YOLO11 So với RTDETRv2: Kiến trúc, Hiệu năng và Ứng dụng

Trong bối cảnh thị giác máy tính đang phát triển nhanh chóng, việc lựa chọn mô hình phát hiện đối tượng phù hợp là rất quan trọng đối với sự thành công của dự án. Bài so sánh này đi sâu vào YOLO11 (bởi Ultralytics ) và RTDETRv2 (của Baidu), hai kiến ​​trúc tiên tiến tiếp cận việc phát hiện thời gian thực từ các mô hình khác nhau. Trong khi đó, YOLO11 Đại diện cho đỉnh cao về hiệu quả và tính dễ sử dụng dựa trên mạng CNN, RTDETRv2 đã đẩy mạnh giới hạn của việc phát hiện dựa trên mô hình Transformer.

Tổng quan

YOLO11 được xây dựng dựa trên nền tảng của dòng sản phẩm You Only Look Once ( YOLO ) , tinh chỉnh kiến ​​trúc để đạt hiệu suất tối đa và tiêu thụ tài nguyên tối thiểu. Nó được thiết kế như một giải pháp đa năng cho nhiều tác vụ thị giác khác nhau, bao gồm phát hiện, phân đoạn và ước tính tư thế. Điểm mạnh của nó nằm ở sự cân bằng: mang lại độ chính xác cao với tốc độ vượt trội, ngay cả trên các thiết bị biên có tài nguyên hạn chế.

RTDETRv2 (Real-Time DEtection TRansformer version 2) là phiên bản cải tiến của hệ thống ban đầu. RT-DETR Mô hình này hướng đến giải quyết các vấn đề về độ trễ thường gặp ở các mô hình dựa trên Transformer. Nó giới thiệu một "gói quà tặng miễn phí" để cải thiện tính ổn định và hiệu suất huấn luyện. Mặc dù đạt được độ chính xác ấn tượng, nhưng nhìn chung nó đòi hỏi nhiều tài nguyên tính toán hơn—cụ thể là... GPU bộ nhớ lớn hơn—điều này khiến nó phù hợp hơn cho việc triển khai phần cứng cao cấp hơn là điện toán biên.

Thông số kỹ thuật và hiệu suất

Bảng sau đây nêu bật các chỉ số hiệu suất của cả hai mô hình trên... COCO tập dữ liệu. YOLO11 Nó thể hiện hiệu quả vượt trội, đặc biệt là về tốc độ suy luận và số lượng tham số, giúp nó có khả năng thích ứng cao với môi trường sản xuất thực tế.

Sự khác biệt về kiến trúc

YOLO11 sử dụng kiến ​​trúc xương sống và cổ dựa trên mạng nơ-ron tích chập (CNN) được tối ưu hóa cao, tinh chỉnh quá trình trích xuất đặc trưng để nắm bắt các chi tiết phức tạp với ít tham số hơn. Kiến trúc của nó được thiết kế đặc biệt để đạt tốc độ cao, sử dụng phương pháp tổng hợp lớp hiệu quả để giảm thiểu độ trễ. Điều này cho phép YOLO11 Có thể hoạt động hiệu quả trên mọi thiết bị, từ GPU đám mây mạnh mẽ đến các thiết bị Raspberry Pi .

Ngược lại, RTDETRv2 dựa trên kiến ​​trúc transformer lai giữa bộ mã hóa và bộ giải mã. Nó sử dụng cơ chế chú ý để nắm bắt ngữ cảnh toàn cục, điều này có thể có lợi cho việc phát hiện các đối tượng trong các cảnh phức tạp, lộn xộn. Tuy nhiên, điều này phải trả giá bằng việc tiêu tốn nhiều bộ nhớ hơn trong quá trình huấn luyện và suy luận. Cơ chế chú ý vốn dĩ đòi hỏi độ phức tạp tính toán bậc hai so với kích thước đầu vào, thường cần đến các GPU mạnh mẽ như NVIDIA T4 hoặc A100 để đạt được tốc độ thời gian thực.

Hệ sinh thái và Dễ sử dụng

Kiến trúc của một mô hình chỉ là một nửa câu chuyện; trải nghiệm của nhà phát triển xung quanh nó mới quyết định tốc độ bạn có thể chuyển từ nguyên mẫu sang sản phẩm hoàn chỉnh.

Ưu điểm của hệ sinh thái Ultralytics : YOLO11 được tích hợp sâu sắc vào Ultralytics hệ sinh thái, nổi tiếng với triết lý "chỉ cần nó hoạt động là được".

• API Python đơn giản: Quá trình huấn luyện, xác thực và dự đoán có thể được thực hiện chỉ với ba dòng mã.
• Nền tảng Ultralytics : Người dùng có thể tận dụng Nền tảng Ultralytics để quản lý tập dữ liệu, tự động hóa việc chú thích và giám sát các quá trình huấn luyện trên đám mây.
• Hỗ trợ nhiều tác vụ: Một khung phần mềm duy nhất hỗ trợ Phát hiện đối tượng , Phân đoạn đối tượng , Ước tính tư thế , OBB và Phân loại .
• Triển khai linh hoạt: Các chế độ xuất tích hợp sẵn cho ONNX , OpenVINO , CoreML và... TFLite Đơn giản hóa việc triển khai đến các thiết bị di động và thiết bị biên.

Hệ sinh thái RTDETRv2: RTDETRv2 chủ yếu là kho lưu trữ hướng đến nghiên cứu. Mặc dù cung cấp các khả năng mạnh mẽ, nhưng nó thiếu các công cụ toàn diện được tìm thấy trong các hệ thống khác. Ultralytics hệ sinh thái. Người dùng thường cần viết các tập lệnh tùy chỉnh để xử lý trước dữ liệu và triển khai. Hơn nữa, với mô hình dựa trên transformer, việc xuất sang các định dạng như TFLite Đối với việc sử dụng trên thiết bị di động, điều này có thể khó khăn hơn đáng kể do các thao tác phức tạp liên quan đến các lớp chú ý.

Tìm hiểu thêm về YOLO11

Hiệu quả huấn luyện và dữ liệu

YOLO11 nổi bật về hiệu quả huấn luyện. Kiến trúc mạng CNN của nó hội tụ nhanh chóng, thường yêu cầu ít epoch hơn và chi phí thấp hơn đáng kể. GPU Khung phần mềm này có bộ nhớ tốt hơn so với các giải pháp thay thế dựa trên mô-đun Transformer. Điều này cho phép các nhà phát triển huấn luyện với kích thước lô lớn hơn trên phần cứng cấp người tiêu dùng. Khung phần mềm cũng bao gồm các chiến lược điều chỉnh siêu tham số và tăng cường dữ liệu mạnh mẽ ngay từ đầu.

RTDETRv2 thường yêu cầu lịch trình huấn luyện dài hơn để ổn định trọng số chú ý của bộ chuyển đổi. Lượng bộ nhớ cần thiết cũng cao hơn đáng kể; việc huấn luyện mô hình RTDETRv2-L thường yêu cầu GPU cấp doanh nghiệp với dung lượng VRAM lớn, điều này có thể làm tăng chi phí điện toán đám mây.

Ví dụ mã: Huấn luyện YOLO11

Đào tạo YOLO11 Quá trình này diễn ra liền mạch. Đoạn mã sau đây minh họa việc tải một mô hình đã được huấn luyện trước và tinh chỉnh nó trên một tập dữ liệu tùy chỉnh:

from ultralytics import YOLO

# Load a pretrained YOLO11 model
model = YOLO("yolo11n.pt")

# Train on a custom dataset (e.g., COCO8)
# Ideally, data is configured in a simple YAML file
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference
results = model("https://ultralytics.com/images/bus.jpg")

# Display results
for result in results:
    result.show()

Các ứng dụng thực tế

Nơi YOLO11 vượt trội

Nhờ đặc tính nhẹ và tính đa dụng, YOLO11 là sự lựa chọn ưu tiên cho:

• AI và IoT tại biên: Giải pháp hoàn hảo cho việc giám sát thành phố thông minh trên các thiết bị có sức mạnh xử lý hạn chế.
• Phân tích thể thao thời gian thực: Theo dõi cầu thủ và bóng trong các luồng video tốc độ khung hình cao, nơi độ trễ thấp là yếu tố không thể thiếu.
• Sản xuất: Phát hiện lỗi tốc độ cao trên dây chuyền lắp ráp.
• Ứng dụng di động: chạy trực tiếp trên iOS hoặc Android thiết bị thông qua CoreML hoặc TFLite .

Vị trí của RTDETRv2

RTDETRv2 phù hợp nhất trong các trường hợp sau:

• Phần cứng không bị hạn chế: Có sẵn các GPU mạnh mẽ cấp máy chủ để thực hiện suy luận.
• Bối cảnh toàn cầu là rất quan trọng: Các cảnh phức tạp, nơi mối quan hệ giữa các đối tượng ở xa quyết định khả năng phát hiện (mặc dù YOLO11 Vùng tiếp nhận rộng lớn của nó thường sánh ngang với điều này).
• Nghiên cứu: Thử nghiệm các cơ chế chú ý của mô-đun Transformer.

Kết luận

Cả hai YOLO11 RTDETRv2 đóng góp đáng kể vào lĩnh vực thị giác máy tính. RTDETRv2 chứng minh tiềm năng của các mô hình Transformer trong các tác vụ phát hiện đối tượng. Tuy nhiên, đối với phần lớn các nhà phát triển và ứng dụng thương mại, YOLO11 vẫn là lựa chọn ưu việt hơn nhờ sự cân bằng tuyệt vời giữa tốc độ, độ chính xác và tính dễ sử dụng. Yêu cầu bộ nhớ thấp hơn, các tùy chọn xuất dữ liệu phong phú và sự hỗ trợ từ cộng đồng Ultralytics đảm bảo quá trình từ phát triển đến triển khai diễn ra suôn sẻ.

Đối với những ai muốn nâng cao hiệu năng hơn nữa, hãy cân nhắc nâng cấp lên YOLO26 . Với khả năng xử lý toàn diện... NMS - Thiết kế và tối ưu hóa miễn phí cho các thiết bị biên, nó đại diện cho thế hệ trí tuệ nhân tạo thị giác tiếp theo.

Tìm hiểu thêm về YOLO26

Thông tin chi tiết và tham khảo về mô hình

YOLO11

• Tác giả: Glenn Jocher và Jing Qiu
• Tổ chức:Ultralytics
• Ngày: 2024-09-27
• Tài liệu:Tài liệu YOLO11
• GitHub:ultralytics/ultralytics

RTDETRv2

• Tác giả: Wenyu Lv, Yian Zhao, Qinyao Chang, et al.
• Tổ chức: Baidu
• Ngày: 2023-04-17
• Arxiv:2304.08069
• GitHub:Kho lưu trữ RT-DETR

Bình luận