YOLOv9 so với RTDETRv2: Phân tích kỹ thuật chuyên sâu về Phát hiện đối tượng hiện đại

Bối cảnh phát hiện đối tượng thời gian thực đã trải qua một sự thay đổi mô hình trong những năm gần đây. Hai triết lý kiến trúc khác biệt đã nổi lên để thống trị lĩnh vực này: Mạng thần kinh tích chập (CNN) được tối ưu hóa cao và Detection Transformers (DETR) thời gian thực. Đại diện cho đỉnh cao của hai phương pháp tiếp cận này là YOLOv9 và RTDETRv2.

Hướng dẫn toàn diện này so sánh hai mô hình mạnh mẽ này, phân tích các đổi mới về kiến trúc, chỉ số hiệu suất và các kịch bản triển khai lý tưởng để giúp bạn chọn đúng mô hình cho pipeline thị giác máy tính của mình.

Tóm tắt điều hành

Cả hai mô hình đều đạt được kết quả hiện đại, nhưng chúng phục vụ cho các hạn chế triển khai và hệ sinh thái phát triển hơi khác nhau.

• Chọn YOLOv9 nếu: Bạn cần sử dụng tham số hiệu quả cao và suy luận nhanh trên thiết bị biên (edge devices). YOLOv9 đẩy giới hạn lý thuyết về hiệu suất CNN, khiến nó trở nên lý tưởng cho các môi trường mà tài nguyên tính toán bị hạn chế nghiêm ngặt.
• Chọn RTDETRv2 nếu: Bạn yêu cầu sự hiểu biết ngữ cảnh sâu sắc mà các Transformer cung cấp, đặc biệt là trong các cảnh có sự che khuất nghiêm trọng hoặc các mối quan hệ đối tượng phức tạp, và bạn có phần cứng để hỗ trợ một kiến trúc nặng hơn một chút.
• Chọn YOLO26 (Khuyên dùng) nếu: Bạn muốn có những gì tốt nhất của cả hai thế giới. Là thế hệ mới nhất có sẵn trên Ultralytics Platform, YOLO26 có thiết kế End-to-End NMS-Free (tương tự như các mô hình DETR nhưng nhanh hơn nhiều), loại bỏ các điểm nghẽn hậu xử lý và cung cấp tốc độ suy luận trên CPU nhanh hơn tới 43% so với các thế hệ trước.

Thông số kỹ thuật và Tác giả

Việc hiểu nguồn gốc và ý định thiết kế của các mô hình này cung cấp bối cảnh quan trọng cho các lựa chọn kiến trúc của chúng.

YOLOv9

Tác giả: Chien-Yao Wang và Hong-Yuan Mark Liao
Tổ chức: Institute of Information Science, Academia Sinica
Ngày: 2024-02-21
Arxiv: https://arxiv.org/abs/2402.13616
GitHub: WongKinYiu/yolov9

Tìm hiểu thêm về 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

Tìm hiểu thêm về RTDETR

Đổi mới kiến trúc

YOLOv9: Giải quyết Nút thắt Thông tin

Ultralytics YOLOv9 giới thiệu hai đổi mới chính được thiết kế để giải quyết vấn đề mất mát thông tin khi dữ liệu đi qua các mạng thần kinh sâu:

1. Programmable Gradient Information (PGI): Khung giám sát phụ này đảm bảo rằng các gradient đáng tin cậy được tạo ra để cập nhật trọng số mạng, bảo toàn thông tin tính năng quan trọng ngay cả trong các lớp mạng rất sâu.
2. Generalized Efficient Layer Aggregation Network (GELAN): Một kiến trúc mới kết hợp thế mạnh của CSPNet và ELAN. GELAN tối ưu hóa 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 khả năng của Transformer thời gian thực

Xây dựng dựa trên thành công của RT-DETR gốc, RTDETRv2 sử dụng kiến trúc dựa trên Transformer vốn không cần Non-Maximum Suppression (NMS). Những cải tiến của nó bao gồm:

1. Chiến lược Bag-of-Freebies: Phiên bản v2 kết hợp các kỹ thuật huấn luyện và tăng cường dữ liệu nâng cao giúp tăng đáng kể độ chính xác mà không làm tăng thêm độ trễ suy luận.
2. Efficient Hybrid Encoder: Bằng cách xử lý các tính năng đa quy mô thông qua cơ chế chú ý tách biệt trong quy mô và giữa các quy mô, RTDETRv2 quản lý hiệu quả chi phí tính toán cao truyền thống của Vision Transformers.

So sánh hiệu năng

Khi đánh giá các mô hình cho sản xuất, sự cân bằng giữa độ chính xác và yêu cầu tính toán là rất quan trọng. Bảng dưới đây phác thảo hiệu suất của các kích thước mô hình khác nhau trên các tiêu chuẩn phổ biến.

Phân tích

Như dữ liệu cho thấy, YOLOv9 duy trì lợi thế nghiêm ngặt về hiệu suất tham số. Mô hình YOLOv9c đạt mức 53.0 mAP ấn tượng chỉ với 25.3M tham số, giúp nó trở nên cực kỳ nhẹ.

Ngược lại, RTDETRv2 cung cấp sự cạnh tranh mạnh mẽ trong các danh mục mô hình từ trung bình đến lớn. Tuy nhiên, điều này đi kèm với cái giá phải trả là số lượng tham số cao hơn và FLOPs lớn hơn đáng kể, đặc trưng của các mô hình Transformer. Sự khác biệt về kiến trúc này cũng chuyển thành mức sử dụng bộ nhớ: các mô hình YOLO thường yêu cầu ít bộ nhớ CUDA hơn đáng kể trong cả quá trình huấn luyện và suy luận so với các mô hình Transformer tương đương.

Lợi thế của Ultralytics: Hệ sinh thái và tính linh hoạt

Mặc dù các số liệu kiến trúc thuần túy là quan trọng, hệ sinh thái phần mềm thường quyết định thành công của một dự án AI. Truy cập các mô hình nâng cao này thông qua Ultralytics Python API mang lại những lợi thế vô song.

Huấn luyện và triển khai tinh gọn

Việc huấn luyện một Detection Transformer thường đòi hỏi các tệp cấu hình phức tạp và GPU cao cấp. Bằng cách sử dụng khung làm việc Ultralytics, các nhà phát triển có thể huấn luyện cả mô hình YOLOv9 và RTDETR với cú pháp đơn giản, giống hệt nhau, được hưởng lợi từ các pipeline huấn luyện hiệu quả cao và các trọng số được huấn luyện sẵn có sẵn.

from ultralytics import RTDETR, YOLO

# Train a YOLOv9 model
model_yolo = YOLO("yolov9c.pt")
model_yolo.train(data="coco8.yaml", epochs=100, imgsz=640)

# Train an RTDETR model using the exact same API
model_rtdetr = RTDETR("rtdetr-l.pt")
model_rtdetr.train(data="coco8.yaml", epochs=100, imgsz=640)

# Export models to OpenVINO or TensorRT seamlessly
model_yolo.export(format="openvino")

Tính linh hoạt của tác vụ chưa từng có

Một hạn chế lớn của các mô hình chuyên biệt như RTDETRv2 là sự tập trung hẹp vào phát hiện hộp bao (bounding box). Ngược lại, hệ sinh thái Ultralytics rộng lớn hơn, bao gồm các mô hình như YOLO11 và YOLOv8, hỗ trợ một loạt các tác vụ thị giác máy tính. Điều này bao gồm phân đoạn đối tượng chính xác đến từng pixel, ước tính tư thế khung xương, phân loại toàn bộ hình ảnh, và phát hiện Hộp bao định hướng (OBB) cho hình ảnh từ trên không.

Ứng dụng trong thế giới thực

Phân tích biên tốc độ cao

Đối với các môi trường bán lẻ hoặc dây chuyền sản xuất yêu cầu nhận diện sản phẩm thời gian thực trên các thiết bị biên, YOLOv9 là lựa chọn vượt trội. Kiến trúc GELAN của nó đảm bảo thông lượng cao trên các phần cứng bị hạn chế như dòng NVIDIA Jetson, cho phép kiểm soát chất lượng tự động mà không có độ trễ đáng kể.

Phân tích cảnh phức tạp

Trong các kịch bản như giám sát đám đông dày đặc hoặc các giao lộ giao thông phức tạp nơi các đối tượng thường xuyên che khuất lẫn nhau, các cơ chế chú ý toàn cầu của RTDETRv2 tỏa sáng. Khả năng suy luận tự nhiên về toàn bộ ngữ cảnh hình ảnh của mô hình cho phép nó duy trì việc theo dõi và phát hiện mạnh mẽ ngay cả khi các đối tượng bị ẩn một phần.

Các trường hợp sử dụng và khuyến nghị

Việc lựa chọn giữa YOLOv9 và RT-DETR phụ thuộc vào các yêu cầu cụ thể của dự án, các hạn chế triển khai và sở thích hệ sinh thái của bạn.

Khi nào nên chọn YOLOv9

YOLOv9 là lựa chọn mạnh mẽ cho:

• Nghiên cứu về Nút thắt Thông tin (Information Bottleneck): Các dự án học thuật nghiên cứu về kiến trúc Programmable Gradient Information (PGI) và Generalized Efficient Layer Aggregation Network (GELAN).
• Nghiên cứu Tối ưu hóa Dòng Gradient: Các nghiên cứu tập trung vào việc hiểu và giảm thiểu mất mát thông tin trong các lớp mạng sâu trong quá trình huấn luyện.
• Đo lường Hiệu năng Nhận diện Độ chính xác cao: Các trường hợp cần hiệu năng benchmark COCO mạnh mẽ của YOLOv9 làm điểm 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 khám phá các cơ chế chú ý và kiến trúc transformer cho việc phát hiện đối tượng end-to-end mà không cần NMS.
• Các tình huống có độ chính xác cao với độ trễ linh hoạt: Các ứng dụng nơi độ chính xác phát hiện là ưu tiên hàng đầu và độ trễ suy luận cao hơn một chút là điều có thể chấp nhận được.
• Phát hiện đối tượng lớn: Các cảnh có các đối tượng từ trung bình đến lớn, nơi cơ chế chú ý toàn cục của các transformer mang lại lợi thế tự nhiên.

Khi nào nên chọn Ultralytics (YOLO26)

Đối với hầu hết các dự án mới, Ultralytics YOLO26 cung cấp sự kết hợp tốt nhất giữa hiệu suất và trải nghiệm nhà phát triển:

• Triển khai Edge không cần NMS: Các ứng dụng yêu cầu suy luận ổn định, độ trễ thấp mà không cần sự phức tạp của việc hậu xử lý Non-Maximum Suppression.
• Môi trường chỉ sử dụng CPU: Các thiết bị không có GPU tăng tốc chuyên dụng, nơi tốc độ suy luận trên CPU nhanh hơn tới 43% của YOLO26 mang lại lợi thế quyết định.
• Nhận diện đối tượng nhỏ: Các kịch bản thách thức như ảnh drone trên không hoặc phân tích cảm biến IoT nơi ProgLoss và STAL tăng cường đáng kể độ chính xác trên các đối tượng cực nhỏ.

Tương lai: Chào đón YOLO26

Trong khi YOLOv9 và RTDETRv2 đại diện cho những thành tựu to lớn, lĩnh vực thị giác máy tính đang di chuyển nhanh chóng. Đối với các nhà phát triển đang tìm cách bắt đầu các dự án mới, YOLO26 là giải pháp hiện đại được khuyến nghị.

Được phát hành vào năm 2026, YOLO26 kết hợp các tính năng tốt nhất của cả CNN và DETR. Nó có thiết kế End-to-End NMS-Free, loại bỏ hoàn toàn độ trễ hậu xử lý—một kỹ thuật lần đầu tiên được tiên phong trong YOLOv10. Hơn nữa, YOLO26 loại bỏ Distribution Focal Loss (DFL) để tương thích tốt hơn với thiết bị biên và giới thiệu trình tối ưu hóa MuSGD Optimizer mang tính cách mạng. Lấy cảm hứng từ quá trình huấn luyện Mô hình Ngôn ngữ Lớn (cụ thể là Kimi K2 của Moonshot AI), trình tối ưu hóa lai này đảm bảo sự ổn định huấn luyện chưa từng có và sự hội tụ nhanh hơn.

Kết hợp với các hàm mất mát được cải tiến như ProgLoss và STAL để nhận diện đối tượng nhỏ đặc biệt, YOLO26 mang lại tốc độ suy luận CPU nhanh hơn tới 43%, củng cố vị thế của nó như là mô hình tối ưu cho các triển khai AI hiện đại.