Chuyển đến nội dung

YOLOv6 -3.0 vs RTDETRv2: Cuộc đối đầu giữa các mạng CNN công nghiệp và bộ chuyển đổi thời gian thực

Trong bối cảnh thị giác máy tính đang phát triển nhanh chóng, cuộc chiến giành vị trí kiến ​​trúc phát hiện đối tượng hiệu quả nhất thường diễn ra giữa các Mạng nơ-ron tích chập (CNN) đã được khẳng định và các mô hình dựa trên Transformer mới nổi. Bài so sánh này xem xét YOLOv6 , một "cỗ máy" CNN mạnh mẽ được tối ưu hóa cho các ứng dụng công nghiệp, và RTDETRv2 , một Transformer phát hiện thời gian thực được thiết kế để thách thức... YOLO mô hình.

Mặc dù cả hai mô hình đều cung cấp những khả năng ấn tượng, việc hiểu rõ những sự đánh đổi về kiến ​​trúc của chúng là rất quan trọng để lựa chọn công cụ phù hợp cho dự án của bạn. Đối với các nhà phát triển đang tìm kiếm một giải pháp thống nhất kết hợp những ưu điểm tốt nhất của cả hai khía cạnh—tốc độ, độ chính xác và dễ sử dụng— hệ sinh thái Ultralytics cung cấp các lựa chọn thay thế tiên tiến như YOLO26 .

So sánh các chỉ số hiệu suất

Bảng sau đây nêu bật sự khác biệt về hiệu năng giữa các mô hình. Trong khi đó, YOLOv6 - Phiên bản 3.0 tập trung vào thông lượng thô trên phần cứng chuyên dụng, trong khi RTDETRv2 hướng đến việc loại bỏ các nút thắt cổ chai trong quá trình xử lý hậu kỳ thông qua kiến ​​trúc bộ chuyển đổi của nó.

Mô hìnhKích thước
(pixels)		mAPval
50-95		Tốc độ
CPU ONNX
(ms)		Tốc độ
T4 TensorRT10
(ms)		Tham số
(M)		FLOPs
(B)
YOLOv6-3.0n64037.5-1.174.711.4
YOLOv6-3.0s64045.0-2.6618.545.3
YOLOv6-3.0m64050.0-5.2834.985.8
YOLOv6-3.0l64052.8-8.9559.6150.7
RTDETRv2-s64048.1-5.032060
RTDETRv2-m64051.9-7.5136100
RTDETRv2-l64053.4-9.7642136
RTDETRv2-x64054.3-15.0376259

YOLOv6 -3.0: Chuyên gia công nghiệp

Được phát triển bởi Meituan và phát hành vào đầu năm 2023, YOLOv6 -3.0 đánh dấu một cột mốc quan trọng trong việc phát hiện đối tượng một giai đoạn. Nó được thiết kế đặc biệt cho các ứng dụng công nghiệp, nơi các hạn chế về phần cứng—chẳng hạn như trong tự động hóa nhà máy hoặc hậu cần—yêu cầu tối đa hóa tiện ích của GPU như... NVIDIA Tesla T4.

Kiến trúc và Thiết kế

YOLOv6 -3.0 giới thiệu kiến ​​trúc RepBi-PAN , một Mạng tổng hợp đường dẫn hai chiều được củng cố bằng các khối kiểu RepVGG. Thiết kế này cho phép kết hợp đặc trưng hiệu quả trong khi vẫn duy trì tốc độ suy luận cao. Mô hình cũng sử dụng Huấn luyện hỗ trợ neo (AAT) , một chiến lược lai kết hợp lợi ích của các mô hình dựa trên neo và không dựa trên neo để cải thiện tính ổn định hội tụ.

Điểm mạnh chính

  • Hiệu năng GPU : Trên các bộ tăng tốc chuyên dụng, các phiên bản "Nano" và "Small" cung cấp tốc độ khung hình cực cao, khiến chúng phù hợp cho việc phân tích video tốc độ cao.
  • Thân thiện với lượng tử hóa: Kiến trúc được thiết kế với khả năng lượng tử hóa , giúp việc triển khai lên phần cứng biên dễ dàng hơn. TensorRT .
  • Ứng dụng trong công nghiệp: Các tính năng như đầu tách rời được tối ưu hóa cho các nhiệm vụ kiểm tra công nghiệp cụ thể, nơi cần giảm thiểu sự biến đổi độ trễ.

Tìm hiểu thêm về YOLOv6

RTDETRv2: Đối thủ Transformer

RTDETRv2 , có nguồn gốc từ Baidu , là phiên bản cải tiến của RT-DETR (Real-Time DEtection TRansformer) ban đầu. Nó nhằm mục đích chứng minh rằng các kiến ​​trúc dựa trên transformer có thể vượt trội hơn các YOLO dựa trên CNN cả về tốc độ và độ chính xác bằng cách giải quyết các nút thắt cổ chai về tính toán liên quan đến xử lý đặc trưng đa tỷ lệ.

Kiến trúc và Thiết kế

RTDETRv2 sử dụng bộ mã hóa lai xử lý hiệu quả các đặc trưng đa tỷ lệ, kết hợp với một... IoU Cơ chế lựa chọn truy vấn nhận biết. Một tính năng độc đáo của RTDETRv2 là bộ giải mã có thể thích ứng , cho phép người dùng điều chỉnh số lượng lớp giải mã trong quá trình suy luận. Điều này cho phép điều chỉnh linh hoạt giữa tốc độ và độ chính xác mà không cần huấn luyện lại — một lợi thế đáng kể trong môi trường năng động.

Điểm mạnh chính

  • NMS -Free: Là một bộ chuyển đổi, RTDETRv2 dự đoán trực tiếp các đối tượng, loại bỏ nhu cầu sử dụng Non-Maximum Suppression ( NMS ) . Điều này đơn giản hóa quy trình triển khai và giảm độ trễ.
  • Độ chính xác cao: Mô hình đạt được độ chính xác trung bình ( mAP ) ấn tượng, đặc biệt là trên... COCO bộ dữ liệu này thường vượt trội hơn các mạng CNN tương đương trong các cảnh phức tạp.
  • Tính linh hoạt: Khả năng điều chỉnh tốc độ suy luận một cách linh hoạt giúp nó thích ứng cao với sự biến động của tài nguyên tính toán.

Tìm hiểu thêm về RT-DETR

Lợi thế của Ultralytics: Tại sao chọn YOLO26?

Trong khi YOLOv6 -3.0 và RTDETRv2 đều vượt trội trong các lĩnh vực riêng biệt, hệ sinh thái Ultralytics cung cấp một giải pháp toàn diện khắc phục những hạn chế của cả hai. YOLO26 , sự phát triển mới nhất trong... YOLO loạt phim, kết hợp NMS - Tận dụng những ưu điểm vượt trội của bộ chuyển đổi với hiệu quả cao của mạng nơ-ron tích chập (CNN).

Quy trình làm việc tích hợp

Sử dụng Ultralytics Cho phép bạn chuyển đổi giữa các kiến ​​trúc một cách liền mạch. Bạn có thể huấn luyện một... YOLOv6 mô hình, kiểm tra một RT-DETR mô hình, và triển khai mô hình YOLO26 bằng cách sử dụng cùng một API và định dạng tập dữ liệu thống nhất.

Hiệu quả và kiến ​​trúc vượt trội

YOLO26 áp dụng thiết kế hoàn toàn không cần NMS từ đầu đến cuối , một bước đột phá lần đầu tiên được tiên phong trong YOLOv10 . Điều này loại bỏ quá trình xử lý hậu kỳ phức tạp cần thiết trước đây. YOLOv6 đồng thời tránh được lượng bộ nhớ khổng lồ tiêu tốn liên quan đến các cơ chế chú ý trong RTDETRv2.

  • Bộ tối ưu hóa MuSGD: Lấy cảm hứng từ những cải tiến trong huấn luyện LLM, bộ tối ưu hóa MuSGD mới đảm bảo quá trình huấn luyện ổn định và hội tụ nhanh hơn, mang lại sự ổn định quy mô lớn cho các tác vụ thị giác máy tính.
  • Suy luận CPU nhanh hơn 43%: Bằng cách loại bỏ hàm mất mát tiêu điểm phân phối (DFL) và tối ưu hóa kiến ​​trúc cho điện toán biên, YOLO26 nhanh hơn đáng kể trên CPU so với cả hai phương pháp kia. YOLOv6 và RTDETRv2, khiến nó trở thành lựa chọn lý tưởng cho các thiết bị di động và IoT.
  • ProgLoss + STAL: Các hàm mất mát nâng cao cải thiện khả năng phát hiện vật thể nhỏ , một lĩnh vực quan trọng mà các mô hình công nghiệp truyền thống thường gặp khó khăn.

Tính Đa Năng Vượt Trội

Không giống như YOLOv6 -3.0, chủ yếu là chuyên gia phát hiện, Ultralytics Các mô hình vốn dĩ mang tính đa phương thức. Một khung lý thuyết duy nhất hỗ trợ:

Dễ sử dụng và hệ sinh thái

Cái Ultralytics Nền tảng này tạo ra trải nghiệm "từ con số không đến chuyên gia". Các nhà phát triển có thể tận dụng Nền tảng Ultralytics để quản lý tập dữ liệu, đào tạo trên đám mây và triển khai ở nhiều định dạng khác nhau như ONNX , OpenVINO , v.v. CoreML .

Hệ sinh thái được duy trì liên tục, đảm bảo các dự án của bạn luôn tương thích với các phiên bản Python và trình điều khiển phần cứng mới nhất — một yếu tố quan trọng thường bị bỏ qua khi sử dụng các kho lưu trữ nghiên cứu tĩnh.

Ví dụ mã huấn luyện

Huấn luyện một mô hình tiên tiến với Ultralytics Rất đơn giản. Đoạn mã sau đây minh họa cách tải và huấn luyện mô hình YOLO26n hiệu quả:

from ultralytics import YOLO

# Load the YOLO26 Nano model (End-to-End, NMS-free)
model = YOLO("yolo26n.pt")

# Train on the COCO8 dataset for 100 epochs
# The system automatically handles data downloading and caching
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Validate the model performance
metrics = model.val()
print(f"mAP50-95: {metrics.box.map}")

Kết luận

Nếu ứng dụng của bạn yêu cầu các quy định nghiêm ngặt của ngành công nghiệp. GPU Với hiệu suất cao trên phần cứng cũ, YOLOv6 -3.0 vẫn là một đối thủ đáng gờm. Đối với các kịch bản nghiên cứu yêu cầu cơ chế chú ý dựa trên Transformer, RTDETRv2 mang lại sự linh hoạt. Tuy nhiên, đối với hầu hết các triển khai thực tế yêu cầu sự cân bằng giữa tốc độ, độ chính xác, mức sử dụng bộ nhớ thấp và khả năng bảo trì lâu dài, Ultralytics YOLO26 là lựa chọn tối ưu hơn. Thiết kế toàn diện và CPU Các tối ưu hóa mở ra những khả năng mới cho Trí tuệ nhân tạo biên (Edge AI) mà các thế hệ trước không thể sánh kịp.

Tìm hiểu thêm về YOLO26


Bình luận