RTDETRv2 so với YOLOX: So sánh kỹ thuật chuyên sâu về các bộ phát hiện đối tượng hiện đại

Bối cảnh thị giác máy tính đã phát triển nhanh chóng, mang đến cho các nhà phát triển và nhà nghiên cứu hàng loạt kiến trúc để lựa chọn khi xây dựng các hệ thống dựa trên 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 vào lĩnh vực phát hiện đối tượng thời gian thực, chúng đại diện cho các cách tiếp cận hoàn toàn khác nhau để giải quyết các bài toán nhận diện thị giác.

Hướng dẫn toàn diện này khám phá các sắc thái kiến trúc, chỉ số hiệu suất và các kịch bản triển khai lý tưởng cho cả hai model. Hơn nữa, chúng ta sẽ xem xét cách các lựa chọn thay thế hiện đại như Ultralytics YOLO26 tiên tiến xây dựng dựa trên những nền tảng này để mang lại độ chính xác, hiệu suất và sự dễ dàng sử dụng vượt trội.

RTDETRv2: Transformer phát hiện thời gian thực

Được giới thiệu như một sự kế thừa cho RT-DETR gốc, RTDETRv2 tận dụng kiến trúc Transformer để đạt được khả năng phát hiện đối tượng thời gian thực hiệu suất cao. Bằng cách loại bỏ nhu cầu sử dụng NMS, nó đơn giản hóa quy trình inference.

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

Kiến trúc và Thiết kế

RTDETRv2 dựa nhiều vào các cơ chế self-attention vốn có của Transformer, cho phép model nắm bắt bối cảnh toàn cục trên toàn bộ hình ảnh. Sự hiểu biết toàn diện này cho phép nó dự đoán BBox và xác suất lớp trực tiếp. Nó giới thiệu các tính năng phát hiện đa quy mô giúp nâng cao khả năng nhận diện các đối tượng nhỏ trong môi trường phức tạp.

Điểm mạnh và Điểm yếu

Điểm mạnh chính của RTDETRv2 nằm ở thiết kế end-to-end nguyên bản. Bằng cách bỏ qua NMS, nó tránh được các đột biến độ trễ thường liên quan đến các dự đoán chồng chéo dày đặc. Tuy nhiên, khối lượng tính toán lớn của các khối Transformer đồng nghĩa với việc nó đòi hỏi tài nguyên GPU đáng kể cho cả quá trình training và triển khai. Điều này làm cho nó ít lý tưởng hơn cho các thiết bị biên bị hạn chế tài nguyên hoặc phần cứng di động cũ.

Tìm hiểu thêm về RTDETRv2

YOLOX: Thúc đẩy CNN không cần Anchor

Được phát triển để thu hẹp khoảng cách giữa nghiên cứu học thuật và ứng dụng công nghiệp, YOLOX đã giới thiệu head tách rời (decoupled head) và thiết kế không cần 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 năm 2021
• Liên kết: Bài báo Arxiv, GitHub chính thức, Tài liệu

Kiến trúc và Thiết kế

YOLOX đánh dấu một bước chuyển dịch so với các bộ phát hiện dựa trên anchor truyền thống bằng cách dự đoán vị trí của đối tượng trực tiếp mà không cần các anchor box được xác định trước. Điều này giúp đơn giản hóa thiết kế của mạng và giảm số lượng tham số điều chỉnh heuristic cần thiết để đạt hiệu suất tối ưu. Ngoài ra, YOLOX sử dụng head tách rời, phân tách các tác vụ phân loại và hồi quy, giúp cải thiện tốc độ hội tụ trong quá trình training.

Điểm mạnh và Điểm yếu

Bản chất không cần anchor của YOLOX giúp nó có khả năng thích ứng cao với nhiều tác vụ thị giác máy tính khác nhau và dễ dàng hơn trong việc training trên các tập dữ liệu tùy chỉnh. Các biến thể nhẹ hơn của nó, chẳng hạn như YOLOX-Nano, rất phù hợp để triển khai trên vi điều khiển và các thiết bị IoT công suất thấp. Tuy nhiên, vì YOLOX ra đời trước cuộc cách mạng không cần NMS, nó vẫn dựa vào xử lý hậu kỳ truyền thống, điều này có thể gây ra ma sát khi triển khai và tăng độ trễ trong các cảnh dày đặc.

Tìm hiểu thêm về YOLOX

So sánh hiệu suất và các 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 mức độ phù hợp nhất cho trường hợp sử dụng cụ thể của bạn. Bảng dưới đây phác thảo hiệu suất của các kích thước model khác nhau trên tập dữ liệu COCO tiêu chuẩn.

Như đã thấy trong dữ liệu, RTDETRv2 đạt được độ chính xác tối đa cao hơn (54.3 mAP) trên biến thể lớn nhất của nó so với YOLOXx. Tuy nhiên, YOLOX cung cấp các biến thể nhỏ hơn và nhanh hơn đáng kể, chẳng hạn như YOLOXs, tự hào với số lượng tham số thấp hơn và tốc độ inference nhanh hơn trên GPU NVIDIA T4.

Lợi thế của Ultralytics: Giới thiệu YOLO26

Mặc dù cả RTDETRv2 và YOLOX đều mang lại những lợi ích độc đáo, các nhà phát triển hiện đại thường cần một giải pháp thống nhất kết hợp những ưu điểm tốt nhất—độ chính xác cao, inference cực nhanh và một hệ sinh thái dễ tiếp cận. Ultralytics YOLO26 mới được phát hành đại diện cho đỉnh cao của sự tiến hóa này.

Các đổi mới chính của YOLO26

• Thiết kế End-to-End không NMS: Xây dựng dựa trên các khái niệm được tiên phong trong YOLOv10, YOLO26 hoạt động nguyên bản mà không cần NMS. Điều này mang lại khả năng inference liền mạch của RTDETRv2 mà không cần yêu cầu bộ nhớ khổng lồ của các Transformer.
• Trình tối ưu hóa MuSGD: Lấy cảm hứng từ những cải tiến trong training mô hình ngôn ngữ lớn, trình tối ưu hóa hybrid MuSGD (kết hợp SGD và Muon) giúp ổn định quá trình training và tăng tốc độ hội tụ đáng kể.
• Inference trên CPU nhanh hơn tới 43%: Bằng cách loại bỏ chiến lược mô-đun Distribution Focal Loss (DFL), YOLO26 được tối ưu hóa cụ thể cho tính toán biên và các thiết bị công suất thấp, giúp nó nhanh hơn đáng kể trên CPU so với các phiên bản trước đó như YOLO11.
• ProgLoss + STAL: Các hàm loss tiên tiến này mang lại những cải tiến đáng chú ý trong việc nhận diện đối tượng nhỏ, giải quyết một điểm đau phổ biến trong hình ảnh hàng không và các ứng dụng robot.

Tính linh hoạt và Hệ sinh thái chưa từng có

Ngoài hiệu suất thuần túy, Nền tảng Ultralytics cung cấp một hệ sinh thái toàn diện, từ zero đến production. Không giống như các kho lưu trữ học thuật tĩnh, các model Ultralytics được bảo trì tích cực và hỗ trợ liền mạch nhiều tác vụ từ một API trực quan duy nhất. Cho dù bạn đang thực hiện Phân đoạn thực thể, theo dõi tư thế thông qua Pose Estimation hay xử lý các đối tượng xoay với Oriented Bounding Boxes (OBB), quy trình làm việc vẫn nhất quán.

Hơn nữa, các model Ultralytics nổi tiếng với yêu cầu bộ nhớ thấp trong cả quá trình training và inference, cho phép các nhà nghiên cứu chạy kích thước batch lớn hơn trên phần cứng cấp người tiêu dùng—một sự tương phản rõ rệt với dấu ấn nặng nề của các kiến trúc dựa trên Transformer.

Ví dụ mã đào tạo

Sức mạnh của hệ sinh thái Ultralytics được thể hiện rõ nhất thông qua sự đơn giản của nó. Việc train một model YOLO26 hiện đại chỉ yêu cầu một vài dòng code, tóm lược hoàn toàn sự phức tạp của việc tải dữ liệu và cấu hình siêu tham số.

from ultralytics import YOLO

# Initialize the natively NMS-free 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 lý tưởng

Việc lựa chọn kiến trúc phù hợp hoàn toàn phụ thuộc vào các ràng buộc triển khai và tính khả dụng của phần cứng.

Xử lý trên 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 các cảnh đám đông dày đặc hoặc xử lý hình ảnh y tế độ phân giải cao—các cơ chế attention mạnh mẽ của RTDETRv2 có thể đạt hiệu quả cao.

Triển khai trên thiết bị biên (Edge) kế thừa

Đối với các triển khai trên điện thoại di động cũ hoặc vi điều khiển bị hạn chế nặng nề, nơi số lượng FLOPs tối thiểu là yêu cầu bắt buộc, YOLOX-Nano siêu nhẹ vẫn đóng vai trò là phương án dự phòng khả thi, nhờ kiến trúc CNN đơn giản của nó.

Tiêu chuẩn hiện đại: AIoT và Robot

Đối với đại đa số các trường hợp sử dụng hiện đại—từ cơ sở hạ tầng thành phố thông minh, phân tích bán lẻ, đến điều hướng tự hành—Ultralytics YOLO26 là sự lựa chọn dứt khoát. Khả năng inference trên CPU nhanh hơn 43% của nó làm cho nó trở nên vô song cho điện toán biên, trong khi thiết kế không cần NMS đảm bảo độ trễ thấp và nhất quán. Khi kết hợp với tài liệu toàn diện và hỗ trợ cộng đồng tích cực của hệ sinh thái Ultralytics, nó giúp các đội ngũ chuyển từ chú thích dữ liệu sang triển khai toàn cầu nhanh hơn bao giờ hết.

Đối với các nhà phát triển muốn khám phá các kiến trúc khác trong hệ sinh thái Ultralytics, bạn cũng có thể xem xét YOLOv8 cho các tích hợp cộng đồng đã được thiết lập sâu hoặc YOLOv5 cho sự ổn định vô song trong các đường ống cũ. Tuy nhiên, để vượt qua các giới hạn của những gì có thể đạt được trong năm 2026, YOLO26 vẫn là tiêu chuẩn của ngành.