RTDETRv2 so với YOLOv7#

Bối cảnh của computer vision đã phát triển mạnh mẽ trong những năm gần đây, được thúc đẩy bởi những đổi mới liên tục trong cả Mạng nơ-ron tích chập (CNN) và Vision Transformer (ViT). Việc lựa chọn kiến trúc phù hợp cho việc triển khai đòi hỏi phải hiểu rõ sự đánh đổi tinh tế giữa tốc độ, độ chính xác và chi phí tính toán. Hướng dẫn này khám phá các điểm khác biệt kỹ thuật giữa hai kiến trúc rất được đánh giá cao: RTDETRv2 và YOLOv7, đồng thời làm nổi bật các tiến bộ hiện đại có sẵn trong phiên bản mới hơn Ultralytics YOLO26.

RTDETRv2: Cách tiếp cận Transformer cho phát hiện thời gian thực#

RTDETRv2 (Real-Time Detection Transformer phiên bản 2) xây dựng dựa trên nền tảng của phiên bản tiền nhiệm để chứng minh rằng các kiến trúc dựa trên Transformer có thể cạnh tranh hiệu quả trong các tình huống 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: Kho lưu trữ RTDETRv2

Điểm nổi bật về kiến trúc#

RTDETRv2 sử dụng bộ mã hóa kết hợp (hybrid encoder) và kiến trúc transformer decoder. Bằng cách tận dụng các cơ chế tự chú ý (self-attention), mô hình xử lý toàn bộ hình ảnh một cách tổng thể, cho phép nó hiểu các mối quan hệ không gian phức tạp tốt hơn các kernel tích chập bị giới hạn cục bộ. Một trong những đặc điểm nổi bật nhất của nó là thiết kế hoàn toàn không dùng NMS. Bằng cách loại bỏ Non-Maximum Suppression (NMS), RTDETRv2 xóa bỏ một điểm nghẽn phổ biến gây ra độ trễ inference latency biến đổi trong quá trình triển khai.

Điểm mạnh và hạn chế#

Thế mạnh chính của RTDETRv2 nằm ở khả năng xử lý các vật thể dày đặc, chồng chéo trong các cảnh phức tạp. Bối cảnh toàn cục được cung cấp bởi các lớp attention của Transformer giúp nó đạt độ chính xác cao, đặc biệt là trong các tình huống thường xuyên xảy ra tình trạng che khuất.

Tuy nhiên, điều này đi kèm với chi phí tính toán. Các mô hình transformer theo truyền thống đòi hỏi dung lượng bộ nhớ lớn hơn trong quá trình huấn luyện và suy luận so với CNN. Hơn nữa, RTDETRv2 nhìn chung đòi hỏi nhiều epoch hơn để hội tụ trong quá trình distributed training, dẫn đến chu kỳ lặp lại dài hơn cho các nhà phát triển tinh chỉnh các tập dữ liệu tùy chỉnh.

Tìm hiểu thêm về RTDETRv2

YOLOv7: Baseline CNN cho tốc độ#

Ra mắt một năm trước RTDETRv2, YOLOv7 đã giới thiệu một số tối ưu hóa cấu trúc cho framework YOLO cổ điển, thiết lập một benchmark mạnh mẽ cho các bộ phát hiện thời gian thực dựa trên CNN tại thời điểm xuất bản.

Tác giả: Chien-Yao Wang, Alexey Bochkovskiy, và Hong-Yuan Mark Liao
Tổ chức: Viện Khoa học Thông tin, Academia Sinica, Đài Loan
Ngày: 2022-07-06
Arxiv: https://arxiv.org/abs/2207.02696
GitHub: Kho lưu trữ YOLOv7

Điểm nổi bật về kiến trúc#

Kiến trúc của YOLOv7 được xây dựng dựa trên khái niệm Mạng tổng hợp lớp hiệu quả mở rộng (Extended Efficient Layer Aggregation Network - E-ELAN). Cách tiếp cận này tối ưu hóa đường dẫn gradient, cho phép mô hình học tập 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 giúp cải thiện độ chính xác model accuracy trong quá trình huấn luyện mà không ảnh hưởng đến tốc độ suy luận trên các thiết bị biên.

Điểm mạnh và hạn chế#

YOLOv7 vẫn là một mô hình có năng lực cao cho các tác vụ object detection tiêu chuẩn, mang lại tốc độ xử lý tuyệt vời trên GPU phổ thông. Bản chất CNN của nó có nghĩa là nó thường đòi hỏi ít bộ nhớ CUDA hơn trong quá trình huấn luyện so với các mô hình dựa trên transformer như RTDETRv2.

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

Tìm hiểu thêm về YOLOv7

So sánh hiệu năng#

Việc đánh giá các mô hình này đòi hỏi phải xem xét sự cân bằng tinh tế giữa độ chính xác trung bình trung bình (mean Average Precision - mAP), số lượng tham số và tốc độ suy luận.

Giải pháp hiện đại: Bước tiến YOLO26#

Mặc dù RTDETRv2 và YOLOv7 đóng vai trò then chốt trong việc đẩy lùi ranh giới của các computer vision applications, bối cảnh AI phát triển vô cùng nhanh chóng. Được phát hành vào tháng 1 năm 2026, YOLO26 tổng hợp các khía cạnh tốt nhất của cả hiệu năng CNN và kiến trúc không dùng NMS giống như transformer.

Đối với các nhà phát triển và nhà nghiên cứu xây dựng các hệ thống mới, Ultralytics Platform tích hợp và hệ sinh thái Python mang lại trải nghiệm thống nhất giúp giảm thiểu đáng kể nợ kỹ thuật.

Những cải tiến chính trong YOLO26#

• Thiết kế đầu cuối không dùng NMS (End-to-End NMS-Free Design): YOLO26 hoạt động theo nguyên tắc đầu cuối nguyên bản, loại bỏ hậu xử lý NMS để triển khai nhanh hơn và đơn giản hơn. Cách tiếp cận đột phá này lần đầu tiên được tiên phong trong YOLOv10, đảm bảo độ trễ ổn định bất kể mật độ đối tượng.
• Tốc độ suy luận CPU nhanh hơn tới 43%: Được tối ưu hóa đặc biệt cho edge computing và các thiết bị không có GPU, giúp nó trở nên linh hoạt hơn rất nhiều cho việc triển khai thực tế so với các mô hình transformer nặng nề.
• MuSGD Optimizer: Sự kết hợp giữa SGD và Muon (lấy cảm hứng từ Kimi K2 của Moonshot AI), mang những đổi mới trong đào tạo LLM vào thị giác máy tính để đào tạo ổn định hơn và hội tụ nhanh hơn.
• Loại bỏ DFL: Distribution Focal Loss đã được loại bỏ, mang lại đồ thị tính toán đơn giản hóa giúp xuất mượt mà hơn sang các NPU nhúng và môi trường TensorRT.
• ProgLoss + STAL: Các hàm mất mát được cải tiến mang lại những nâng cấp đáng chú ý trong việc nhận diện đối tượng nhỏ, điều tối quan trọng đối với robotics, IoT và phân tích hình ảnh trên không.
• Cải tiến theo từng tác vụ: YOLO26 không chỉ dành cho phát hiện. Nó có các nguyên mẫu đa tỷ lệ cho phân đoạn, Residual Log-Likelihood Estimation (RLE) cho theo dõi tư thế, và hàm mất mát góc chuyên biệt giải quyết các vấn đề về ranh giới oriented bounding box (OBB).

Trải nghiệm nhà phát triển hợp lý hóa#

Lợi ích thực sự của việc lựa chọn một mô hình Ultralytics như YOLO26 (hoặc YOLO11 rất phổ biến) chính là hệ sinh thái được duy trì tốt. Việc huấn luyện một tập dữ liệu tùy chỉnh đòi hỏi rất ít mã nguồn mẫu (boilerplate code):

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)

Tìm hiểu thêm về YOLO26

Các trường hợp sử dụng và ứng dụng lý tưởng#

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

Khi nào nên xem xét RTDETRv2#

RTDETRv2 cực kỳ hiệu quả trong các môi trường server-side processing được trang bị GPU mạnh mẽ. Cơ chế chú ý toàn cục của nó làm cho nó phù hợp để hiểu các cảnh phức tạp, chẳng hạn như giám sát sự kiện đông đúc hoặc hình ảnh y tế chuyên dụng nơi các đặc điểm chồng chéo đòi hỏi phân tích ngữ cảnh sâu.

Khi nào nên cân nhắc YOLOv7#

YOLOv7 thường được duy trì trong nghiên cứu học thuật cũ như một model so sánh baseline. Nó cũng được tìm thấy trong các triển khai công nghiệp cũ, nơi các đường ống (pipelines) hiện có được mã hóa cứng cho các phiên bản PyTorch cụ thể và không yêu cầu sự linh hoạt đa tác vụ của các framework mới hơn.

Tại sao YOLO26 là tiêu chuẩn được khuyến nghị#

Đối với cơ sở hạ tầng smart city hiện đại, drone navigation và sản xuất tốc độ cao, YOLO26 mang lại sự cân bằng chưa từng có. Yêu cầu bộ nhớ thấp hơn giúp việc hyperparameter tuning và huấn luyện trở nên dễ tiếp cận trên phần cứng phổ thông, trong khi suy luận không dùng NMS đảm bảo thực thi nhanh chóng trên các thiết bị biên bị giới hạn như Raspberry Pi hoặc NVIDIA Jetson.