RTDETRv2 so với YOLOv7#

Lĩnh vực thị giác máy tính đã mở rộng mạnh mẽ trong vài năm qua, nhờ những đổi mới liên tục trong cả Mạng nơ-ron tích chập (CNNs) và Transformer thị giác (ViTs). Việc lựa chọn kiến trúc phù hợp cho quá trình triển khai đòi hỏi phải hiểu rõ những đánh đổi tinh tế giữa tốc độ, độ chính xác và chi phí tính toán. Hướng dẫn này phân tích những khác biệt kỹ thuật giữa hai kiến trúc được đánh giá cao là RTDETRv2 và YOLOv7, đồng thời nêu bật những tiến bộ hiện đại có trong YOLO26 mới hơn của Ultralytics.

RTDETRv2: Phương pháp Transformer cho Phát hiện theo thời gian thực#

RTDETRv2 (Transformer phát hiện theo thời gian thực phiên bản 2) xây dựng trên nền tảng của phiên bản tiền nhiệm, chứng minh rằng các kiến trúc dựa trên Transformer có thể cạnh tranh hiệu quả trong các kịch bản thời gian thực mà không cần dựa vào các bước hậu xử lý truyền thống.

• 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: RTDETRv2 Repository

Các điểm nổi bật về kiến trúc#

RTDETRv2 sử dụng kiến trúc encoder lai và decoder Transformer. Bằng cách tận dụng các cơ chế self-attention, model xử lý toàn bộ hình ảnh một cách tổng thể, nhờ đó hiểu rõ hơn các mối quan hệ không gian phức tạp so với các kernel tích chập chỉ hoạt động cục bộ. Một trong những đặc điểm nổi bật nhất của model là thiết kế vốn dĩ không cần NMS. Bằng cách loại bỏ Non-Maximum Suppression (NMS), RTDETRv2 loại bỏ một nút thắt phổ biến gây ra độ trễ suy luận biến động trong quá trình triển khai.

Ưu điểm và hạn chế#

Thế mạnh chính của RTDETRv2 nằm ở khả năng xử lý các đối tượng dày đặc và chồng lấn trong những cảnh phức tạp. Ngữ cảnh toàn cục do các lớp attention của Transformer cung cấp giúp model đạt độ chính xác cao, đặc biệt trong những tình huống thường xuyên xảy ra che khuất.

Tuy nhiên, điều này đi kèm với chi phí tính toán. Các model Transformer theo truyền thống yêu cầu dung lượng bộ nhớ lớn hơn trong quá trình huấn luyện và suy luận so với CNNs. Ngoài ra, RTDETRv2 thường cần nhiều epoch hơn để hội tụ trong quá trình huấn luyện phân tán, dẫn đến chu kỳ lặp dài hơn cho các developer tinh chỉnh dataset tùy chỉnh.

Tìm hiểu thêm về RTDETRv2

YOLOv7: CNN nền tảng cho tốc độ#

Được phát hành một năm trước RTDETRv2, YOLOv7 đã giới thiệu một số tối ưu hóa cấu trúc cho framework YOLO kinh điển, thiết lập một benchmark vững chắc cho các detector thời gian thực dựa trên CNN tại thời điểm công bố.

• Tác giả: Chien-Yao Wang, Alexey Bochkovskiy và Hong-Yuan Mark Liao
• Tổ chức: Institute of Information Science, Academia Sinica, Taiwan
• Ngày: 2022-07-06
• Arxiv: https://arxiv.org/abs/2207.02696
• GitHub: Repository YOLOv7

Các điểm nổi bật về kiến trúc#

Kiến trúc của YOLOv7 được xây dựng xoay quanh khái niệm Mạng tổng hợp lớp hiệu quả mở rộng (E-ELAN). Phương pháp này tối ưu hóa đường đi của gradient, cho phép model học hiệu quả hơn mà không làm tăng đáng kể độ phức tạp tính toán. Các tác giả cũng giới thiệu “bag-of-freebies có thể huấn luyện”, một tập hợp các phương pháp cải thiện độ chính xác của model trong quá trình huấn luyện mà không ảnh hưởng đến tốc độ suy luận trên các thiết bị edge.

Ưu điểm và hạn chế#

YOLOv7 vẫn là một model có năng lực cao cho các tác vụ phát hiện đối tượng tiêu chuẩn, cung cấp tốc độ xử lý xuất sắc trên GPU dành cho người dùng phổ thông. Bản chất CNN của model thường giúp model yêu cầu ít bộ nhớ CUDA hơn trong quá trình huấn luyện so với các model dựa trên Transformer như RTDETRv2.

Dù có những ưu điểm này, YOLOv7 vẫn phụ thuộc vào NMS trong quá trình hậu xử lý. Trong các môi trường có mật độ dự đoán cao, bước NMS có thể gây dao động về thời gian xử lý, khiến việc đảm bảo nghiêm ngặt thời gian thực trở nên khó khăn. Ngoài ra, so với các framework hiện đại, quy trình xử lý những tác vụ đa dạng như phân đoạn instance và ước lượng pose có thể bị phân mảnh.

Tìm hiểu thêm về YOLOv7

So sánh hiệu năng#

Việc đánh giá các model này đòi hỏi xem xét sự cân bằng tinh tế giữa Độ chính xác trung bình (mAP), số lượng tham số và tốc độ suy luận.

Giải pháp hiện đại: YOLO26 xuất hiện#

Mặc dù RTDETRv2 và YOLOv7 đóng vai trò then chốt trong việc mở rộng giới hạn của các ứng dụng thị giác máy tính, lĩnh vực AI phát triển nhanh chóng. Được phát hành vào tháng 1 năm 2026, YOLO26 tổng hợp những ưu điểm tốt nhất của hiệu quả CNN và các kiến trúc không cần NMS mang phong cách Transformer.

Đối với các developer và nhà nghiên cứu xây dựng hệ thống mới, Ultralytics Platform tích hợp cùng hệ sinh thái Python cung cấp trải nghiệm thống nhất, giúp giảm đáng kể technical debt.

Các đổi mới chính trong YOLO26#

• Thiết kế end-to-end không cần NMS: YOLO26 vốn dĩ hoạt động end-to-end, loại bỏ hậu xử lý NMS để triển khai nhanh hơn và đơn giản hơn. Phương pháp đột phá này lần đầu được tiên phong trong YOLOv10, đảm bảo độ trễ ổn định bất kể mật độ đối tượng.
• Suy luận trên CPU nhanh hơn tới 43%: Được tối ưu cụ thể cho điện toán biên và các thiết bị không có GPU, giúp model linh hoạt hơn nhiều cho các triển khai thực địa so với các model Transformer nặng.
• Optimizer MuSGD: Sự kết hợp giữa SGD và Muon (lấy cảm hứng từ Kimi K2 của Moonshot AI), đưa những đổi mới trong huấn luyện LLM vào lĩnh vực thị giác máy tính để giúp quá trình huấn luyện ổn định hơn và hội tụ nhanh hơn.
• Loại bỏ DFL: Distribution Focal Loss đã được loại bỏ, tạo ra computational graph đơn giản hơn để export mượt mà hơn sang các NPU nhúng và môi trường TensorRT.
• ProgLoss + STAL: Các hàm loss được cải thiện mang lại những nâng cao đáng kể trong việc nhận diện đối tượng nhỏ, điều quan trọng đối với robotics, IoT và phân tích ảnh trên không.
• Cải tiến theo từng tác vụ: YOLO26 không chỉ dành cho detection. Model có các prototype đa tỷ lệ cho segmentation, Residual Log-Likelihood Estimation (RLE) cho theo dõi pose và loss góc chuyên biệt giải quyết các vấn đề biên của bounding box định hướng (OBB).

Trải nghiệm Developer được tinh gọn#

Ưu điểm thực sự của việc lựa chọn một model Ultralytics như YOLO26 (hoặc YOLO11 rất phổ biến) là hệ sinh thái được duy trì tốt. Việc huấn luyện một dataset tùy chỉnh chỉ yêu cầu lượng mã boilerplate tối thiểu:

from ultralytics import YOLO

# Initialize the state-of-the-art YOLO26 model
model = YOLO("yolo26s.pt")

# Train the model on the COCO8 dataset
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Export seamlessly for edge deployment
model.export(format="onnx", dynamic=True)

Các trường hợp sử dụng và ứng dụng lý tưởng#

Việc lựa chọn giữa các kiến trúc này phụ thuộc nhiều vào phần cứng mục tiêu và các yêu cầu vận hành cụ thể.

Khi nào nên cân nhắc RTDETRv2#

RTDETRv2 đặc biệt hiệu quả trong các môi trường xử lý phía server được trang bị GPU mạnh. Cơ chế attention toàn cục khiến model phù hợp với việc hiểu các cảnh phức tạp, chẳng hạn như giám sát các sự kiện rất đông người hoặc chẩn đoán hình ảnh y tế chuyên biệt, nơi các đặc trưng chồng lấn đòi hỏi phân tích ngữ cảnh sâu.

Khi nào nên cân nhắc YOLOv7#

YOLOv7 thường được duy trì trong các nghiên cứu học thuật cũ với vai trò là model baseline để so sánh. Model này cũng xuất hiện trong các hệ thống triển khai công nghiệp cũ, nơi các pipeline hiện có được hardcode cho những phiên bản PyTorch cụ thể và không yêu cầu tính linh hoạt đa tác vụ của các framework mới hơn.

Vì sao YOLO26 là tiêu chuẩn được khuyến nghị#

Đối với cơ sở hạ tầng thành phố thông minh, điều hướng drone và hoạt động sản xuất tốc độ cao hiện đại, YOLO26 mang lại sự cân bằng vượt trội. Yêu cầu bộ nhớ thấp hơn giúp việc tinh chỉnh hyperparameter và huấn luyện trở nên dễ tiếp cận trên phần cứng phổ thông, trong khi suy luận không cần NMS đảm bảo thực thi nhanh trên các thiết bị edge hạn chế tài nguyên như Raspberry Pi hoặc NVIDIA Jetson.