YOLOv9 và RTDETRv2
Thị trường phát hiện vật thể thời gian thực đã thay đổi đáng kể trong những năm gần đây. Hai phương pháp kiến trúc khác biệt hiện dẫn đầu lĩnh vực: Mạng neural tích chập (CNN) hiệu quả và Transformer phát hiện thời gian thực (DETR). YOLOv9 và RTDETRv2 là những đại diện hàng đầu cho hai phương pháp này.
Hướng dẫn này so sánh hai model, phân tích các đổi mới về kiến trúc, chỉ số hiệu năng và kịch bản triển khai phù hợp, giúp bạn chọn model phù hợp cho pipeline thị giác máy tính của mình.
Tóm tắt điều hành#
Cả hai model đều đạt kết quả tốt, nhưng phù hợp với các ràng buộc triển khai và hệ sinh thái phát triển khác nhau.
- Chọn YOLOv9 nếu: Bạn cần sử dụng tham số hiệu quả và suy luận nhanh trên thiết bị biên. YOLOv9 tập trung vào hiệu quả tham số của CNN, khiến model phù hợp với môi trường có tài nguyên tính toán hạn chế nghiêm ngặt.
- Chọn RTDETRv2 nếu: Bạn cần khả năng mô hình hóa ngữ cảnh toàn cục mà Transformer cung cấp, đặc biệt trong cảnh bị che khuất nghiêm trọng hoặc có mối quan hệ phức tạp giữa các vật thể, đồng thời có phần cứng đủ khả năng hỗ trợ kiến trúc nặng hơn đôi chút.
- Chọn YOLO26 (được khuyến nghị) nếu: Bạn muốn suy luận không cần NMS với hiệu quả của CNN. Là thế hệ mới nhất hiện có trên Ultralytics Platform, YOLO26 có Thiết kế đầu-cuối không cần NMS tùy chọn (
nms=False, tương tự model DETR), loại bỏ các nút thắt hậu xử lý; YOLO26n cũng cho tốc độ suy luận CPU nhanh hơn YOLO11n tới 43%.
Thông số kỹ thuật và nhóm tác giả#
Hiểu rõ nguồn gốc và mục đích thiết kế của các model này sẽ giúp làm rõ hơn những lựa chọn kiến trúc của chúng.
YOLOv9#
- Tác giả: Chien-Yao Wang và Hong-Yuan Mark Liao
- Tổ chức: Viện Khoa học Thông tin, Academia Sinica
- Ngày: 2024-02-21
- arXiv: https://arxiv.org/abs/2402.13616
- GitHub: WongKinYiu/yolov9
RTDETRv2#
- Tác giả: Wenyu Lv, Yian Zhao, Qinyao Chang, Kui Huang, Guanzhong Wang và Yi Liu
- Tổ chức: Baidu
- Ngày: 2024-07-24
- arXiv: https://arxiv.org/abs/2407.17140
- GitHub: lyuwenyu/RT-DETR
Các cải tiến kiến trúc#
YOLOv9: Giải quyết nút thắt thông tin#
YOLOv9 giới thiệu hai đổi mới lớn nhằm giải quyết tình trạng mất thông tin khi dữ liệu đi qua mạng neural sâu:
- Thông tin Gradient có thể lập trình (PGI): Framework giám sát phụ trợ này giúp tạo gradient đáng tin cậy để cập nhật trọng số mạng, đồng thời bảo toàn thông tin đặc trưng quan trọng ngay cả trong các lớp mạng rất sâu.
- Mạng tổng hợp lớp hiệu quả tổng quát (GELAN): Kiến trúc kết hợp các ưu điểm của CSPNet và ELAN. GELAN tối ưu hiệu quả tham số, cho phép YOLOv9 đạt độ chính xác cao hơn với ít FLOPs hơn so với các CNN truyền thống.
RTDETRv2: Nâng cao hiệu năng của Transformer thời gian thực#
Phát triển từ RT-DETR ban đầu, RTDETRv2 sử dụng kiến trúc dựa trên Transformer vốn không cần đến Non-Maximum Suppression (NMS). Những cải tiến của mô hình bao gồm:
- Chiến lược Bag-of-Freebies: Phiên bản v2 bổ sung các kỹ thuật huấn luyện và phương pháp tăng cường dữ liệu giúp cải thiện độ chính xác mà không làm tăng độ trễ suy luận.
- Bộ mã hóa lai hiệu quả: Bằng cách xử lý các đặc trưng đa tỉ lệ thông qua cơ chế attention nội tỉ lệ và liên tỉ lệ được tách rời, RTDETRv2 kiểm soát chi phí tính toán vốn cao của Vision Transformer.
Trong khi RTDETRv2 dùng Transformer để phát hiện không cần NMS, kiến trúc YOLO26 mới hơn đạt được điều này bằng head one-to-one tùy chọn (nms=False) trong cấu trúc CNN hiệu quả, mang lại khả năng triển khai tinh gọn tương tự cùng tốc độ suy luận biên nhanh hơn.
So sánh hiệu năng#
Khi đánh giá model cho môi trường production, sự đánh đổi giữa độ chính xác và yêu cầu tính toán là yếu tố then chốt. Bảng dưới đây trình bày hiệu năng của các kích thước model khác nhau trên những benchmark tiêu chuẩn.
| Model | kích thước (pixel) | mAPval50-95 | Tốc độ CPU ONNX (ms) | Tốc độ T4 TensorRT10 (ms) | params (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv9t | 640 | 38.3 | - | 2.3 | 2.0 | 7.7 |
| YOLOv9s | 640 | 46.8 | - | 3.54 | 7.2 | 26.7 |
| YOLOv9m | 640 | 51.4 | - | 6.43 | 20.1 | 76.8 |
| YOLOv9c | 640 | 53.0 | - | 7.16 | 25.5 | 102.8 |
| YOLOv9e | 640 | 55.6 | - | 16.77 | 58.1 | 192.5 |
| 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 |
Phân tích#
Như dữ liệu cho thấy, YOLOv9 có lợi thế rõ rệt về hiệu quả tham số. Model YOLOv9c đạt 53.0 mAP chỉ với 25.5M tham số.
Ngược lại, RTDETRv2 cạnh tranh mạnh ở các phân khúc model từ trung bình đến lớn, và RTDETRv2-s chính xác hơn YOLOv9s. Tuy nhiên, điều này đi kèm số lượng tham số và FLOPs cao hơn, vốn là đặc điểm thường thấy ở model Transformer. Khác biệt kiến trúc này cũng ảnh hưởng đến mức sử dụng bộ nhớ: các model YOLO thường cần ít bộ nhớ CUDA hơn nhiều trong cả huấn luyện lẫn suy luận so với các model Transformer.
Ưu thế của Ultralytics: Hệ sinh thái và tính linh hoạt#
Mặc dù các chỉ số kiến trúc thuần túy rất quan trọng, hệ sinh thái phần mềm thường quyết định thành công của một dự án AI. Việc truy cập các model này thông qua Ultralytics Python API mang lại những lợi ích thiết thực.
Tinh giản quy trình huấn luyện và triển khai#
Huấn luyện Detection Transformer thường đòi hỏi các tệp cấu hình phức tạp và GPU cao cấp. Với framework Ultralytics, nhà phát triển có thể huấn luyện cả model YOLOv9 lẫn RT-DETR bằng cùng một cú pháp đơn giản, đồng thời tận dụng các pipeline huấn luyện hiệu quả và trọng số pretrained có sẵn.
from ultralytics import RTDETR, YOLO
# Huấn luyện một model YOLOv9
model_yolo = YOLO("yolov9c.pt")
model_yolo.train(data="coco8.yaml", epochs=100, imgsz=640)
# Huấn luyện một model RTDETR bằng chính API đó
model_rtdetr = RTDETR("rtdetr-l.pt")
model_rtdetr.train(data="coco8.yaml", epochs=100, imgsz=640)
# Xuất model sang OpenVINO hoặc TensorRT
model_yolo.export(format="openvino")Tính linh hoạt theo tác vụ#
Một hạn chế lớn của các model chuyên biệt như RTDETRv2 là chúng chỉ tập trung vào phát hiện bounding box. Ngược lại, hệ sinh thái Ultralytics rộng hơn, bao gồm các model như YOLO11 và YOLOv8, hỗ trợ nhiều tác vụ thị giác máy tính. Các tác vụ này gồm phân đoạn đối tượng ở cấp pixel, phân loại toàn ảnh, ước tính tư thế bộ xương và phát hiện hộp giới hạn định hướng (OBB) cho ảnh chụp từ trên không.
Ứng dụng thực tế#
Phân tích edge tốc độ cao#
Đối với môi trường bán lẻ hoặc dây chuyền sản xuất cần nhận diện sản phẩm theo thời gian thực trên thiết bị biên, YOLOv9 là lựa chọn mạnh hơn. Kiến trúc GELAN mang lại thông lượng cao trên phần cứng hạn chế như dòng NVIDIA Jetson, cho phép kiểm soát chất lượng tự động mà không bị trễ đáng kể.
Phân tích cảnh phức tạp#
Trong các tình huống như giám sát đám đông dày đặc hoặc giao lộ phức tạp, nơi các đối tượng thường che khuất lẫn nhau, cơ chế attention toàn cục của RTDETRv2 phát huy hiệu quả. Khả năng suy luận trực tiếp về ngữ cảnh toàn ảnh giúp model duy trì khả năng tracking và phát hiện ổn định ngay cả khi đối tượng bị che khuất một phần.
Trường hợp sử dụng và khuyến nghị#
Việc lựa chọn giữa YOLOv9 và RT-DETR phụ thuộc vào yêu cầu cụ thể của dự án, các ràng buộc triển khai và hệ sinh thái mà bạn ưu tiên.
Khi nào nên chọn YOLOv9#
YOLOv9 là lựa chọn phù hợp cho:
- Nghiên cứu về nút thắt thông tin: Các dự án học thuật nghiên cứu kiến trúc Programmable Gradient Information (PGI) và Generalized Efficient Layer Aggregation Network (GELAN).
- Nghiên cứu tối ưu hóa luồng gradient: Các nghiên cứu tập trung vào việc tìm hiểu và giảm thiểu mất mát thông tin trong các lớp mạng sâu khi huấn luyện.
- Đánh giá hiệu năng phát hiện độ chính xác cao: Các tình huống cần hiệu năng mạnh của YOLOv9 trên benchmark COCO làm mốc tham chiếu để so sánh kiến trúc.
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 lại sự kết hợp tốt nhất giữa hiệu năng và trải nghiệm developer:
- 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: Các thiết bị không có khả năng tăng tốc bằng GPU chuyên dụng, nơi tốc độ suy luận CPU nhanh hơn tới 43% của YOLO26n so với YOLO11n mang lại lợi thế quyết định.
- 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.
Tương lai: YOLO26 ra mắt#
YOLOv9 và RTDETRv2 là những thành tựu đáng kể, nhưng lĩnh vực thị giác máy tính phát triển nhanh chóng. Với các dự án mới, YOLO26 là model được khuyến nghị.
Ra mắt vào tháng 1 năm 2026, YOLO26 kết hợp hiệu quả của CNN với suy luận end-to-end theo phong cách DETR. Model có Thiết kế end-to-end không cần NMS tùy chọn (nms=False) loại bỏ bước hậu xử lý NMS, một phương pháp được YOLOv10 giới thiệu cho các model YOLO. YOLO26 còn loại bỏ Distribution Focal Loss (DFL) để tăng khả năng tương thích với edge và giới thiệu Optimizer MuSGD. Lấy cảm hứng từ quá trình huấn luyện model ngôn ngữ lớn (cụ thể là Kimi K2 của Moonshot AI), phương pháp kết hợp SGD và Muon này cải thiện độ ổn định huấn luyện và tốc độ hội tụ.
Kết hợp với ProgLoss và STAL (Hàm mất mát lũy tiến và Gán nhãn nhận biết mục tiêu nhỏ) để phát hiện vật thể nhỏ tốt hơn, những thay đổi này khiến YOLO26 trở thành lựa chọn mạnh mẽ cho các ứng dụng AI hiện đại; YOLO26n chạy nhanh hơn tới 43% trên CPU so với YOLO11n.
Bình luận
Đặt câu hỏi, chia sẻ kết quả hoặc giúp đỡ người khác.