Bắt đầu

RTDETRv2 và YOLOv9

Kiến trúc thị giác máy tính chia thành hai hướng tiếp cận chính: Mạng nơ-ron tích chập (CNN) và model dựa trên transformer. So sánh RTDETRv2 và YOLOv9 đòi hỏi cân nhắc giữa attention toàn cục và thông tin gradient có thể lập trình. Cả hai là đại diện tiêu biểu cho các hướng tiếp cận phát hiện vật thể thời gian thực.

Giới thiệu các model#

RTDETRv2: Real-Time Detection Transformer#

Được phát triển bởi các nhà nghiên cứu tại Baidu, RTDETRv2 kế thừa RT-DETR ban đầu và bổ sung phương pháp "Bag-of-Freebies" để cải thiện Transformer phát hiện thời gian thực nền tảng. Model xử lý nút thắt truyền thống của transformer — tốc độ suy luận — giúp transformer khả thi cho các ứng dụng thời gian thực.

  • Tác giả: Wenyu Lv, Yian Zhao, Qinyao Chang, Kui Huang, Guanzhong Wang và Yi Liu
  • Tổ chức: Baidu
  • Ngày: 2024-07-24
  • Liên kết: arXiv, GitHub

Đặc điểm nổi bật của RTDETRv2 là thiết kế đầu-cuối nguyên bản không cần NMS. Bằng cách loại bỏ Non-Maximum Suppression (NMS) khỏi bước hậu xử lý, model ổn định độ trễ suy luận và đơn giản hóa pipeline triển khai. Cơ chế attention toàn cục hỗ trợ model xử lý các cảnh phức tạp và đám đông dày đặc nhờ đánh giá đồng thời ngữ cảnh của toàn bộ ảnh.

Tìm hiểu thêm về RTDETRv2

YOLOv9: Thông tin gradient có thể lập trình#

YOLOv9, một kiến trúc dựa trên CNN hiệu quả, xử lý vấn đề nút thắt thông tin vốn có trong mạng nơ-ron sâu. Model giới thiệu Thông tin gradient có thể lập trình (PGI) và Mạng tổng hợp lớp hiệu quả tổng quát (GELAN).

YOLOv9 kế thừa nền tảng mạng nơ-ron tích chập đã được kiểm chứng, tập trung vào hiệu quả sử dụng tham số. Bằng cách giữ lại thông tin quan trọng trong quá trình truyền xuôi, PGI duy trì độ tin cậy của gradient, tạo ra model gọn nhẹ nhưng chính xác. Tuy nhiên, khác với RTDETRv2, YOLOv9 vẫn dựa vào bước hậu xử lý NMS tiêu chuẩn.

Tìm hiểu thêm về YOLOv9

Hiệu năng và hiệu quả sử dụng tài nguyên#

Bảng dưới đây so sánh Độ chính xác trung bình (mAP) và chi phí tính toán trên dataset MS COCO. YOLOv9 sử dụng ít tham số hơn đáng kể ở mức độ chính xác tương đương (YOLOv9m đạt 51.4 mAP với 20.1M tham số so với 51.9 mAP và 36M của RTDETRv2-m) và nhanh hơn trên T4 TensorRT ở mọi kích thước, ngoại trừ YOLOv9e. YOLOv9e đạt mAP cao nhất (55.6) nhưng cũng là model chậm nhất trong bảng (16.77 ms).

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
YOLOv9t64038.3-2.32.07.7
YOLOv9s64046.8-3.547.226.7
YOLOv9m64051.4-6.4320.176.8
YOLOv9c64053.0-7.1625.5102.8
YOLOv9e64055.6-16.7758.1192.5

Yêu cầu bộ nhớ và hiệu quả huấn luyện#

Transformer như RTDETRv2 tiêu tốn nhiều bộ nhớ trong quá trình huấn luyện và thường cần lượng bộ nhớ CUDA đáng kể. Các kiến trúc CNN như YOLOv9 và những model Ultralytics YOLO khác thường dùng ít bộ nhớ hơn, cho phép developer huấn luyện với batch size lớn hơn trên phần cứng phổ thông.

Huấn luyện hiệu quả

Để tận dụng tối đa phần cứng, hãy cân nhắc Nền tảng Ultralytics để huấn luyện trên đám mây. Nền tảng tự động xử lý việc thiết lập môi trường và chọn batch size.

Lợi thế Ultralytics: Hệ sinh thái và tính dễ sử dụng#

Các repository độc lập như trang GitHub chính thức của RTDETRv2 hoặc YOLOv9 hữu ích cho nghiên cứu, nhưng môi trường production cần sự ổn định, dễ sử dụng và hệ sinh thái được duy trì tốt. Sử dụng các model này qua Python API của Ultralytics mang lại trải nghiệm developer nhất quán.

API thống nhất và tính linh hoạt#

Framework Ultralytics xử lý thay bạn các phức tạp trong việc tải dữ liệu, tăng cường dữ liệu và huấn luyện phân tán. Ngoài ra, trong khi RTDETRv2 ban đầu chỉ tập trung vào phát hiện, hệ sinh thái Ultralytics cho phép người dùng chuyển đổi giữa Phát hiện vật thể, Phân đoạn instance và Ước lượng tư thế.

from ultralytics import RTDETR, YOLO

# Huấn luyện model YOLOv9 trên dữ liệu tùy chỉnh
model_yolo = YOLO("yolov9c.pt")
model_yolo.train(data="coco8.yaml", epochs=50, imgsz=640)

# Dễ dàng chuyển sang RT-DETR để đánh giá các cảnh phức tạp
model_rtdetr = RTDETR("rtdetr-l.pt")
results = model_rtdetr.predict("https://ultralytics.com/images/bus.jpg")

# Xuất sang các định dạng sẵn sàng cho production như TensorRT
model_yolo.export(format="engine")

Với tài liệu chi tiết, theo dõi thử nghiệm tự động và khả năng export sang các định dạng như ONNX, TensorRT và OpenVINO, Ultralytics rút ngắn lộ trình từ prototype đến production.

Các trường hợp sử dụng phù hợp nhất#

RTDETRv2 phát huy thế mạnh ở đâu#

Nhờ cơ chế attention toàn cục, RTDETRv2 phù hợp với xử lý phía máy chủ và các môi trường coi trọng ngữ cảnh toàn cục. Model hoạt động tốt trong:

  • Chẩn đoán hình ảnh y tế: Phát hiện những bất thường khó nhận biết, nơi ngữ cảnh xung quanh đóng vai trò then chốt.
  • Giám sát trên không: Phân tích video độ phân giải cao từ drone, trong đó ngữ cảnh không gian rộng giúp diễn giải cảnh quay.
  • Phân tích đám đông dày đặc: Phát hiện cá nhân trong cảnh đông người, nơi NMS có thể loại bỏ các dự đoán đúng bị chồng lấn.

YOLOv9 phát huy thế mạnh ở đâu#

YOLOv9 rất phù hợp với triển khai biên có tài nguyên hạn chế. Hiệu quả tính toán của model phù hợp với:

  • Robot: Điều hướng và tránh vật cản theo thời gian thực trong các ứng dụng đòi hỏi độ trễ tối thiểu.
  • IoT đô thị thông minh: Triển khai trên các thiết bị edge như NVIDIA Jetson để giám sát giao thông.
  • Kiểm tra công nghiệp: Kiểm soát chất lượng trên dây chuyền lắp ráp tốc độ cao, đòi hỏi FPS cao.

Tương lai: Giới thiệu Ultralytics YOLO26#

YOLOv9 và RTDETRv2 đều là những bước tiến quan trọng, và lĩnh vực này vẫn tiếp tục phát triển. Với các triển khai mới, Ultralytics YOLO26, được phát hành vào tháng 1 năm 2026, kết hợp ý tưởng từ cả hai hướng tiếp cận kiến trúc.

YOLO26 kết hợp các ưu điểm của transformer và CNN:

  • Thiết kế đầu-cuối không cần NMS: Giống RTDETRv2, YOLO26 hỗ trợ suy luận đầu-cuối nguyên bản, bỏ qua bước hậu xử lý NMS bằng head một-một tùy chọn (nms=False) để pipeline triển khai nhanh hơn, đơn giản hơn và dễ dự đoán hơn.
  • Bộ tối ưu MuSGD: Lấy cảm hứng từ các kỹ thuật huấn luyện mô hình ngôn ngữ lớn (LLM) (chẳng hạn Kimi K2 của Moonshot AI), YOLO26 sử dụng sự kết hợp giữa SGD và Muon để huấn luyện ổn định hơn và hội tụ nhanh hơn.
  • Suy luận CPU nhanh hơn đến 43%: YOLO26n chạy nhanh hơn YOLO11n đến 43% trên CPU, phù hợp với điện toán biên và thiết bị không có GPU, nơi các transformer lớn hơn gặp khó khăn.
  • Loại bỏ DFL: Việc loại bỏ Hàm tiêu điểm phân phối giúp đơn giản hóa đồ thị model, nhờ đó dễ export sang thiết bị biên công suất thấp và Bộ xử lý thần kinh (NPU) nhúng.
  • ProgLoss + STAL: Hàm mất mát lũy tiến và Gán nhãn nhận biết đối tượng nhỏ (STAL) cải thiện khả năng nhận diện vật thể nhỏ, điều quan trọng đối với IoT và dataset ảnh chụp từ trên không.

Với các nhóm bắt đầu dự án thị giác máy tính mới, chúng tôi khuyến nghị đánh giá YOLO26. Model cung cấp khả năng suy luận không cần NMS tùy chọn như transformer, đồng thời có tốc độ và hiệu quả huấn luyện của kiến trúc YOLO.

Tóm tắt#

Việc lựa chọn giữa RTDETRv2 và YOLOv9 phần lớn phụ thuộc vào phần cứng triển khai và yêu cầu độ chính xác cụ thể. RTDETRv2 mang lại độ chính xác cao và khả năng nhận biết ngữ cảnh cho các ứng dụng dựa trên máy chủ, trong khi YOLOv9 có hiệu quả cao trên thiết bị biên.

Hệ sinh thái Ultralytics cho phép developer thử nghiệm YOLOv9 và RT-DETR ban đầu bằng cùng một API. Các model mới hơn như YOLO11 và YOLO26 có khả năng đầu-cuối hỗ trợ nhiều tác vụ hơn, suy luận nhanh và tiêu thụ ít bộ nhớ.

Người đóng góp

Bình luận

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