn luyện#
API Ultralytics huấn luyện model chỉ với vài dòng mã. Ví dụ có thể chạy bên dưới 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.
Với nhà phát triển muốn có khả năng suy luận không cần NMS như Transformer cùng tốc độ và mức tiêu thụ bộ nhớ thấp của CNN, YOLO26 là lựa chọn được khuyến nghị. Tài liệu, cộng đồng năng động và công cụ Ultralytics giúp các dự án AI thị giác chuyển từ nguyên mẫu sang môi trường production.
Bình luận
Đặt câu hỏi, chia sẻ kết quả hoặc giúp đỡ người khác.