Bắt đầu

RTDETRv2 và YOLOv7

Thị giác máy tính đã phát triển nhanh chóng trong những năm gần đây nhờ tiến bộ của cả Mạng nơ-ron tích chập (CNN) và Vision Transformer (ViT). Chọn kiến trúc để triển khai đòi hỏi phải hiểu sự đánh đổi giữa tốc độ, độ chính xác và chi phí tính toán. Hướng dẫn này so sánh khác biệt kỹ thuật giữa hai kiến trúc nổi tiếng là RTDETRv2 và YOLOv7, đồng thời giới thiệu YOLO26 mới hơn của Ultralytics.

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

RTDETRv2 (Phiên bản 2 của Transformer phát hiện thời gian thực) kế thừa phiên bản tiền nhiệm và cho thấy các kiến trúc dựa trên transformer có thể cạnh tranh trong các kịch bản thời gian thực mà không cần dựa vào các bước hậu xử lý truyền thống.

Điểm nổi bật về kiến trúc#

RTDETRv2 sử dụng encoder lai và decoder transformer. Cơ chế self-attention cho phép model xử lý toàn bộ ảnh cùng lúc, nhờ đó nắm bắt được các mối quan hệ không gian mà các kernel tích chập chỉ xử lý cục bộ có thể bỏ sót. Đặc điểm nổi bật của model là thiết kế nguyên bản 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#

Điểm mạnh chính của RTDETRv2 là khả năng xử lý vật thể dày đặc, chồng lấn trong các cảnh phức tạp. Ngữ cảnh toàn cục do các lớp attention transformer cung cấp giúp cải thiện độ chính xác, đặc biệt trong những tình huống thường xuyên có hiện tượng che khuất.

Tuy nhiên, điều này đi kèm với chi phí tính toán. Các model Transformer thường tiêu tốn nhiều bộ nhớ hơn trong quá trình huấn luyện và suy luận so với CNN. Điều này giới hạn kích thước batch trên GPU phổ thông và có thể kéo dài chu kỳ lặp của nhà phát triển khi tinh chỉnh các dataset tùy chỉnh.

Tìm hiểu thêm về RTDETRv2

YOLOv7: CNN cơ sở có tốc độ cao#

Được phát hành hai năm trước RTDETRv2, YOLOv7 đưa vào một số tối ưu hóa cấu trúc cho framework YOLO cổ điển, thiết lập một chuẩn mực vững chắc cho các bộ phát hiện thời gian thực dựa trên CNN tại thời điểm ra mắt.

Điểm nổi bật về kiến trúc#

Kiến trúc YOLOv7 được xây dựng dựa trên khái niệm Mạng tổng hợp lớp hiệu quả mở rộng (E-ELAN). Phương pháp này tối ưu hóa đường truyền gradient, giúp model học hiệu quả hơn mà không làm tăng đáng kể độ phức tạp tính toán. Các tác giả cũng giới thiệu “trainable bag-of-freebies”, một tập hợp các phương pháp cải thiện độ chính xác của model trong quá trình huấn luyện mà không làm tăng chi phí suy luận.

Ưu điểm và hạn chế#

YOLOv7 vẫn là một model có năng lực cho các tác vụ phát hiện đối tượng tiêu chuẩn, với tốc độ xử lý nhanh trên GPU phổ thông. Là một CNN, model này thường cần 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 dựa vào NMS để hậu xử lý. Trong môi trường có mật độ dự đoán cao, bước NMS có thể khiến thời gian xử lý dao động, gây khó khăn cho việc đảm bảo nghiêm ngặt khả năng xử lý thời gian thực. Ngoài ra, YOLOv7 xử lý các tác vụ như phân đoạn đối tượng và ước lượng tư thế trong các nhánh mã riêng biệt thay vì một framework thống nhất.

Tìm hiểu thêm về YOLOv7

So sánh hiệu năng#

Bảng dưới đây so sánh Độ chính xác trung bình (mAP), số lượng tham số và tốc độ suy luận trên tập xác thực COCO.

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
YOLOv7l64051.4-6.8436.9104.7
YOLOv7x64053.1-11.5771.3189.9
Bối cảnh hiệu năng

RTDETRv2-x đạt mAP cao nhất (54.3), nhưng cũng có số lượng tham số và FLOPs lớn nhất. YOLOv7l (51.4 mAP, 6.84 ms) nhanh hơn một chút so với RTDETRv2-m (51.9 mAP, 7.51 ms), trong khi RTDETRv2-l (53.4 mAP, 9.76 ms) vừa chính xác hơn vừa nhanh hơn YOLOv7x (53.1 mAP, 11.57 ms). Ở đây, không model nào báo cáo tốc độ CPU, vì vậy người dùng nhắm đến môi trường công suất thấp không có GPU chuyên dụng nên tự đo hiệu năng suy luận trên CPU.

Giải pháp hiện đại: Giới thiệu YOLO26#

RTDETRv2 và YOLOv7 đều thúc đẩy các ứng dụng thị giác máy tính, và lĩnh vực này vẫn tiếp tục phát triển. Ra mắt vào tháng 1 năm 2026, YOLO26 kết hợp hiệu quả của CNN với khả năng suy luận không cần NMS tùy chọn, tương tự các bộ phát hiện dựa trên Transformer.

Đối với nhà phát triển và nhà nghiên cứu xây dựng hệ thống mới, Ultralytics Platform tích hợp cùng hệ sinh thái Python cung cấp quy trình làm việc thống nhất, giúp giảm công sức tích hợp và bảo trì.

Các cải tiến chính trong YOLO26#

  • Thiết kế đầu cuối không cần NMS: YOLO26 hỗ trợ suy luận đầu cuối nguyên bản, bỏ qua bước hậu xử lý NMS với head một-một tùy chọn (nms=False) để triển khai nhanh hơn và đơn giản hơn. Phương pháp này, lần đầu được giới thiệu trong YOLOv10, giữ độ trễ ổn định bất kể mật độ đối tượng.
  • Suy luận CPU nhanh hơn đến 43%: YOLO26n chạy nhanh hơn đến 43% trên CPU so với YOLO11n, phù hợp với điện toán biên và các thiết bị không có GPU, nơi khó triển khai các model Transformer nặng hơn.
  • Optimizer MuSGD: Sự kết hợp giữa SGD và Muon (lấy cảm hứng từ Kimi K2 của Moonshot AI), đưa các kỹ thuật huấn luyện mô hình ngôn ngữ lớn (LLM) vào thị giác máy tính để huấn luyện ổn định hơn và hội tụ nhanh hơn.
  • Loại bỏ DFL: Distribution Focal Loss đã được loại bỏ, giúp đơn giản hóa đồ thị tính toán và xuất model trơn tru hơn sang NPU nhúng cũng như môi trường TensorRT.
  • 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, yếu tố quan trọng trong robotics, IoT và phân tích ảnh hàng không.
  • Cải tiến theo từng tác vụ: YOLO26 không chỉ dành cho phát hiện. Model này có prototype đa tỷ lệ để phân đoạn, Ước lượng khả năng xảy ra của phần dư (RLE) cho ước lượng tư thế và hàm loss góc chuyên biệt để xử lý các vấn đề biên của hộp giới hạn có định hướng (OBB).

Trải nghiệm nhà phát triển tinh gọn#

Một ưu điểm chính của các model Ultralytics như YOLO26 (hoặc YOLO11 được sử dụng rộng rãi) là hệ sinh thái được bảo trì tốt. Chỉ cần vài dòng mã để huấn luyện trên dataset tùy chỉnh:

from ultralytics import YOLO

# Khởi tạo model YOLO26
model = YOLO("yolo26s.pt")

# Huấn luyện model trên bộ dữ liệu COCO8
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Xuất model để triển khai trên edge
model.export(format="onnx", dynamic=True)

Trường hợp sử dụng và ứng dụng lý tưởng#

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

Khi nào nên cân nhắc RTDETRv2#

RTDETRv2 hoạt động hiệu quả trong môi trường xử lý phía máy chủ được trang bị GPU mạnh. Cơ chế attention toàn cục giúp model phù hợp để hiểu các cảnh phức tạp, chẳng hạn như giám sát sự kiện đông người hoặc chẩn đoán hình ảnh y tế chuyên biệt, nơi các đặc trưng chồng lấp 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 dưới dạng model cơ sở để so sánh. Model này cũng xuất hiện trong các hệ thống triển khai công nghiệp đời cũ, nơi pipeline hiện tại được viết cứng cho những phiên bản PyTorch cụ thể và không cần tính linh hoạt đa tác vụ của các framework mới hơn.

Đối với cơ sở hạ tầng thành phố thông minh hiện đại, điều hướng drone và sản xuất tốc độ cao, YOLO26 mang lại sự cân bằng tốt giữa tốc độ và độ chính xác. Nhu cầu bộ nhớ thấp hơn giúp việc tinh chỉnh siêu tham số và huấn luyện trở nên khả thi trên phần cứng phổ thông, trong khi suy luận không cần NMS tùy chọn và các tối ưu hóa CPU phù hợp với thiết bị biên có tài nguyên hạn chế như Raspberry Pi hoặc NVIDIA Jetson.

Xem thêm các bài so sánh

Bạn muốn biết các model này so sánh với những kiến trúc khác như thế nào? Hãy xem hướng dẫn chi tiết về YOLO11 so với RT-DETR và YOLOv8 so với YOLOv7 để tìm lựa chọn phù hợp cho dự án AI thị giác của bạn.

Người đóng góp

Bình luận

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