YOLOv7 so với RTDETRv2#

Bối cảnh thị giác máy tính (computer vision) tiếp tục phát triển nhanh chóng, chịu ảnh hưởng mạnh mẽ từ sự cạnh tranh giữa Mạng nơ-ron tích chập (CNN) và Vision Transformers (ViT). So sánh kỹ thuật này đi sâu vào hai kiến trúc nặng ký: YOLOv7, một bộ phát hiện đối tượng dựa trên CNN được tối ưu hóa cao, và RTDETRv2, một Transformer phát hiện thời gian thực hiện đại.

Bằng cách phân tích những khác biệt về kiến trúc, các chỉ số hiệu suất và các kịch bản triển khai lý tưởng, các lập trình viên có thể đưa ra quyết định sáng suốt khi tích hợp các mô hình AI thị giác này vào pipeline sản xuất của mình.

YOLOv7: Kiến trúc CNN "Bag-of-Freebies"#

YOLOv7 đã giới thiệu một số tối ưu hóa cấu trúc thay đổi mô hình cho dòng họ YOLO truyền thống, đẩy giới hạn của phát hiện đối tượng thời gian thực thông qua một loạt các "bag-of-freebies có thể huấn luyện".

Đặc điểm chính: Tác giả: Chien-Yao Wang, Alexey Bochkovskiy, Hong-Yuan Mark Liao
Tổ chức: Institute of Information Science, Academia Sinica
Ngày: 2022-07-06
Arxiv: https://arxiv.org/abs/2207.02696
GitHub: WongKinYiu/yolov7

Kiến trúc và thế mạnh#

YOLOv7 phát triển mạnh nhờ kiến trúc Mạng Tổng hợp Lớp Hiệu quả Mở rộng (E-ELAN). Thiết kế cấu trúc này cho phép model học các đặc trưng đa dạng hơn mà không làm phá hủy đường dẫn gradient ban đầu. Hơn nữa, nó tích hợp các phép tích chập tham số hóa lại theo kế hoạch, giúp tối ưu hóa tốc độ suy luận mà không làm giảm độ chính xác. Cách tiếp cận tập hợp các thủ thuật miễn phí (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 nó rất phù hợp cho các tác vụ phát hiện đối tượng thời gian thực trên GPU cấp độ máy chủ.

YOLOv7 cũng có tính linh hoạt rất cao. Ngoài việc phát hiện bounding box tiêu chuẩn, kho lưu trữ này còn cung cấp các nhánh cho ước lượng tư thế và phân đoạn cá thể, thể hiện khả năng thích ứng của nó.

Hạn chế#

Giống như nhiều mô hình CNN cũ, YOLOv7 dựa vào Non-Maximum Suppression (NMS) để xử lý hậu kỳ. NMS gây ra độ trễ thay đổi, đặc biệt là trong các khung cảnh đông đúc, điều này có thể gây khó khăn cho việc đảm bảo thời gian thực nghiêm ngặt trên các thiết bị biên (edge devices).

Tìm hiểu thêm về YOLOv7

RTDETRv2: Thúc đẩy Transformers thời gian thực#

RTDETRv2 được xây dựng dựa trên framework RT-DETR gốc, khẳng định thêm rằng các transformers có thể cạnh tranh với kiến trúc YOLO về độ trễ 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 thế mạnh#

RTDETRv2 đại diện cho một bước tiến đáng kể đối với Vision Transformers. Nó tận dụng quá trình lựa chọn truy vấn linh hoạt và bộ mã hóa lai hiệu quả để xử lý các đặc trưng đa tỷ lệ một cách nhanh chóng. Bằng cách giới thiệu một "tập hợp các thủ thuật miễn phí" mới được thiết kế riêng cho Detection Transformers (DETRs), nó đẩy khả năng suy luận không gian lên mức giới hạn. Vì vốn dĩ không có NMS, nó cung cấp thời gian suy luận tất định, một tính năng quan trọng cho các ứng dụng đô thị thông minh khắt khe và xe tự lái.

Hạn chế#

Bất chấp những tiến bộ của mình, RTDETRv2 vẫn mang những gánh nặng truyền thống của các kiến trúc dựa trên transformer. Nó đòi hỏi bộ nhớ CUDA cao hơn đáng kể trong cả quá trình huấn luyện và suy luận so với CNN. Ngoài ra, thời gian hội tụ huấn luyện của nó dài hơn đáng kể, đòi hỏi lượng lớn dữ liệu được gán nhãn chất lượng cao (như COCO dataset) và tài nguyên tính toán lớn.

Tìm hiểu thêm về RTDETRv2

So sánh hiệu năng#

Khi benchmark các mô hình này, chúng ta phải nhìn vào bức tranh toàn diện bao gồm độ chính xác, tốc độ suy luận thô và dấu chân tính toán. Dưới đây là bảng so sánh trực tiếp.

Lợi thế Ultralytics: Hệ sinh thái và sự tiến hóa#

Trong khi YOLOv7 và RTDETRv2 cung cấp các khả năng mạnh mẽ, việc triển khai chúng trong môi trường sản xuất thường bộc lộ những khó khăn về hậu cần. Đây là nơi Ultralytics ecosystem vượt trội. Được thiết kế để tích hợp đầu-cuối liền mạch, framework Ultralytics cung cấp cho các lập trình viên một API thống nhất giúp trừu tượng hóa những phức tạp điển hình của các pipeline thị giác máy tính.

Tính linh hoạt và hiệu quả bộ nhớ vô song#

Không giống như các transformer model cứng nhắc tiêu tốn lượng lớn VRAM, các Ultralytics YOLO model vẫn duy trì hiệu quả bộ nhớ nghiêm ngặt. Điều này cho phép huấn luyện model nhanh chóng trên phần cứng dễ tiếp cận. Hệ sinh thái này hỗ trợ tự nhiên nhiều tác vụ computer vision từ một codebase duy nhất, bao gồm phân loại hình ảnh và phát hiện bounding box định hướng (OBB), mang lại tính linh hoạt mà RTDETRv2 hiện chưa có.

Triển khai liền mạch#

Chuyển từ nghiên cứu sang môi trường sản xuất đòi hỏi các tùy chọn triển khai mạnh mẽ. Ultralytics API xử lý tự nhiên việc xuất model bằng một cú nhấp chuột sang các định dạng chuẩn công nghiệp. Cho dù bạn đang hướng tới ONNX để tương thích đa nền tảng hay TensorRT để tăng tốc GPU tối đa, pipeline đều hoàn toàn tự động và đáng tin cậy.

Nâng cấp tối thượng: Ultralytics YOLO26#

Đối với các lập trình viên đang cân nhắc giữa YOLOv7 và RTDETRv2, con đường tối ưu thực sự là tiêu chuẩn mới trong AI thị giác: Ultralytics YOLO26. Ra mắt vào tháng 1 năm 2026, YOLO26 thu hẹp khoảng cách giữa tốc độ của CNN và khả năng tư duy tinh vi của transformers, đồng thời loại bỏ hoàn toàn các điểm yếu tương ứng của chúng.

Tìm hiểu thêm về YOLO26

YOLO26 giới thiệu những đổi mới mang tính đột phá được thiết kế riêng cho cả triển khai tại máy chủ và tại biên:

• Thiết kế không có NMS đầu cuối (End-to-End NMS-Free Design): Được tiên phong lần đầu trong YOLOv10, YOLO26 loại bỏ hoàn toàn quá trình hậu xử lý NMS. Điều này đảm bảo độ trễ tất định của RTDETRv2 mà không gặp phải chi phí tính toán nặng nề của một transformer.
• Bộ tối ưu hóa MuSGD: Lấy cảm hứng từ các kỹ thuật huấn luyện mô hình ngôn ngữ lớn (như Kimi K2 của Moonshot AI), YOLO26 sử dụng sự kết hợp giữa SGD và Muon. Điều này mang lại sự ổn định khi huấn luyện chưa từng có và thời gian hội tụ nhanh hơn đáng kể so với các triển khai AdamW tiêu chuẩn được ViTs sử dụng.
• ProgLoss + STAL: Các hàm mất mát nâng cao này mang lại những cải tiến đáng kể trong việc nhận diện đối tượng nhỏ, cạnh tranh trực tiếp với các lợi thế về đặc trưng đa tỷ lệ của RTDETRv2, điều này rất quan trọng đối với tự động hóa bằng robot.
• Tối ưu hóa biên & Loại bỏ DFL: Bằng cách loại bỏ Distribution Focal Loss (DFL), YOLO26 hợp lý hóa phần đầu ra (head), dẫn đến tốc độ suy luận CPU nhanh hơn tới 43%—giúp nó có khả năng triển khai trên các thiết bị biên tốt hơn nhiều so với các mô hình transformer nặng nề.

Ví dụ huấn luyện với Ultralytics#

Sự đơn giản của Ultralytics Python API cho phép bạn huấn luyện mô hình YOLO26 hiện đại chỉ với vài dòng mã:

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 rất lớn vào các hạn chế triển khai và tính sẵn có của phần cứng:

Khi nào cân nhắc YOLOv7:

• Các dự án nghiên cứu cũ, nơi YOLOv7 là một tiêu chuẩn đã được xác lập.
• Các môi trường có tài nguyên tăng tốc GPU dồi dào và độ trễ NMS chấp nhận được.

Khi nào cân nhắc RTDETRv2:

• Các triển khai trên máy chủ cao cấp yêu cầu mAP tối đa tuyệt đối.
• Các kịch bản yêu cầu nghiêm ngặt về độ trễ suy luận xác định (không NMS), với điều kiện bạn có đủ VRAM để hỗ trợ cấu trúc transformer của nó.

Khi nào chọn Ultralytics YOLO26:

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