So sánh YOLOv7 và RTDETRv2#

Lĩnh vực thị giác máy tính tiếp tục phát triển nhanh chóng, chịu ảnh hưởng mạnh mẽ từ sự cạnh tranh giữa Mạng nơ-ron tích chập (CNNs) và Transformer thị giác (ViTs). Bài so sánh kỹ thuật này đi sâu vào hai kiến trúc hàng đầu: YOLOv7, một model phát hiện đối tượng dựa trên CNN được tối ưu hóa cao, và RTDETRv2, một Transformer phát hiện theo thời gian thực tiên tiến.

Bằng cách phân tích sự khác biệt về kiến trúc, các chỉ số hiệu năng và những kịch bản triển khai phù hợp, developer có thể đưa ra quyết định sáng suốt khi tích hợp các model AI thị giác này vào pipeline production của mình.

YOLOv7: Kiến trúc CNN Bag-of-Freebies#

YOLOv7 đã giới thiệu một số cải tiến cấu trúc mang tính đột phá cho họ YOLO truyền thống, vượt qua các giới hạn của việc phát hiện đối tượng theo thời gian thực thông qua một loạt "bag-of-freebies có thể huấn luyện".

Đặc điểm chính:

• Tác giả: Chien-Yao Wang, Alexey Bochkovskiy, Hong-Yuan Mark Liao
• Tổ chức: Viện Khoa học Thông tin, Academia Sinica
• Ngày: 2022-07-06
• Arxiv: https://arxiv.org/abs/2207.02696
• GitHub: WongKinYiu/yolov7

Kiến trúc và ưu điểm#

YOLOv7 phát huy hiệu quả nhờ kiến trúc Extended Efficient Layer Aggregation Network (E-ELAN). Thiết kế cấu trúc này cho phép model học các đặc trưng đa dạng hơn mà không phá hủy gradient path ban đầu. Ngoài ra, model tích hợp các phép tích chập được tái tham số hóa theo kế hoạch, giúp tối ưu tốc độ inference mà không làm giảm độ chính xác. Cách tiếp cận bag-of-freebies có thể huấn luyện cho phép model đạt được sự cân bằng ấn tượng giữa tốc độ và độ chính xác, khiến model đặc biệt phù hợp với các tác vụ phát hiện đối tượng theo thời gian thực trên GPU cấp máy chủ.

YOLOv7 cũng rất linh hoạt. Ngoài tính năng phát hiện bounding box tiêu chuẩn, repository còn cung cấp các nhánh cho ước lượng tư thế và phân đoạn instance, cho thấy khả năng thích ứng của model.

Hạn chế#

Giống như nhiều model CNN thế hệ cũ, YOLOv7 dựa vào Triệt tiêu không cực đại (NMS) để hậu xử lý. NMS tạo ra độ trễ biến thiên, đặc biệt trong các cảnh đông đúc, điều này có thể gây khó khăn cho việc đảm bảo nghiêm ngặt khả năng xử lý theo thời gian thực trên các thiết bị edge.

Tìm hiểu thêm về YOLOv7

RTDETRv2: Nâng cao Transformer theo thời gian thực#

RTDETRv2 được xây dựng dựa trên framework RT-DETR ban đầu, tiếp tục chứng minh rằng Transformer có thể cạnh tranh với các kiến trúc YOLO về độ trễ theo thời gian thực trong khi vẫn duy trì độ chính xác không gian cao.

Đặc điểm chính:

• Tác giả: Wenyu Lv, Yian Zhao, Qinyao Chang, Kui Huang, Guanzhong Wang, Yi Liu
• Tổ chức: Baidu
• Ngày: 2024-07-24
• Arxiv: https://arxiv.org/abs/2407.17140
• GitHub: lyuwenyu/RT-DETR

Kiến trúc và ưu điểm#

RTDETRv2 là một bước tiến đáng kể đối với Transformer thị giác. Model tận dụng quy trình lựa chọn query linh hoạt và hybrid encoder hiệu quả để xử lý nhanh các đặc trưng đa tỷ lệ. Bằng cách giới thiệu một "bag-of-freebies" mới được thiết kế riêng cho Transformer phát hiện (DETRs), model đẩy khả năng suy luận không gian lên mức tối đa. Vì không cần NMS ngay từ đầu, model cung cấp thời gian inference xác định, một tính năng then chốt cho các ứng dụng thành phố thông minh nghiêm ngặt và hoạt động lái xe tự động.

Hạn chế#

Mặc dù có nhiều cải tiến, RTDETRv2 vẫn mang những hạn chế truyền thống của kiến trúc dựa trên Transformer. Model yêu cầu lượng bộ nhớ CUDA cao hơn đáng kể trong cả quá trình training và inference so với CNN. Ngoài ra, thời gian hội tụ khi training dài hơn rõ rệt, đòi hỏi lượng lớn dữ liệu được gán nhãn chất lượng cao (chẳng hạn dataset COCO) cùng tài nguyên tính toán mạnh.

Tìm hiểu thêm về RTDETRv2

So sánh hiệu năng#

Khi benchmark các model này, chúng ta cần xem xét một bức tranh toàn diện bao gồm độ chính xác, tốc độ inference thực tế và footprint tính toán. Bảng dưới đây cung cấp phép so sánh trực tiếp.

Lợi thế của Ultralytics: Hệ sinh thái và quá trình phát triển#

Mặc dù YOLOv7 và RTDETRv2 cung cấp các khả năng mạnh mẽ, việc triển khai chúng trong môi trường production thường làm lộ ra những trở ngại về vận hành. Đây là điểm hệ sinh thái Ultralytics phát huy ưu thế. Được thiết kế để tích hợp end-to-end liền mạch, framework Ultralytics cung cấp cho developer một API thống nhất, loại bỏ phần lớn sự phức tạp thường gặp của các pipeline thị giác máy tính.

Tính linh hoạt vượt trội và hiệu quả bộ nhớ#

Không giống các model Transformer cứng nhắc tiêu tốn lượng VRAM khổng lồ, các model Ultralytics YOLO duy trì hiệu quả bộ nhớ nghiêm ngặt. Điều này cho phép training model nhanh chóng trên phần cứng dễ tiếp cận. Hệ sinh thái này tích hợp sẵn khả năng hỗ trợ nhiều tác vụ thị giác máy tính từ một codebase duy nhất, bao gồm phân loại ảnh và phát hiện bounding box định hướng (OBB), mang lại mức độ linh hoạt mà RTDETRv2 hiện chưa có.

Triển khai liền mạch#

Chuyển từ nghiên cứu sang production đòi hỏi các tùy chọn triển khai mạnh mẽ. API Ultralytics hỗ trợ sẵn tính năng export model chỉ bằng một cú nhấp chuột sang các format tiêu chuẩn ngành. Dù bạn nhắm đến ONNX để đảm bảo khả năng tương thích đa nền tảng hay TensorRT để tăng tốc GPU tối đa, pipeline đều được tự động hóa hoàn toàn và đáng tin cậy.

Bản nâng cấp tối ưu: Ultralytics YOLO26#

Đối với các developer đang cân nhắc giữa YOLOv7 và RTDETRv2, hướng đi tối ưu thực sự là tiêu chuẩn mới trong AI thị giác: Ultralytics YOLO26. Được phát hành vào tháng 1 năm 2026, YOLO26 thu hẹp khoảng cách giữa tốc độ của CNN và khả năng suy luận tinh vi của Transformer, đồng thời loại bỏ hoàn toàn những điểm yếu tương ứng của chúng.

YOLO26 giới thiệu các cải tiến đột phá được thiết kế cho cả triển khai trên máy chủ và edge:

• Thiết kế end-to-end không cần NMS: Lần đầu được tiên phong trong YOLOv10, YOLO26 loại bỏ native bước hậu xử lý NMS. Điều này đảm bảo độ trễ xác định của RTDETRv2 mà không phải chịu overhead tính toán nặng nề của Transformer.
• Optimizer MuSGD: Lấy cảm hứng từ các kỹ thuật training large language model (chẳng hạn Kimi K2 của Moonshot AI), YOLO26 sử dụng một biến thể kết hợp giữa SGD và Muon. Điều này mang lại độ ổn định training chưa từng có và thời gian hội tụ nhanh hơn đáng kể so với các triển khai AdamW tiêu chuẩn được sử dụng bởi ViTs.
• ProgLoss + STAL: Các hàm loss tiên tiến này mang lại cải thiện đáng kể trong khả năng nhận diện vật thể nhỏ, cạnh tranh trực tiếp với lợi thế đặc trưng đa tỷ lệ của RTDETRv2, yếu tố đóng vai trò quan trọng đối với tự động hóa robot.
• Tối ưu edge và loại bỏ DFL: Bằng cách loại bỏ Distribution Focal Loss (DFL), YOLO26 tinh gọn output head, giúp inference trên CPU nhanh hơn tới 43%—khiến model dễ triển khai trên thiết bị edge hơn vô hạn so với các model Transformer nặng.

Ví dụ training với Ultralytics#

Sự đơn giản của Python API trong Ultralytics cho phép bạn training model YOLO26 tiên tiến chỉ với vài dòng code:

from ultralytics import YOLO

# Load the highly efficient YOLO26 small model
model = YOLO("yolo26s.pt")

# Train the model on the COCO8 dataset
# The framework automatically manages data augmentation and hyperparameter tuning
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device="0")

# Effortlessly export to TensorRT for deployment
model.export(format="engine", dynamic=True)

Các trường hợp sử dụng lý tưởng#

Việc lựa chọn kiến trúc phù hợp phụ thuộc nhiều vào các ràng buộc triển khai và mức độ sẵn có của phần cứng:

Khi nào nên cân nhắc YOLOv7:

• Các dự án nghiên cứu thế hệ cũ, trong đó YOLOv7 là baseline đã được thiết lập.
• Các môi trường có khả năng tăng tốc GPU dồi dào và chấp nhận được jitter độ trễ do NMS.

Khi nào nên cân nhắc RTDETRv2:

• Các triển khai máy chủ cao cấp yêu cầu mAP tuyệt đối cao nhất.
• Các kịch bản bắt buộc phải có độ trễ inference xác định (không cần NMS), với điều kiện bạn có đủ VRAM để hỗ trợ backbone Transformer.

Khi nào nên chọn Ultralytics YOLO26:

• Gần như luôn luôn. Model cung cấp tính xác định không cần NMS của RTDETRv2, vượt qua YOLOv7 về tốc độ và độ chính xác, sử dụng ít VRAM hơn đáng kể và được tích hợp hoàn toàn vào Ultralytics Platform để quản lý dataset, training và triển khai dễ dàng.