Bắt đầu

YOLO11 và RTDETRv2

Phát hiện thời gian thực ngày càng đòi hỏi lựa chọn giữa mạng neural tích chập (CNN) và Vision Transformer (ViT). Phần so sánh kỹ thuật này đề cập đến hai kiến trúc phát hiện đối tượng hàng đầu: YOLO11, một CNN được Ultralytics tối ưu cao, và RTDETRv2, một phiên bản thuộc dòng Detection Transformer của Baidu.

Hướng dẫn này so sánh kiến trúc, chỉ số hiệu năng và tình huống triển khai của hai model để giúp kỹ sư machine learning lựa chọn. Cả hai model đều đạt độ chính xác cao, nhưng model Ultralytics YOLO thường cân bằng tốt hơn giữa tốc độ, hỗ trợ hệ sinh thái và tính dễ sử dụng trong production.

YOLO11: Chuẩn mực về tính linh hoạt trong thực tế#

Được Ultralytics giới thiệu, YOLO11 kế thừa nhiều năm nghiên cứu YOLO để tạo ra model nhanh, chính xác và linh hoạt. Model hỗ trợ nguyên bản phát hiện đối tượng, phân đoạn instance, phân loại ảnh, ước tính tư thế và phát hiện bounding box định hướng (OBB).

Kiến trúc và ưu điểm#

YOLO11 sử dụng backbone CNN được tinh chỉnh và pyramid đặc trưng đa tỷ lệ, giúp tiết kiệm tài nguyên. Model phù hợp với môi trường có giới hạn phần cứng nghiêm ngặt nhờ dấu chân bộ nhớ nhỏ trong cả training lẫn suy luận. Ultralytics Platform hỗ trợ YOLO11 trong gán nhãn dữ liệu, training trên cloud và giám sát model mà không cần ghép nối các công cụ MLOps riêng biệt.

Đối với triển khai edge, YOLO11 có độ trễ thấp. Thiết kế nhẹ giúp model chạy hiệu quả trên các thiết bị từ bo mạch Raspberry Pi đến điện thoại di động phổ thông, khiến model trở thành lựa chọn phổ biến cho bán lẻ thông minh, kiểm soát chất lượng sản xuất và quản lý giao thông tự động.

RTDETRv2: Transformer thời gian thực của Baidu#

RTDETRv2 (Detection Transformer thời gian thực phiên bản 2) thể hiện nỗ lực của Baidu nhằm đưa kiến trúc dựa trên Transformer vào các tác vụ thời gian thực. Model kế thừa RT-DETR ban đầu và tích hợp phương pháp "bag-of-freebies" để cải thiện độ chính xác baseline mà không làm tăng độ trễ suy luận.

Tìm hiểu thêm về RTDETRv2

Kiến trúc và ưu điểm#

Không giống CNN truyền thống, RTDETRv2 sử dụng kiến trúc encoder-decoder với cơ chế self-attention, cho phép model nắm bắt ngữ cảnh toàn cục trong ảnh. Điều này hữu ích trong các cảnh đông đúc, nơi thường xuyên xảy ra che khuất. RTDETRv2 loại bỏ nhu cầu dùng ức chế phi cực đại (NMS) trong hậu xử lý, thay vào đó dựa vào phép ghép Hungarian trong quá trình training để tạo phép ghép hai phía một-một.

Tuy nhiên, model Transformer thường cần nhiều VRAM và bộ nhớ CUDA hơn. Việc training RTDETRv2 từ đầu hoặc tinh chỉnh trên dataset tùy chỉnh thường đòi hỏi GPU cao cấp có dung lượng bộ nhớ lớn, đây có thể là rào cản với các nhóm nhỏ so với dấu chân training nhẹ hơn của model Ultralytics.

Phân tích hiệu năng và chỉ số#

Được đánh giá trên dataset COCO tiêu chuẩn, các model cho thấy sự đánh đổi rõ rệt giữa số lượng parameter, FLOPs và độ chính xác (mAP).

Modelkích thước
(pixel)
mAPval50-95Tốc độ
CPU ONNX
(ms)
Tốc độ
T4 TensorRT10
(ms)
params
(M)
FLOPs
(B)
YOLO11n64039.556.11.52.66.5
YOLO11s64047.090.02.59.421.6
YOLO11m64051.5183.24.720.168.1
YOLO11l64053.4238.66.225.387.2
YOLO11x64054.7462.811.356.9195.3
RTDETRv2-s64048.1-5.032060
RTDETRv2-m64051.9-7.5136100
RTDETRv2-l64053.4-9.7642136
RTDETRv2-x64054.3-15.0376259

Phân tích kết quả#

YOLO11 đạt độ chính xác cao hơn trên mỗi tham số. YOLO11x đạt mAPval50-95 cao hơn RTDETRv2-x (54,7 so với 54,3), đồng thời sử dụng ít tham số hơn (56,9M so với 76M) và ít FLOPs hơn (195,3B so với 259B).

YOLO11 cũng nhanh hơn trên T4 TensorRT. YOLO11s chạy trong 2.5 ms so với 5.03 ms của RTDETRv2-s (47.0 so với 48.1 mAP), còn YOLO11m vừa chính xác hơn (51.5 mAP) vừa nhanh hơn (4.7 ms) RTDETRv2-s. Điều này khiến YOLO11 rất phù hợp với phân tích video thời gian thực, nơi thời gian xử lý frame là nút thắt chính.

Chi phí của Transformer

Dù RTDETRv2 đạt độ chính xác xuất sắc nhờ các lớp attention, những cơ chế này có độ phức tạp tăng theo bình phương độ phân giải ảnh, dẫn đến mức tiêu thụ VRAM cao hơn trong cả training lẫn suy luận. YOLO11 tránh được chi phí này nhờ các block tích chập hiệu quả.

Hệ sinh thái huấn luyện và tính dễ sử dụng#

Ưu điểm cốt lõi của việc sử dụng model Ultralytics nằm ở hệ sinh thái đi kèm. Việc huấn luyện RTDETRv2 thường đòi hỏi phải xử lý các kho mã phức tạp theo chuẩn nghiên cứu, điều chỉnh trọng số loss ghép cặp hai phía phức tạp và quản lý mức sử dụng bộ nhớ đáng kể.

Ultralytics chú trọng trải nghiệm developer. Python API thống nhất loại bỏ code rườm rà, tích hợp với các công cụ như Weights & Biases để theo dõi thí nghiệm, đồng thời tự động xử lý tăng cường dữ liệu.

Sau đây là cách đơn giản để huấn luyện và xuất model bằng package ultralytics:

from ultralytics import YOLO

# Khởi tạo model YOLO11 với trọng số được huấn luyện trước
model = YOLO("yolo11n.pt")

# Huấn luyện model hiệu quả trên GPU cục bộ hoặc instance đám mây
train_results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    device=0,  # Sử dụng GPU CUDA
)

# Xuất model đã huấn luyện sang ONNX để triển khai rộng rãi
export_path = model.export(format="onnx")

Sau khi training, chỉ cần một lệnh để export model YOLO11 sang các định dạng như ONNX, OpenVINO hoặc CoreML, nhờ đó cùng một model có thể chạy trên nhiều nền tảng phần cứng khác nhau.

Khả năng đa tác vụ

Trong khi RTDETRv2 chỉ tập trung vào phát hiện bounding box, YOLO11 còn hỗ trợ phân đoạn instance, phân loại ảnh, ước tính tư thế và phát hiện OBB, cho phép bạn hợp nhất nhiều tác vụ thị giác vào một dòng model duy nhất.

Trường hợp sử dụng và khuyến nghị#

Việc chọn YOLO11 hay RT-DETR phụ thuộc vào yêu cầu cụ thể của dự án, giới hạn triển khai và lựa chọn hệ sinh thái của bạn.

Khi nào nên chọn YOLO11#

YOLO11 là lựa chọn phù hợp cho:

  • Triển khai biên trong môi trường production: Các ứng dụng thương mại trên thiết bị như Raspberry Pi hoặc NVIDIA Jetson, nơi độ tin cậy và hoạt động bảo trì liên tục là ưu tiên hàng đầu.
  • Ứng dụng thị giác đa nhiệm: Các dự án cần phát hiện, phân đoạn, phân loại, ước tính tư thế và OBB trong một framework thống nhất.
  • Tạo mẫu và triển khai nhanh: Các nhóm cần nhanh chóng chuyển từ thu thập dữ liệu sang production bằng Ultralytics Python API tinh gọn.

Khi nào nên chọn RT-DETR#

RT-DETR được khuyến nghị cho:

  • Nghiên cứu phát hiện dựa trên Transformer: Các dự án nghiên cứu cơ chế attention và kiến trúc Transformer để phát hiện vật thể đầu cuối mà không cần NMS.
  • Tình huống cần độ chính xác cao với độ trễ linh hoạt: Các ứng dụng đặt độ chính xác phát hiện lên hàng đầu và chấp nhận độ trễ suy luận cao hơn đôi chút.
  • Phát hiện vật thể lớn: Các cảnh chủ yếu có vật thể cỡ trung bình đến lớn, trong đó cơ chế attention toàn cục của Transformer mang lại lợi thế tự nhiên.

Khi nào nên chọn Ultralytics (YOLO26)#

Với hầu hết dự án mới, Ultralytics YOLO26 mang đến sự kết hợp tốt nhất giữa hiệu năng và trải nghiệm dành cho nhà phát triển:

  • Triển khai trên thiết bị biên không cần NMS: Các ứng dụng cần inference có độ trễ thấp và ổn định mà không phải xử lý hậu kỳ Non-Maximum Suppression phức tạp.
  • Môi trường chỉ có CPU: Các thiết bị không có tăng tốc GPU chuyên dụng, nơi tốc độ inference CPU nhanh hơn tới 43% của YOLO26 (YOLO26n so với YOLO11n) mang lại lợi thế đáng kể.
  • Phát hiện vật thể nhỏ: Các tình huống khó như ảnh chụp từ drone trên không hoặc phân tích cảm biến IoT, trong đó ProgLoss và STAL cải thiện độ chính xác khi phát hiện vật thể nhỏ.

Nhìn về phía trước: Sức mạnh của YOLO26#

YOLO11 vẫn là lựa chọn vững chắc cho production, nhưng các dự án mới nên bắt đầu với YOLO26. Ra mắt vào tháng 1 năm 2026, YOLO26 thu hẹp khoảng cách kiến trúc với Transformer thông qua head end-to-end không cần NMS tùy chọn (nms=False, được YOLOv10 giới thiệu cho các model YOLO), giúp loại bỏ độ trễ do hậu xử lý NMS và đơn giản hóa logic triển khai.

YOLO26 cũng giới thiệu một số thay đổi khác:

  • Optimizer MuSGD: Lấy cảm hứng từ kỹ thuật training mô hình ngôn ngữ lớn (LLM) của Kimi K2 thuộc Moonshot AI, phương pháp kết hợp SGD và Muon này giúp training ổn định hơn và hội tụ nhanh hơn.
  • Loại bỏ DFL: Loại bỏ Distribution Focal Loss giúp đơn giản hóa quá trình xuất model và tăng khả năng tương thích với các thiết bị edge công suất thấp.
  • ProgLoss + STAL: Progressive Loss và phương pháp gán nhãn nhận biết mục tiêu nhỏ (STAL) cải thiện khả năng nhận diện vật thể nhỏ, một yêu cầu then chốt đối với giám sát bằng drone, giám sát nông nghiệp và cảm biến edge IoT.
  • Suy luận CPU nhanh hơn đến 43%: Với các triển khai không có GPU chuyên dụng, YOLO26n chạy trên CPU nhanh hơn YOLO11n đến 43%.

Để xem thêm nhiều kiến trúc khác, hãy tham khảo YOLOv8, YOLOv5 được sử dụng rộng rãi và các model chuyên biệt như YOLO-World để phát hiện với từ vựng mở. Dù chọn YOLO11 với độ ổn định đã được kiểm chứng hay YOLO26 mới hơn, hệ sinh thái Ultralytics đều cung cấp các công cụ giúp đưa dự án thị giác máy tính vào môi trường production.

Người đóng góp

Bình luận

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