RTDETRv2 và YOLOX#

Lĩnh vực thị giác máy tính đã phát triển nhanh chóng, mang đến cho nhà phát triển và nhà nghiên cứu nhiều kiến trúc để lựa chọn khi xây dựng hệ thống thị giác. Hai cột mốc đáng chú ý trong hành trình này là RTDETRv2 dựa trên Transformer và YOLOX dựa trên CNN. Mặc dù cả hai model đều đóng góp đáng kể cho lĩnh vực phát hiện đối tượng thời gian thực, chúng đại diện cho những phương pháp tiếp cận hoàn toàn khác nhau để giải quyết bài toán nhận diện hình ảnh.

Hướng dẫn toàn diện này khám phá các điểm khác biệt về kiến trúc, chỉ số hiệu năng và kịch bản triển khai lý tưởng cho cả hai model. Ngoài ra, chúng ta sẽ xem xét cách các giải pháp thay thế hiện đại như Ultralytics YOLO26 tiên tiến nhất kế thừa những nền tảng này để mang lại độ chính xác, hiệu quả và tính dễ sử dụng vượt trội.

RTDETRv2: Transformer phát hiện thời gian thực#

Được giới thiệu như phiên bản kế nhiệm RT-DETR ban đầu, RTDETRv2 tận dụng kiến trúc Transformer để đạt hiệu năng phát hiện đối tượng thời gian thực cao. Bằng cách loại bỏ nhu cầu sử dụng Ức chế phi cực đại (NMS), model này đơn giản hóa pipeline suy luận.

• Tác giả: Wenyu Lv, Yian Zhao, Qinyao Chang, Kui Huang, Guanzhong Wang và Yi Liu
• Tổ chức: Baidu
• Ngày: 2024-07-24
• Liên kết: Bài báo Arxiv, GitHub chính thức, Tài liệu

Kiến trúc và thiết kế#

RTDETRv2 phụ thuộc nhiều vào cơ chế self-attention vốn có của Transformer, cho phép model nắm bắt ngữ cảnh toàn cục trên toàn bộ ảnh. Khả năng hiểu toàn diện này giúp model dự đoán trực tiếp bounding box và xác suất lớp. Model giới thiệu các đặc trưng phát hiện đa tỷ lệ, giúp tăng khả năng nhận diện vật thể nhỏ trong môi trường lộn xộn.

Ưu điểm và nhược điểm#

Ưu điểm chính của RTDETRv2 nằm ở thiết kế đầu cuối vốn có. Bằng cách bỏ qua NMS, model tránh được các đợt tăng đột biến độ trễ thường liên quan đến dự đoán dày đặc và chồng lấp. Tuy nhiên, mức tiêu thụ tính toán lớn của các khối Transformer đồng nghĩa với việc model cần tài nguyên GPU đáng kể cho cả huấn luyện lẫn triển khai. Vì vậy, model kém phù hợp hơn với thiết bị biên có tài nguyên hạn chế hoặc phần cứng di động đời cũ.

Tìm hiểu thêm về RTDETRv2

YOLOX: Nâng cao CNN không anchor#

Được phát triển nhằm thu hẹp khoảng cách giữa nghiên cứu học thuật và ứng dụng công nghiệp, YOLOX giới thiệu head tách rời và thiết kế không anchor cho dòng model YOLO phổ biến.

• Tác giả: Zheng Ge, Songtao Liu, Feng Wang, Zeming Li và Jian Sun
• Tổ chức: Megvii
• Ngày: 18 tháng 7, 2021
• Liên kết: Bài báo Arxiv, GitHub chính thức, Tài liệu

Kiến trúc và thiết kế#

YOLOX khác với các bộ phát hiện dựa trên anchor truyền thống ở chỗ dự đoán trực tiếp vị trí đối tượng mà không cần bounding box anchor được xác định trước. Điều này đơn giản hóa thiết kế mạng và giảm số lượng tham số tinh chỉnh theo kinh nghiệm cần thiết để đạt hiệu năng tối ưu. Ngoài ra, YOLOX sử dụng head tách rời, phân chia tác vụ phân loại và hồi quy, giúp cải thiện tốc độ hội tụ trong quá trình huấn luyện.

Ưu điểm và nhược điểm#

Thiết kế không anchor của YOLOX giúp model có khả năng thích ứng cao với nhiều tác vụ thị giác máy tính và dễ huấn luyện hơn trên các bộ dữ liệu tùy chỉnh. Các biến thể nhẹ hơn như YOLOX-Nano rất phù hợp để triển khai trên vi điều khiển và thiết bị IoT công suất thấp. Tuy nhiên, vì YOLOX ra đời trước cuộc cách mạng không cần NMS, model vẫn dựa vào hậu xử lý truyền thống, điều này có thể gây trở ngại khi triển khai và tăng độ trễ trong cảnh có mật độ cao.

Tìm hiểu thêm về YOLOX

So sánh hiệu năng và chỉ số#

Khi so sánh các model này, việc đánh giá tốc độ, độ chính xác và hiệu quả tham số là rất quan trọng để xác định lựa chọn phù hợp nhất với trường hợp sử dụng cụ thể. Bảng dưới đây trình bày hiệu năng của nhiều kích thước model trên bộ dữ liệu COCO tiêu chuẩn.

Như dữ liệu cho thấy, RTDETRv2 đạt độ chính xác tối đa cao hơn (54.3 mAP) ở biến thể lớn nhất so với YOLOXx. Tuy nhiên, YOLOX cung cấp các biến thể nhỏ hơn và nhanh hơn đáng kể, chẳng hạn YOLOXs có số lượng tham số thấp hơn và tốc độ suy luận nhanh hơn trên GPU NVIDIA T4.

Lợi thế Ultralytics: Giới thiệu YOLO26#

Mặc dù RTDETRv2 và YOLOX đều có những ưu điểm riêng, các nhà phát triển hiện đại thường cần một giải pháp thống nhất kết hợp những điểm mạnh nhất của cả hai—độ chính xác cao, suy luận cực nhanh và hệ sinh thái dễ tiếp cận. Ultralytics YOLO26 mới ra mắt là đỉnh cao của quá trình phát triển này.

Những đổi mới chính của YOLO26#

• Thiết kế đầu cuối không cần NMS: Kế thừa các khái niệm được tiên phong trong YOLOv10, YOLO26 cung cấp head không cần NMS tùy chọn (nms=False). Thiết kế này mang lại khả năng suy luận liền mạch như RTDETRv2 mà không đòi hỏi lượng bộ nhớ khổng lồ của Transformer.
• Optimizer MuSGD: Lấy cảm hứng từ những đổi mới trong huấn luyện mô hình ngôn ngữ lớn, optimizer MuSGD lai (kết hợp SGD và Muon) giúp ổn định quá trình huấn luyện và tăng tốc đáng kể quá trình hội tụ.
• Suy luận CPU nhanh hơn đến 43%: Bằng cách loại bỏ có chủ đích module Distribution Focal Loss (DFL), YOLO26 được tối ưu riêng cho điện toán biên và thiết bị công suất thấp, giúp model chạy trên CPU nhanh hơn đáng kể so với các phiên bản trước như YOLO11.
• ProgLoss + STAL: Các hàm loss tiên tiến này giúp cải thiện rõ rệt khả năng nhận diện vật thể nhỏ, giải quyết một vấn đề phổ biến trong ảnh chụp từ trên không và ứng dụng robot.

Tính linh hoạt và hệ sinh thái vượt trội#

Ngoài hiệu năng thuần, Ultralytics Platform cung cấp một hệ sinh thái toàn diện, hỗ trợ từ bước khởi đầu đến production. Khác với các kho mã học thuật tĩnh, các model Ultralytics được duy trì tích cực và hỗ trợ liền mạch nhiều tác vụ thông qua một API trực quan duy nhất. Dù bạn thực hiện phân đoạn instance, theo dõi tư thế bằng ước tính tư thế hay xử lý đối tượng xoay bằng bounding box định hướng (OBB), quy trình làm việc vẫn giống nhau.

Ngoài ra, các model Ultralytics nổi tiếng nhờ yêu cầu bộ nhớ thấp trong cả quá trình huấn luyện lẫn suy luận, cho phép nhà nghiên cứu chạy batch size lớn hơn trên phần cứng phổ thông—trái ngược rõ rệt với mức tiêu thụ tài nguyên lớn của kiến trúc dựa trên Transformer.

Ví dụ mã huấn luyện#

Sức mạnh của hệ sinh thái Ultralytics được thể hiện rõ nhất qua sự đơn giản. Việc huấn luyện một model YOLO26 tiên tiến nhất chỉ cần vài dòng mã, hoàn toàn trừu tượng hóa những phức tạp trong quá trình tải dữ liệu và cấu hình hyperparameter.

from ultralytics import YOLO

# Initialize the YOLO26 Nano model
model = YOLO("yolo26n.pt")

# Train the model on the standard COCO8 dataset
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, batch=16)

# Validate the model's performance seamlessly
metrics = model.val()
print(f"Validation mAP: {metrics.box.map}")

# Export to ONNX or TensorRT for rapid deployment
model.export(format="engine", device=0)

Ứng dụng thực tế và trường hợp sử dụng phù hợp#

Việc lựa chọn kiến trúc phù hợp hoàn toàn phụ thuộc vào các ràng buộc triển khai và phần cứng hiện có.

Xử lý đám mây độ trung thực cao#

Nếu ứng dụng của bạn chạy trên GPU máy chủ cao cấp và ưu tiên độ chính xác tối đa—chẳng hạn như phân tích cảnh đông người có mật độ cao hoặc xử lý ảnh y tế độ phân giải cao—cơ chế attention mạnh mẽ của RTDETRv2 có thể phát huy hiệu quả cao.

Triển khai trên thiết bị biên đời cũ#

Đối với triển khai trên điện thoại đời cũ hoặc vi điều khiển bị giới hạn nghiêm ngặt, nơi FLOPs tối thiểu là yêu cầu bắt buộc, YOLOX-Nano siêu nhẹ vẫn là phương án dự phòng khả thi nhờ kiến trúc CNN đơn giản.

Tiêu chuẩn hiện đại: AIoT và robot#

Đối với phần lớn trường hợp sử dụng hiện đại—từ hạ tầng đô thị thông minh, phân tích bán lẻ đến điều hướng tự động—Ultralytics YOLO26 là lựa chọn hàng đầu. Tốc độ suy luận CPU nhanh hơn 43% giúp model vượt trội trong điện toán biên, trong khi head không cần NMS tùy chọn mang lại độ trễ thấp và ổn định. Khi kết hợp với tài liệu toàn diện và sự hỗ trợ tích cực từ cộng đồng của hệ sinh thái Ultralytics, model giúp các nhóm chuyển từ giai đoạn gán nhãn bộ dữ liệu đến triển khai toàn cầu nhanh hơn bao giờ hết.

Nếu muốn khám phá các kiến trúc khác trong hệ sinh thái Ultralytics, bạn cũng có thể tìm hiểu YOLOv8 để tận dụng các tích hợp cộng đồng đã được xây dựng vững chắc hoặc YOLOv5 để có độ ổn định vượt trội trong các pipeline đời cũ. Tuy nhiên, để mở rộng giới hạn những gì có thể đạt được trong năm 2026, YOLO26 vẫn là tiêu chuẩn ngành.