YOLOv5 và RTDETRv2
Lĩnh vực thị giác máy tính đã mở rộng đáng kể trong vài năm qua, mang đến cho nhà phát triển nhiều kiến trúc để xử lý các tác vụ thị giác phức tạp. Trong số những phương pháp phổ biến nhất có Mạng nơ-ron tích chập (CNNs) và Transformer phát hiện (DETRs), cả hai đều được đề cập trong phần tổng quan về các model phát hiện vật thể tốt nhất.
Hướng dẫn này so sánh kỹ thuật hai model có ảnh hưởng trong các nhóm này: Ultralytics YOLOv5, một model dựa trên CNN hiệu quả cao và được áp dụng rộng rãi, cùng RTDETRv2, một bộ phát hiện vật thể theo thời gian thực dựa trên Transformer.
Ultralytics YOLOv5: Tiêu chuẩn ngành về hiệu quả#
Kể từ khi ra mắt, Ultralytics YOLOv5 đã trở thành nền tảng cốt lõi của cộng đồng AI, hỗ trợ hàng nghìn ứng dụng thương mại và dự án nghiên cứu trên toàn cầu. Được xây dựng hoàn toàn trên framework PyTorch, model ưu tiên trải nghiệm nhà phát triển trực quan mà không ảnh hưởng đến hiệu năng theo thời gian thực.
Đặc điểm chính:
- Tác giả: Glenn Jocher
- Tổ chức: Ultralytics
- Ngày: 2020-06-26
- Liên kết: Repository GitHub
Kiến trúc và ưu điểm#
YOLOv5 sử dụng kiến trúc CNN tinh gọn, được thiết kế để tối đa hóa hiệu quả trích xuất đặc trưng đồng thời duy trì mức tiêu thụ bộ nhớ cực thấp. Model sử dụng backbone CSPDarknet và neck PANet, tạo nên tổ hợp mạnh mẽ để hợp nhất đặc trưng đa tỷ lệ.
Một trong những ưu điểm chính của YOLOv5 là Cân bằng hiệu năng. Model này tạo được sự đánh đổi tốt giữa tốc độ và độ chính xác, là lựa chọn lý tưởng để triển khai model trên phần cứng hạn chế tài nguyên như thiết bị NVIDIA Jetson và smartphone.
YOLOv5 cũng có Tính linh hoạt cao. Khác với các model chỉ giới hạn ở dự đoán hộp giới hạn, repository YOLOv5 gốc hỗ trợ phân đoạn instance và phân loại ảnh, cung cấp framework thống nhất cho nhiều tác vụ thị giác. Model cũng có hiệu quả huấn luyện cao, cần ít bộ nhớ CUDA hơn đáng kể trong quá trình huấn luyện so với kiến trúc dựa trên Transformer.
Điểm yếu#
Là bộ phát hiện dựa trên anchor, YOLOv5 phụ thuộc vào Non-Maximum Suppression (NMS) trong bước hậu xử lý để loại bỏ các hộp giới hạn trùng lặp. Dù được tối ưu hóa cao trong framework Ultralytics, NMS đôi khi có thể tạo ra nút thắt độ trễ trên các NPU biên chuyên dụng.
RTDETRv2: Transformer thời gian thực của Baidu#
RTDETRv2 (Transformer phát hiện theo thời gian thực phiên bản 2) áp dụng kiến trúc Transformer vào tác vụ phát hiện vật thể theo thời gian thực, khắc phục những điểm kém hiệu quả về tính toán vốn là hạn chế của các DETR tiêu chuẩn.
Đặc điểm chính:
- Tác giả: Wenyu Lv, Yian Zhao, Qinyao Chang, Kui Huang, Guanzhong Wang và Yi Liu
- Tổ chức: Baidu
- Ngày: 2024-07-24
- Liên kết: Bài báo arXiv, Repository GitHub
Kiến trúc và ưu điểm#
RTDETRv2 kế thừa phiên bản tiền nhiệm bằng cách sử dụng encoder lai và thiết kế decoder linh hoạt để xử lý ảnh. Cơ chế self-attention của Transformer giúp model hiểu ngữ cảnh tổng thể của ảnh, cho phép hoạt động tốt trong cảnh phức tạp có nhiều vật thể bị che khuất.
Đặc điểm nổi bật của RTDETRv2 là thiết kế end-to-end không cần NMS. Bằng cách dự đoán trực tiếp các truy vấn vật thể mà không cần anchor box hoặc bước hậu xử lý NMS, model đơn giản hóa pipeline suy luận. Kiến trúc này đạt mAP (độ chính xác trung bình trung bình) cao trên các tập dữ liệu benchmark như COCO.
Điểm yếu#
Dù có khả năng xử lý theo thời gian thực, RTDETRv2 đòi hỏi nhiều bộ nhớ hơn đáng kể so với các model YOLO. Cơ chế attention trong Transformer có mức tăng theo bình phương độ dài chuỗi, có thể dẫn đến lỗi hết bộ nhớ khi huấn luyện độ phân giải cao trên GPU có bộ nhớ hạn chế. Ngoài ra, model thiếu tính linh hoạt có sẵn của hệ sinh thái Ultralytics và chủ yếu chỉ tập trung vào phát hiện vật thể 2D, không hỗ trợ nguyên bản phân đoạn hoặc ước lượng tư thế.
Bảng so sánh hiệu năng#
Bảng dưới đây so sánh các chỉ số hiệu năng của hai kiến trúc. Các giá trị được đánh dấu in đậm biểu thị chỉ số hiệu quả nhất hoặc có hiệu năng cao nhất trên các mức tỷ lệ được kiểm thử.
| Model | kích thước (pixel) | mAPval50-95 | Tốc độ CPU ONNX (ms) | Tốc độ T4 TensorRT10 (ms) | params (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv5n | 640 | 28.0 | - | 1.12 | 1.9 | 4.5 |
| YOLOv5s | 640 | 37.4 | - | 1.92 | 7.2 | 16.5 |
| YOLOv5m | 640 | 45.4 | - | 4.03 | 21.2 | 49.0 |
| YOLOv5l | 640 | 49.0 | - | 6.61 | 46.5 | 109.1 |
| YOLOv5x | 640 | 50.7 | - | 11.89 | 86.7 | 205.7 |
| RTDETRv2-s | 640 | 48.1 | - | 5.03 | 20 | 60 |
| RTDETRv2-m | 640 | 51.9 | - | 7.51 | 36 | 100 |
| RTDETRv2-l | 640 | 53.4 | - | 9.76 | 42 | 136 |
| RTDETRv2-x | 640 | 54.3 | - | 15.03 | 76 | 259 |
Dù RTDETRv2-x đạt mAP tuyệt đối cao nhất, model này cần số lượng tham số gấp khoảng 40 lần YOLOv5n. Với các ứng dụng tốc độ cao chạy trên phần cứng hạn chế, các model Ultralytics nhỏ hơn có chi phí tính toán thấp hơn nhiều.
Lợi thế của hệ sinh thái Ultralytics#
Khi chuyển model từ notebook nghiên cứu sang môi trường production, phần mềm bao quanh model cũng quan trọng không kém kiến trúc mạng nơ-ron. Hệ sinh thái được duy trì tốt do Ultralytics cung cấp giúp đẩy nhanh vòng đời phát triển.
Dễ sử dụng#
Các model Ultralytics ưu tiên trải nghiệm người dùng tinh gọn. Dù bạn muốn huấn luyện model tùy chỉnh, chạy validation hay export sang các định dạng dành riêng cho phần cứng như TensorRT hoặc ONNX, Ultralytics Python API giúp bạn thực hiện điều đó chỉ với vài dòng code.
Sau đây là ví dụ code thực tế minh họa việc train và chạy inference với model Ultralytics đơn giản như thế nào:
from ultralytics import YOLO
# Khởi tạo model (tự động tải weights)
model = YOLO("yolov5su.pt") # YOLOv5u: weight YOLOv5 không anchor dành cho package ultralytics
# Huấn luyện model trên bộ dữ liệu COCO8
results = model.train(data="coco8.yaml", epochs=50, imgsz=640, device="cpu")
# Chạy inference trên ảnh trực tuyến
inference_results = model.predict("https://ultralytics.com/images/bus.jpg")
# Hiển thị ảnh kết quả cùng các bounding box
inference_results[0].show()API thống nhất, đơn giản này hỗ trợ tích hợp theo dõi thử nghiệm nguyên bản với các công cụ như Weights & Biases và Comet, cho phép developer ghi log metric mà không cần viết code khuôn mẫu.
Trường hợp sử dụng và khuyến nghị#
Việc lựa chọn giữa YOLOv5 và RT-DETR phụ thuộc vào yêu cầu cụ thể của dự án, các ràng buộc khi triển khai và lựa chọn hệ sinh thái của bạn.
Khi nào nên chọn YOLOv5#
YOLOv5 là lựa chọn phù hợp cho:
- Hệ thống production đã được kiểm chứng: Các hệ thống triển khai hiện có, nơi coi trọng bề dày ổn định, tài liệu toàn diện và cộng đồng lớn của YOLOv5.
- Huấn luyện với tài nguyên hạn chế: Các môi trường có tài nguyên GPU hạn chế, nơi pipeline huấn luyện hiệu quả và nhu cầu bộ nhớ thấp hơn của YOLOv5 là một lợi thế.
- Hỗ trợ nhiều định dạng export: Các dự án cần triển khai trên nhiều định dạng, bao gồm ONNX, TensorRT, CoreML và LiteRT.
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: Thiết bị không có tăng tốc GPU chuyên dụng, nơi YOLO26n chạy trên CPU nhanh hơn YOLO11n tới 43%.
- Phát hiện vật thể nhỏ: Các tình huống khó như ảnh chụp từ drone trên không hoặc phân tích cảm biến IoT, nơi ProgLoss và STAL cải thiện độ chính xác đối với vật thể rất nhỏ.
Nhìn về phía trước: YOLO11 và YOLO26#
Nếu hôm nay bạn bắt đầu một dự án thị giác mới, hãy cân nhắc các thế hệ model Ultralytics mới nhất.
Dù YOLOv5 vẫn đáng tin cậy, YOLO11 cải thiện độ chính xác và mở rộng danh sách tác vụ, bao gồm phát hiện hộp giới hạn có hướng (OBB).
YOLO26 tiến xa hơn bằng cách kết hợp ưu điểm của cả hai phương pháp. Model cung cấp Thiết kế đầu-cuối không cần NMS tùy chọn (nms=False, được YOLOv10 giới thiệu cho các model YOLO), loại bỏ bước hậu xử lý NMS nhưng vẫn duy trì hiệu quả của CNN. YOLO26 cũng giới thiệu bộ tối ưu MuSGD, lấy cảm hứng từ những đổi mới trong huấn luyện LLM, giúp hội tụ nhanh hơn. Với loại bỏ DFL (loại bỏ Distribution Focal Loss để đơn giản hóa quá trình xuất model và tăng khả năng tương thích với thiết bị biên/thiết bị công suất thấp), YOLO26n suy luận trên CPU nhanh hơn tới 43% so với YOLO11n, khiến YOLO26 trở thành lựa chọn phù hợp cho AI biên. Ngoài ra, ProgLoss + STAL (Progressive Loss và gán nhãn có xét đến đối tượng nhỏ) cải thiện đáng kể khả năng nhận diện đối tượng nhỏ, yếu tố quan trọng đối với IoT, robot và ảnh chụp từ trên không.
Kết luận#
Việc lựa chọn giữa YOLOv5 và RTDETRv2 phụ thuộc nhiều vào các ràng buộc triển khai của bạn. RTDETRv2 đạt mAP cao nhờ cơ chế attention của Transformer, nhưng đòi hỏi nhiều bộ nhớ và tài nguyên tính toán hơn.
Ngược lại, Ultralytics YOLOv5 là giải pháp đã được kiểm chứng, tối ưu cao và linh hoạt, hoạt động hiệu quả từ máy chủ đám mây đến thiết bị biên. Với các nhóm cần độ chính xác cao hơn cùng bộ công cụ triển khai hoàn thiện, nâng cấp lên YOLO26 trong hệ sinh thái Ultralytics là hướng đi được khuyến nghị cho các ứng dụng AI thị giác hiện đại.
Bình luận
Đặt câu hỏi, chia sẻ kết quả hoặc giúp đỡ người khác.