YOLOv7 so với RTDETRv2
Thị giác máy tính tiếp tục phát triển nhanh chóng, được định hình bởi sự cạnh tranh giữa Mạng nơ-ron tích chập (CNNs) và Vision Transformer (ViTs). Bài so sánh kỹ thuật này xem xét hai kiến trúc nổi bật: YOLOv7, model phát hiện đối tượng dựa trên CNN được tối ưu hóa cao, và RTDETRv2, Transformer phát hiện thời gian thực tiên tiến nhất.
Bằng cách phân tích khác biệt về kiến trúc, các chỉ số hiệu năng và kịch bản triển khai lý tưởng, developer có thể đưa ra quyết định sáng suốt khi tích hợp các model AI thị giác này vào pipeline production.
YOLOv7: Kiến trúc CNN với Bag-of-Freebies#
YOLOv7 giới thiệu một số tối ưu hóa cấu trúc cho dòng YOLO truyền thống, đẩy giới hạn của phát hiện đối tượng thời gian thực thông qua một loạt “trainable bag-of-freebies”.
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 được xây dựng trên 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 vỡ đường truyền gradient ban đầu. Ngoài ra, model tích hợp các phép tích chập tái tham số hóa được hoạch định trước, giúp tối ưu tốc độ suy luận mà không làm giảm độ chính xác. Phương pháp trainable bag-of-freebies giúp model đạt được sự cân bằng hiệu quả giữa tốc độ và độ chính xác, nhờ đó rất phù hợp cho các tác vụ phát hiện đối tượng thời gian thực trên GPU cấp máy chủ.
YOLOv7 cũng rất linh hoạt. Ngoài phát hiện hộp giới hạn tiêu chuẩn, repository còn cung cấp các nhánh cho phân đoạn đối tượng và ước lượng tư thế, thể hiện khả năng thích ứng của model.
Hạn chế#
Giống nhiều model CNN đời trước, YOLOv7 dựa vào Ức chế phi cực đại (NMS) để hậu xử lý. NMS tạo ra độ trễ biến thiên, đặc biệt trong các cảnh đông đúc, có thể khiến việc đảm bảo thời gian thực nghiêm ngặt trên thiết bị biên trở nên phức tạp.
RTDETRv2: Thúc đẩy Transformer thời gian thực#
RTDETRv2 được phát triển dựa trên framework RT-DETR ban đầu, qua đó tiếp tục chứng minh Transformer có thể cạnh tranh với kiến trúc YOLO về độ trễ thời gian thực mà 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 đánh dấu một bước tiến đáng kể của Vision Transformer. Model tận dụng quy trình chọn query linh hoạt và encoder lai hiệu quả để xử lý nhanh các đặc trưng đa tỷ lệ. Bằng cách giới thiệu “bag-of-freebies” mới được thiết kế riêng cho Transformer phát hiện (DETRs), model cải thiện độ chính xác mà không làm tăng chi phí suy luận. Do không cần NMS, model cung cấp thời gian suy luận dễ dự đoán hơn, hữu ích cho ứng dụng thành phố thông minh và xe tự hành.
Hạn chế#
Dù có những cải tiến, RTDETRv2 vẫn mang theo các hạn chế truyền thống của kiến trúc dựa trên Transformer. So với CNN, model đòi hỏi nhiều bộ nhớ CUDA hơn đáng kể trong cả quá trình huấn luyện lẫn suy luận. Ngoài ra, thời gian hội tụ khi huấn luyện dài hơn rõ rệt, đòi hỏi lượng lớn dữ liệu gán nhãn chất lượng cao (như tập dữ liệu COCO) và tài nguyên tính toán mạnh.
So sánh hiệu năng#
Khi benchmark các model này, nên xem xét đồng thời độ chính xác, tốc độ suy luận thực tế và mức tiêu thụ tài nguyên tính toán. Bảng dưới đây so sánh trực tiếp các model.
| Model | kích thước (pixel) | mAPval50-95 | Tốc độ CPU ONNX (ms) | Tốc độ T4 TensorRT10 (ms) | params (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv7l | 640 | 51.4 | - | 6.84 | 36.9 | 104.7 |
| YOLOv7x | 640 | 53.1 | - | 11.57 | 71.3 | 189.9 |
| 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 |
RTDETRv2-x đạt mAPval50-95 cao nhất ở mức 54,3%, nhưng cần 259 tỷ FLOPs. Ngược lại, các kiến trúc YOLOv7 cung cấp một baseline tốt, nhưng phát sinh overhead NMS không được tính đến trong các chỉ số độ trễ thuần của mạng.
Lợi thế Ultralytics: Hệ sinh thái và sự phát triển#
Dù YOLOv7 và RTDETRv2 có năng lực mạnh mẽ, việc triển khai chúng trong môi trường production thường bộc lộ những trở ngại về vận hành. Hệ sinh thái Ultralytics được thiết kế để giảm các trở ngại đó, cung cấp cho developer một API thống nhất, loại bỏ những phức tạp thường gặp trong pipeline thị giác máy tính.
Tính linh hoạt và hiệu quả bộ nhớ#
Khác với các model Transformer cần nhiều VRAM, model Ultralytics YOLO tiết kiệm bộ nhớ. Điều này cho phép huấn luyện model nhanh chóng trên phần cứng phổ biến. Hệ sinh thái hỗ trợ sẵn nhiều tác vụ thị giác máy tính từ một codebase duy nhất, bao gồm phân loại ảnh và phát hiện hộp giới hạn định hướng (OBB), mang lại tính linh hoạt mà RTDETRv2 hiện chưa có.
Triển khai#
Chuyển từ nghiên cứu sang production đòi hỏi các tùy chọn triển khai mạnh mẽ. API Ultralytics xử lý export model sang các định dạng tiêu chuẩn ngành chỉ bằng một lệnh gọi. Dù bạn nhắm đến ONNX để tương thích đa nền tảng hay TensorRT để tăng tốc GPU tối đa, quá trình chuyển đổi đều được tự động hóa.
Nâng cấp lên Ultralytics YOLO26#
Với developer đang cân nhắc giữa YOLOv7 và RTDETRv2, lựa chọn được đề xuất là Ultralytics YOLO26. Ra mắt vào tháng 1 năm 2026, YOLO26 kết hợp tốc độ của CNN với khả năng suy luận end-to-end của Transformer, đồng thời khắc phục nhiều điểm yếu tương ứng.
YOLO26 giới thiệu một số cải tiến cho cả triển khai trên máy chủ và thiết bị biên:
- 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 không cần NMS tùy chọn (
nms=False), bỏ qua bước hậu xử lý NMS. Nhờ đó, độ trễ có thể dự đoán được như RTDETRv2 mà không phát sinh chi phí tính toán của Transformer. - Optimizer MuSGD: Lấy cảm hứng từ các kỹ thuật huấn luyện mô hình ngôn ngữ lớn (chẳng hạn Kimi K2 của Moonshot AI), YOLO26 sử dụng phương pháp lai giữa SGD và Muon. Cách này cải thiện độ ổn định và tốc độ hội tụ khi huấn luyện so với cấu hình AdamW tiêu chuẩn được nhiều ViT sử dụng.
- ProgLoss + STAL: Progressive Loss và phương pháp gán nhãn nhận biết đối tượng nhỏ cải thiện khả năng nhận diện vật thể nhỏ, trực tiếp cạnh tranh với ưu thế đặc trưng đa tỷ lệ của RTDETRv2; điều này rất quan trọng trong tự động hóa robot.
- Tối ưu cho thiết bị biên và loại bỏ DFL: Bằng cách loại bỏ Distribution Focal Loss (DFL), YOLO26 tinh giản head đầu ra; YOLO26n chạy trên CPU nhanh hơn tới 43% so với YOLO11n, giúp triển khai YOLO26 trên thiết bị biên dễ dàng hơn nhiều so với các model Transformer nặng.
Ví dụ huấn luyện với Ultralytics#
API Python đơn giản của Ultralytics cho phép bạn huấn luyện model YOLO26s chỉ với vài dòng code:
from ultralytics import YOLO
# Tải model YOLO26 cỡ nhỏ
model = YOLO("yolo26s.pt")
# Huấn luyện model trên bộ dữ liệu COCO8
# Framework tự động quản lý tăng cường dữ liệu và lựa chọn optimizer
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device="0")
# Export sang TensorRT để triển khai
model.export(format="engine", dynamic=True)Các trường hợp sử dụng phù hợp nhất#
Việc chọn kiến trúc phù hợp phụ thuộc nhiều vào các ràng buộc triển khai và khả năng tiếp cận phần cứng:
Khi nào nên cân nhắc YOLOv7:
- Các dự án nghiên cứu cũ sử dụng YOLOv7 làm baseline đã được xác lập.
- Môi trường có sẵn khả năng tăng tốc GPU mạnh và chấp nhận được độ dao động độ trễ NMS.
Khi nào nên cân nhắc RTDETRv2:
- Các triển khai trên máy chủ cao cấp cần mAP cao nhất.
- Các tình huống đòi hỏi nghiêm ngặt độ trễ suy luận dễ dự đoán và không cần NMS, với điều kiện bạn có đủ VRAM để hỗ trợ backbone Transformer.
Khi nào nên chọn Ultralytics YOLO26:
- Phần lớn dự án mới. Model cung cấp suy luận không cần NMS tùy chọn như RTDETRv2, vượt YOLOv7 về tốc độ và độ chính xác, sử dụng ít VRAM hơn và được tích hợp đầy đủ vào Ultralytics Platform để quản lý dataset, huấn luyện và triển khai.
Bình luận
Đặt câu hỏi, chia sẻ kết quả hoặc giúp đỡ người khác.