Bắt đầu

YOLOv10 và RTDETRv2

Computer vision phát triển nhanh chóng, và các kiến trúc mới thường xuyên nâng cao chuẩn mực trong phát hiện đối tượng thời gian thực. Hai cột mốc đáng chú ý là YOLOv10 và RTDETRv2. Cả hai model đều loại bỏ một nút thắt trong pipeline phát hiện truyền thống bằng cách bỏ bước hậu xử lý Non-Maximum Suppression (NMS), nhưng giải quyết thách thức này bằng những kiến trúc hoàn toàn khác nhau.

Bài so sánh kỹ thuật này phân tích kiến trúc, phương pháp huấn luyện và các kịch bản triển khai lý tưởng của hai model, giúp nhà phát triển và nhà nghiên cứu chọn công cụ phù hợp cho dự án AI thị giác tiếp theo.

YOLOv10: Phát hiện thời gian thực không cần NMS#

Được phát triển bởi các nhà nghiên cứu tại Đại học Thanh Hoa, YOLOv10 tập trung vào hiệu quả kiến trúc và loại bỏ các nút thắt do hậu xử lý. Nhờ áp dụng phương pháp gán kép nhất quán để huấn luyện không cần NMS, model đạt độ chính xác cạnh tranh với độ trễ inference thấp hơn.

Thông số kỹ thuật#

Kiến trúc và phương pháp#

Đóng góp chính của YOLOv10 là thiết kế model toàn diện dựa trên hiệu quả và độ chính xác. Model tối ưu nhiều thành phần theo cả hai tiêu chí, giảm chi phí tính toán. Chiến lược gán kép nhất quán cho phép model huấn luyện mà không cần dựa vào NMS, nhờ đó tạo ra pipeline triển khai đầu cuối tinh gọn. Điều này đặc biệt hữu ích khi export model sang các định dạng edge như ONNX hoặc TensorRT, nơi các thao tác hậu xử lý có thể gây ra độ trễ khó lường.

Ưu điểm và nhược điểm#

Model mang lại sự cân bằng tốt giữa tốc độ và độ chính xác, đặc biệt ở các biến thể nhỏ hơn (N và S). Độ trễ thấp giúp model phù hợp với các môi trường edge tốc độ cao. Tuy nhiên, dù YOLOv10 nổi bật về tốc độ phát hiện thuần, model vẫn chỉ chuyên về tác vụ phát hiện. Các nhóm cần instance segmentation hoặc pose estimation sẽ cần tìm đến các framework đa dụng hơn.

Tìm hiểu thêm về YOLOv10

RTDETRv2: Hoàn thiện Detection Transformer#

Dựa trên Real-Time Detection Transformer ban đầu, RTDETRv2 bổ sung một "bộ mẹo miễn phí" để cải thiện phiên bản nền, cho thấy Transformer có thể cạnh tranh với CNN trong các kịch bản thời gian thực.

Thông số kỹ thuật#

Kiến trúc và phương pháp#

RTDETRv2 sử dụng kiến trúc lai, kết hợp backbone mạng nơ-ron tích chập (CNN) để trích xuất đặc trưng thị giác với encoder-decoder transformer để hiểu toàn cảnh. Cơ chế self-attention của transformer cho phép model quan sát toàn cục hình ảnh, nhờ đó xử lý hiệu quả các cảnh phức tạp, đối tượng chồng lấp và đám đông dày đặc.

Ưu điểm và nhược điểm#

Kiến trúc transformer mang lại độ chính xác vượt trội, đặc biệt ở các quy mô tham số lớn, đồng thời xuất trực tiếp kết quả phát hiện cuối cùng mà không cần NMS. Tuy nhiên, điều này có cái giá phải trả. Các model transformer thường cần nhiều bộ nhớ CUDA hơn trong quá trình huấn luyện và có thể hội tụ chậm hơn so với kiến trúc CNN thuần. Dù RTDETRv2 đã cải thiện tốc độ inference, model nhìn chung vẫn tiêu thụ nhiều bộ nhớ hơn các biến thể YOLO nhẹ.

Tìm hiểu thêm về RTDETRv2

So sánh hiệu năng#

Đánh giá các chỉ số hiệu năng giúp làm rõ hơn điểm mạnh của từng model. Bảng sau đây nêu bật các khả năng của chúng trên bộ dữ liệu COCO:

Modelkích thước
(pixel)
mAPval50-95Tốc độ
CPU ONNX
(ms)
Tốc độ
T4 TensorRT10
(ms)
params
(M)
FLOPs
(B)
YOLOv10n64038.5-1.842.36.7
YOLOv10s64046.3-2.497.221.6
YOLOv10m64051.1-4.7415.459.1
YOLOv10b64052.5-5.7419.192.0
YOLOv10l64053.2-7.2824.4120.3
YOLOv10x64054.4-10.7029.5160.4
RTDETRv2-s64048.1-5.032060
RTDETRv2-m64051.9-7.5136100
RTDETRv2-l64053.4-9.7642136
RTDETRv2-x64054.3-15.0376259

YOLOv10 có lợi thế rõ rệt về hiệu quả tham số và tốc độ inference TensorRT ở các kích cỡ tương đương, trong khi RTDETRv2 chính xác hơn đôi chút ở các quy mô s, m và l (ví dụ: 48.1 so với 46.3 mAP đối với model s, ở mức 5.03 ms so với 2.49 ms). RTDETRv2-x đạt độ chính xác tương đương YOLOv10x (54.3 so với 54.4 mAP) nhưng cần số tham số nhiều hơn 2.5 lần (76M so với 29.5M) và FLOPs cao hơn (259B so với 160.4B).

Trường hợp sử dụng và khuyến nghị#

Việc lựa chọn giữa YOLOv10 và RT-DETR phụ thuộc vào yêu cầu cụ thể của dự án, các ràng buộc triển khai và hệ sinh thái bạn ưu tiên.

Khi nào nên chọn YOLOv10#

YOLOv10 là lựa chọn phù hợp cho:

  • Phát hiện thời gian thực không cần NMS: Các ứng dụng hưởng lợi từ khả năng phát hiện end-to-end không cần Non-Maximum Suppression, giúp giảm độ phức tạp khi triển khai.
  • Cân bằng giữa tốc độ và độ chính xác: Các dự án cần sự cân bằng tốt giữa tốc độ inference và độ chính xác phát hiện trên nhiều quy mô model.
  • Ứng dụng cần độ trễ ổn định: Các tình huống triển khai yêu cầu thời gian inference có thể dự đoán, chẳng hạn như robotics hoặc hệ thống tự hành.

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 khả năng tăng tốc bằng GPU chuyên dụng, nơi tốc độ suy luận CPU nhanh hơn tới 43% của YOLO26n so với YOLO11n mang lại lợi thế quyết định.
  • 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.

Lợi thế của Ultralytics: Hệ sinh thái và đổi mới#

YOLOv10 và RTDETRv2 đều là detector có năng lực, nhưng lựa chọn model thường phụ thuộc vào hệ sinh thái phần mềm đi kèm. Ultralytics Platform cung cấp giao diện thống nhất, che giấu phần lớn độ phức tạp của quy trình deep learning.

Tiêu chuẩn mới: Ultralytics YOLO26#

Với các developer muốn đạt hiệu năng tốt nhất, Ultralytics YOLO26 kết hợp các tiến bộ kiến trúc gần đây. Ra mắt vào tháng 1 năm 2026, YOLO26 kế thừa thiết kế end-to-end không cần NMS của YOLOv10 dưới dạng head tùy chọn (nms=False), loại bỏ bước hậu xử lý NMS để triển khai nhanh và đơn giản hơn.

Vì sao nên chọn YOLO26?

YOLO26 đưa các phương pháp huấn luyện model ngôn ngữ lớn (LLM) vào computer vision thông qua Optimizer MuSGD (kết hợp SGD và Muon), giúp huấn luyện ổn định hơn và hội tụ nhanh hơn. YOLO26n cũng chạy trên CPU nhanh hơn YOLO11n tới 43%, khiến YOLO26 trở thành lựa chọn phù hợp cho điện toán edge.

Ngoài ra, YOLO26 giới thiệu ProgLoss + STAL để cải thiện đáng kể khả năng nhận diện đối tượng nhỏ; khác với YOLOv10 chỉ chuyên phát hiện, model hỗ trợ phát hiện đối tượng, instance segmentation, semantic segmentation, ước tính độ sâu, phân loại ảnh, pose estimation và oriented bounding box (OBB), cùng các cải tiến riêng theo tác vụ như hàm mất mát semantic segmentation và Residual Log-Likelihood Estimation (RLE) cho pose. Việc loại bỏ Distribution Focal Loss (DFL) cũng đơn giản hóa quá trình export và cải thiện khả năng tương thích với thiết bị công suất thấp.

Tính dễ sử dụng và hiệu quả huấn luyện#

Dù làm việc với các model đời trước như Ultralytics YOLO11 hay YOLO26 mới hơn, Python API vẫn giúp giữ mức sử dụng bộ nhớ huấn luyện thấp và quy trình làm việc tinh gọn. Cùng API này cũng chạy được YOLOv10 và RT-DETR:

from ultralytics import RTDETR, YOLO

# Training model YOLOv10 end-to-end
model_yolo = YOLO("yolov10n.pt")
model_yolo.train(data="coco8.yaml", epochs=100, imgsz=640)

# Hoặc đánh giá RTDETR trong cùng API
model_rtdetr = RTDETR("rtdetr-l.pt")
results = model_rtdetr.predict("https://ultralytics.com/images/bus.jpg")

Hệ sinh thái được duy trì tốt cung cấp công cụ để dễ dàng tinh chỉnh siêu tham số và tích hợp với các công cụ theo dõi thí nghiệm cũng như tùy chọn triển khai model.

Kết luận#

YOLOv10 và RTDETRv2 đều là những cột mốc quan trọng trong lĩnh vực phát hiện đối tượng không cần NMS. RTDETRv2 chứng minh rằng transformer có thể đạt độ trễ thời gian thực với khả năng nắm bắt ngữ cảnh toàn cục vượt trội, dù cần nhiều bộ nhớ hơn. YOLOv10 cung cấp một lựa chọn CNN hiệu quả, nhanh chóng, được tối ưu cho các tác vụ phát hiện trong môi trường hạn chế tài nguyên.

Để có hiệu năng cân bằng, tính đa dụng đa tác vụ và hệ sinh thái trưởng thành, chúng tôi khuyến nghị Ultralytics YOLO26. Model kết hợp các ý tưởng kiến trúc từ những thế hệ trước với bộ công cụ thân thiện với người dùng, giúp đơn giản hóa việc triển khai AI thị giác.

Người đóng góp

Bình luận

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