Bắt đầu

YOLOv6-3.0 và RTDETRv2

Việc chọn kiến trúc tối ưu cho các ứng dụng thị giác máy tính đòi hỏi cân bằng giữa tốc độ, độ chính xác và các ràng buộc triển khai. Bài so sánh kỹ thuật này phân tích YOLOv6-3.0, Mạng nơ-ron tích chập (CNN) cấp công nghiệp được thiết kế cho môi trường GPU thông lượng cao, với RTDETRv2, một model dựa trên Transformer đưa cơ chế attention vào bài toán phát hiện đối tượng thời gian thực.

Dù cả hai model đều là những cột mốc quan trọng trong nghiên cứu trí tuệ nhân tạo, developer cần pipeline linh hoạt và hiệu quả nhất thường lựa chọn Ultralytics Platform.

YOLOv6-3.0: Thông lượng công nghiệp#

Được phát triển bởi Bộ phận AI Thị giác của Meituan, YOLOv6-3.0 tập trung mạnh vào việc tối đa hóa tốc độ xử lý thuần túy trên các accelerator phần cứng như GPU NVIDIA, nhờ đó model trở nên phổ biến trong các ứng dụng công nghiệp.

Điểm nổi bật về kiến trúc#

YOLOv6-3.0 sử dụng backbone EfficientRep thân thiện với phần cứng, được thiết kế riêng cho suy luận GPU tốc độ cao. Kiến trúc tích hợp module Phép nối hai chiều (BiC) trong neck để tăng cường hợp nhất đặc trưng ở các độ phân giải không gian khác nhau. Trong quá trình huấn luyện, model tận dụng chiến lược Huấn luyện có hỗ trợ anchor (AAT) nhằm khai thác ưu điểm của huấn luyện dựa trên anchor trong khi vẫn duy trì pipeline suy luận không anchor.

Ưu điểm và nhược điểm#

Ưu điểm:

  • Thông lượng cao trên phần cứng cấp máy chủ như GPU T4 và A100.
  • Cung cấp hướng dẫn lượng tử hóa chuyên biệt cho triển khai INT8 bằng RepOpt.
  • Tỷ lệ tham số trên tốc độ thuận lợi cho phân tích video quy mô lớn.

Nhược điểm:

  • Chủ yếu là detector bounding box; không có tính linh hoạt đa tác vụ sẵn dùng (ví dụ: Pose, OBB) như các model Ultralytics YOLO11.
  • Phụ thuộc vào bước hậu xử lý Non-Maximum Suppression (NMS), làm tăng biến thiên độ trễ.
  • Hệ sinh thái kém sôi động hơn so với các framework phổ biến, khiến việc cập nhật và hỗ trợ cộng đồng khó dự đoán hơn.

Tìm hiểu thêm về YOLOv6

RTDETRv2: Transformer thời gian thực#

Được các nhà nghiên cứu tại Baidu khởi xướng, RTDETRv2 phát triển dựa trên RT-DETR ban đầu bằng cách cải tiến framework Transformer phát hiện với phương pháp "bag-of-freebies", giúp tăng độ chính xác mà vẫn duy trì tốc độ thời gian thực.

  • Tác giả: Wenyu Lv, Yian Zhao, Qinyao Chang, Kui Huang, Guanzhong Wang và Yi Liu
  • Tổ chức: Baidu
  • Ngày: 2024-07-24
  • arXiv: 2407.17140
  • GitHub: lyuwenyu/RT-DETR

Điểm nổi bật về kiến trúc#

Không giống CNN truyền thống, RTDETRv2 vốn được thiết kế end-to-end. Bằng cách tận dụng các lớp attention của Transformer với ghép cặp one-to-one, kiến trúc loại bỏ nhu cầu hậu xử lý NMS. Điều này giúp tinh gọn pipeline suy luận. RTDETRv2 sử dụng phương pháp hợp nhất đặc trưng đa scale được tối ưu và encoder lai hiệu quả, đạt độ chính xác cao trên bộ dữ liệu COCO.

Ưu điểm và nhược điểm#

Ưu điểm:

  • Các cơ chế attention dựa trên Transformer mang lại độ chính xác trung bình (mAP) cao, đặc biệt trong các cảnh phức tạp hoặc dày đặc.
  • Thiết kế không NMS giúp chuẩn hóa độ trễ suy luận và đơn giản hóa việc tích hợp vào môi trường production.
  • Phù hợp với các tình huống cần độ chính xác tối đa và ít bị giới hạn về phần cứng.

Nhược điểm:

  • Các lớp Transformer cần lượng lớn bộ nhớ CUDA trong quá trình huấn luyện, gây trở ngại cho những nhóm không có GPU cao cấp.
  • Tốc độ suy luận trên CPU chậm hơn đáng kể so với các CNN edge chuyên dụng, hạn chế khả năng sử dụng trên thiết bị di động hoặc IoT.
  • Việc thiết lập và tinh chỉnh có thể phức tạp với các nhóm đã quen với vận hành machine learning (MLOps) truyền thống.

Tìm hiểu thêm về RTDETRv2

So sánh hiệu năng chi tiết#

Bảng sau đây đánh giá YOLOv6-3.0 và RTDETRv2 theo các chỉ số hiệu năng chính. Hãy lưu ý sự khác biệt giữa hiệu quả tham số của YOLOv6 và độ chính xác thuần túy của RTDETRv2.

Modelkích thước
(pixel)
mAPval50-95Tốc độ
CPU ONNX
(ms)
Tốc độ
T4 TensorRT10
(ms)
params
(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
Mẹo triển khai

Nếu triển khai trên phần cứng chỉ có CPU như Raspberry Pi, các model dựa trên CNN thường vượt trội hơn kiến trúc Transformer về số khung hình mỗi giây (FPS). Để đạt hiệu năng biên tối ưu, hãy cân nhắc sử dụng OpenVINO để tăng tốc suy luận.

Trường hợp sử dụng và khuyến nghị#

Việc chọn YOLOv6 hay RT-DETR phụ thuộc vào yêu cầu cụ thể của dự án, ràng buộc triển khai và lựa chọn hệ sinh thái của bạn.

Khi nào nên chọn YOLOv6#

YOLOv6 là lựa chọn phù hợp cho:

  • Triển khai tương thích với phần cứng công nghiệp: Các tình huống mà thiết kế nhận biết phần cứng và tái tham số hóa hiệu quả của model mang lại hiệu năng tối ưu trên phần cứng mục tiêu cụ thể.
  • Detection một giai đoạn tốc độ cao: Các ứng dụng ưu tiên tốc độ suy luận GPU thô để xử lý video thời gian thực trong môi trường được kiểm soát.
  • Tích hợp hệ sinh thái Meituan: Các nhóm đang làm việc trong ngăn xếp công nghệ và hạ tầng triển khai của Meituan.

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.

Lợi thế Ultralytics: Giới thiệu YOLO26#

Dù YOLOv6-3.0 và RTDETRv2 vượt trội trong các lĩnh vực riêng, bối cảnh machine learning hiện đại đòi hỏi các model kết hợp tốc độ, độ chính xác và trải nghiệm developer. Hệ sinh thái Ultralytics đáp ứng những nhu cầu này, đặc biệt với sự ra mắt của YOLO26.

Được phát hành vào tháng 1 năm 2026, Ultralytics YOLO26 là model Ultralytics được khuyến nghị, cải thiện độ chính xác và tốc độ CPU so với các model trước đó như YOLOv8 và YOLO12.

Vì sao YOLO26 vượt trội hơn các đối thủ#

  1. Thiết kế đầu-cuối không cần NMS: Dựa trên phương pháp huấn luyện không cần NMS mà YOLOv10 đã giới thiệu cho các model YOLO, YOLO26 cung cấp head một-một không cần NMS tùy chọn (nms=False), bỏ qua bước hậu xử lý NMS. Cách này mang lại sự đơn giản trong triển khai như RTDETRv2, đồng thời duy trì tốc độ của CNN được tối ưu hóa.
  2. Optimizer MuSGD: Lấy cảm hứng từ quá trình huấn luyện mô hình ngôn ngữ lớn (LLM) như Kimi K2 của Moonshot AI, YOLO26 sử dụng phương pháp kết hợp SGD và Muon. Phương pháp này giúp quá trình huấn luyện ổn định và hội tụ nhanh hơn, giảm thời gian cũng như tài nguyên tính toán cần thiết cho các dataset tùy chỉnh.
  3. Hiệu năng biên: Loại bỏ Distribution Focal Loss (DFL) giúp đơn giản hóa quá trình export. Kết hợp với head gọn nhẹ hơn, điều này giúp YOLO26n suy luận trên CPU nhanh hơn tới 43% so với YOLO11n, khiến YOLO26 phù hợp với AI biên và thiết bị IoT.
  4. Cải thiện phát hiện vật thể nhỏ: Mục tiêu ProgLoss và chiến lược gán nhãn STAL cải thiện khả năng phát hiện vật thể nhỏ, một yêu cầu thiết yếu đối với phân tích drone và ảnh chụp từ trên không.
  5. Tính linh hoạt đa nhiệm: Khác với YOLOv6 vốn chỉ tập trung vào phát hiện, YOLO26 hỗ trợ workflow đa nhiệm, bao gồm phân đoạn instance, phân đoạn ngữ nghĩa, ước lượng độ sâu, phân loại ảnh, ước lượng tư thế và bounding box định hướng (OBB), tất cả thông qua một API thống nhất.

Hiệu quả huấn luyện và tính dễ sử dụng#

API Python của Ultralytics được thiết kế nhằm tối đa hóa năng suất developer. Bạn có thể chuyển từ huấn luyện sang triển khai chỉ với vài dòng code, không cần thiết lập môi trường phức tạp như trong các repository nghiên cứu độc lập.

Dưới đây là ví dụ hoàn chỉnh, có thể chạy được, về cách huấn luyện và validation model YOLO26 bằng package Ultralytics:

from ultralytics import YOLO

# Load the YOLO26 Nano model
model = YOLO("yolo26n.pt")

# Train the model on a custom dataset (e.g., COCO8) for 50 epochs
# The API automatically handles dataset download and environment config
train_results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

# Validate the model's accuracy on the validation split
val_metrics = model.val()
print(f"Validation mAP50-95: {val_metrics.box.map:.4f}")

# Export the trained model to ONNX for production deployment
model.export(format="onnx")

Kết luận#

YOLOv6-3.0 và RTDETRv2 đều là những đóng góp ấn tượng cho cộng đồng AI. YOLOv6-3.0 vẫn là công cụ mạnh mẽ cho tự động hóa công nghiệp cần hiệu năng GPU thuần, còn RTDETRv2 chứng minh kiến trúc Transformer có thể đạt độ trễ thời gian thực đồng thời tối đa hóa độ chính xác.

Tuy nhiên, đối với các nhóm cần một framework đáng tin cậy, sẵn sàng cho production và có cộng đồng hỗ trợ tích cực, các model Ultralytics YOLO là lựa chọn phù hợp. Khả năng tích hợp với các công cụ như Hugging Face và TensorRT, kết hợp với mức sử dụng bộ nhớ thấp trong quá trình huấn luyện, giúp các model hiệu năng cao hoạt động hiệu quả trên phần cứng vừa phải. Bằng cách nâng cấp lên YOLO26, developer có thể sử dụng optimizer MuSGD và head không cần NMS tùy chọn để xây dựng pipeline thị giác máy tính nhanh hơn, thông minh hơn và có khả năng mở rộng tốt hơn.

Người đóng góp

Bình luận

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