Bắt đầu

YOLO26 và RTDETRv2

Các chuyên gia thị giác máy tính thường lựa chọn giữa mạng nơ-ron tích chập (CNNs) được tối ưu hóa và các kiến trúc dựa trên Transformer mới hơn. Hai ví dụ nổi bật là Ultralytics YOLO26 và RTDETRv2 của Baidu. Cả hai đều hướng đến phát hiện đối tượng theo thời gian thực nhưng dựa trên những phương pháp kiến trúc khác nhau.

Hướng dẫn này so sánh cấu trúc, các chỉ số hiệu năng và trường hợp sử dụng lý tưởng của hai model để giúp bạn chọn nền tảng phù hợp nhất cho dự án thị giác máy tính tiếp theo.

Ultralytics YOLO26: AI thị giác ưu tiên edge#

Được Ultralytics phát triển và phát hành vào tháng 1 năm 2026, YOLO26 là model YOLO mới nhất và là lựa chọn được đề xuất cho các dự án mới. Model được thiết kế để có tốc độ cao, độ chính xác tốt và dễ dàng triển khai trên môi trường cloud lẫn edge.

Đổi mới và ưu điểm về kiến trúc#

YOLO26 giới thiệu một số tính năng giúp model khác biệt không chỉ với các model Transformer mà còn với những phiên bản trước như YOLO11:

  • Thiết kế end-to-end không cần NMS: Head one-to-one tùy chọn (nms=False) của YOLO26 bỏ qua bước Non-Maximum Suppression (NMS) truyền thống trong quá trình hậu xử lý. Được YOLOv10 giới thiệu cho các model YOLO, phương pháp end-to-end này giảm biến thiên độ trễ suy luận và đơn giản hóa logic triển khai, đặc biệt trên phần cứng edge.
  • Suy luận CPU nhanh hơn tới 43%: YOLO26n chạy nhanh hơn YOLO11n tới 43% trên CPU, phù hợp với các thiết bị không có GPU chuyên dụng, chẳng hạn như Raspberry Pi.
  • Loại bỏ DFL: Loại bỏ Distribution Focal Loss (DFL) giúp đơn giản hóa quy trình export và cải thiện khả năng tương thích với các thiết bị edge công suất thấp.
  • Optimizer MuSGD: Đưa các ý tưởng huấn luyện model ngôn ngữ lớn (LLM) vào thị giác máy tính, YOLO26 sử dụng optimizer MuSGD. Phương pháp lai giữa SGD và Muon này, lấy cảm hứng từ Kimi K2 của Moonshot AI, giúp quá trình huấn luyện ổn định hơn và hội tụ nhanh hơn.
  • ProgLoss + STAL: Progressive Loss và phương pháp gán nhãn nhận biết mục tiêu nhỏ (STAL) cải thiện khả năng nhận diện đối tượng nhỏ. Điều này quan trọng với các ngành dựa vào phân tích ảnh trên không và cảm biến Internet vạn vật (IoT).

Tính linh hoạt trên nhiều tác vụ thị giác#

Không chỉ giới hạn ở bounding box, YOLO26 còn hỗ trợ phát hiện, phân đoạn instance, phân đoạn ngữ nghĩa, ước tính độ sâu, phân loại, ước tính pose và phát hiện OBB. Model tích hợp các cải tiến dành riêng cho từng tác vụ, chẳng hạn như hàm loss phân đoạn ngữ nghĩa và proto đa tỷ lệ cho phân đoạn instance, Residual Log-Likelihood Estimation (RLE) cho ước tính pose và hàm loss góc chuyên biệt để khắc phục vấn đề biên trong các tác vụ Oriented Bounding Box (OBB).

Chiến lược triển khai trên thiết bị biên

Khi triển khai trên thiết bị edge, hãy dùng các biến thể YOLO26n (Nano) hoặc YOLO26s (Small). Việc loại bỏ DFL và head tùy chọn không cần NMS giúp đơn giản hóa quá trình export sang CoreML hoặc LiteRT để suy luận thời gian thực trên iOS và Android.

RTDETRv2: Cải tiến Transformer phát hiện thời gian thực#

RTDETRv2, được các nhà nghiên cứu tại Baidu phát triển, dựa trên framework RT-DETR ban đầu. Model hướng đến việc chứng minh rằng Detection Transformers (DETRs) có thể cạnh tranh, thậm chí đôi khi vượt qua tốc độ và độ chính xác của CNN được tối ưu hóa cao trong các kịch bản thời gian thực.

Kiến trúc và năng lực#

RTDETRv2 sử dụng kiến trúc dựa trên Transformer, xử lý hình ảnh khác với CNN bằng cách dùng self-attention để nắm bắt ngữ cảnh toàn cục.

  • Bag-of-Freebies: Phiên bản v2 giới thiệu một loạt kỹ thuật huấn luyện được tối ưu hóa (bag-of-freebies), giúp cải thiện hiệu năng cơ sở mà không làm tăng chi phí suy luận.
  • Nhận biết ngữ cảnh toàn cục: Nhờ các lớp attention của Transformer, RTDETRv2 xử lý tốt những cảnh phức tạp cần ngữ cảnh toàn cục để phân biệt các đối tượng chồng lấp hoặc bị che khuất.

Tìm hiểu thêm về RTDETRv2

Hạn chế của model Transformer#

Các model phát hiện dựa trên Transformer như RTDETRv2 thường gặp thách thức khi triển khai thực tế. Trong quá trình huấn luyện, chúng thường cần nhiều bộ nhớ CUDA hơn các CNN hiệu quả; các phép toán cần thiết cho lớp attention cũng có thể khiến việc tích hợp vào nhiều môi trường edge trở nên khó khăn hơn. Với các triển khai bị giới hạn tài nguyên, CNN như YOLO26 thường dễ triển khai hơn.

So sánh hiệu năng#

Bảng dưới đây so sánh độ chính xác (mAP), tốc độ và kích thước model trên tập validation COCO.

Modelkích thước
(pixel)
mAPval50-95Tốc độ
CPU ONNX
(ms)
Tốc độ
T4 TensorRT10
(ms)
params
(M)
FLOPs
(B)
YOLO26n64040.938.91.72.45.5
YOLO26s64048.687.22.59.520.9
YOLO26m64053.1220.04.720.468.4
YOLO26l64055.0286.26.224.886.8
YOLO26x64057.5525.811.855.7194.4
RTDETRv2-s64048.1-5.032060
RTDETRv2-m64051.9-7.5136100
RTDETRv2-l64053.4-9.7642136
RTDETRv2-x64054.3-15.0376259

Ở mọi kích thước có thể so sánh, YOLO26 đạt mAP cao hơn và độ trễ TensorRT thấp hơn RTDETRv2. YOLO26x đạt 57.5 mAP với độ trễ thấp hơn (11.8 ms trên TensorRT) và ít tham số hơn (55.7M) so với RTDETRv2-x (54.3 mAP, 15.03 ms, 76M tham số).

Trường hợp sử dụng và khuyến nghị#

Việc chọn YOLO26 hay RT-DETR phụ thuộc vào yêu cầu cụ thể của dự án, các giới hạn triển khai và lựa chọn hệ sinh thái của bạn.

Khi nào nên chọn YOLO26#

YOLO26 là lựa chọn phù hợp cho:

  • 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.

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.

Lợi thế của Ultralytics#

Lựa chọn kiến trúc phù hợp chỉ là một phần của bài toán; hệ sinh thái xung quanh quyết định tốc độ một nhóm có thể chuyển từ tạo mẫu thử nghiệm sang production.

Tính dễ sử dụng và hiệu quả huấn luyện#

Ultralytics Python API giúp code huấn luyện ngắn gọn, không cần nhiều boilerplate rườm rà. YOLO26 cũng thường sử dụng ít GPU VRAM hơn các lớp attention tiêu tốn bộ nhớ của RTDETRv2, nhờ đó có thể dùng batch size lớn hơn trên phần cứng phổ thông.

from ultralytics import YOLO

# Khởi tạo model YOLO26 Nano
model = YOLO("yolo26n.pt")

# Huấn luyện trên dataset COCO8 trong 100 epoch
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Thực hiện suy luận tốc độ cao, không cần NMS
predictions = model("https://ultralytics.com/images/bus.jpg", nms=False)

# Xuất sang ONNX để triển khai
model.export(format="onnx")

Hệ sinh thái được duy trì tốt#

Các model Ultralytics đi kèm framework được duy trì tích cực, tích hợp với các công cụ theo dõi thử nghiệm như Weights & Biases và Comet. Với phương pháp không cần code, Ultralytics Platform cung cấp khả năng huấn luyện trên cloud, quản lý dataset và triển khai model.

Cân bằng hiệu năng#

YOLO26 cân bằng tốc độ suy luận và độ chính xác. Suy luận tùy chọn không cần NMS, optimizer MuSGD và ProgLoss + STAL tạo nên một model chính xác với đối tượng nhỏ và nhanh khi chạy production, khiến model trở thành lựa chọn mặc định phù hợp cho hầu hết ứng dụng thị giác máy tính.

Các model khác trong hệ sinh thái#

Các nhà phát triển duy trì pipeline hiện có cũng có thể cân nhắc YOLOv8 cho môi trường doanh nghiệp đã triển khai ổn định, hoặc xem YOLO26 so sánh với EfficientDet như thế nào. Với các dự án mới, YOLO26 là lựa chọn được đề xuất.

Người đóng góp

Bình luận

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