Bắt đầu

YOLOX và RTDETRv2

Lựa chọn kiến trúc tối ưu cho ứng dụng thị giác máy tính đòi hỏi phải cân bằng cẩn thận giữa độ chính xác, tốc độ suy luận và tính khả thi khi triển khai. Phân tích kỹ thuật này tìm hiểu những khác biệt chính giữa YOLOX, một kiến trúc CNN không dùng anchor được sử dụng rộng rãi, và RTDETRv2, một Transformer phát hiện thời gian thực.

Dù cả hai model đều có đóng góp đáng kể cho lĩnh vực phát hiện đối tượng, các developer xây dựng ứng dụng sẵn sàng đưa vào production thường nhận thấy những lựa chọn mới hơn như Ultralytics YOLO26 mang lại hiệu quả huấn luyện tốt hơn, yêu cầu bộ nhớ thấp hơn và hệ sinh thái triển khai hoàn thiện hơn.

YOLOX: Thu hẹp khoảng cách giữa nghiên cứu và công nghiệp#

YOLOX xuất hiện như một biến thể không dùng anchor phổ biến của dòng YOLO, giới thiệu thiết kế đơn giản hóa và mang lại những cải thiện hiệu năng đáng kể vào thời điểm ra mắt.

  • Tác giả: Zheng Ge, Songtao Liu, Feng Wang, Zeming Li và Jian Sun
  • Tổ chức: Megvii
  • Ngày: 18 tháng 7, 2021
  • Liên kết: arXiv, GitHub, Tài liệu

Các cải tiến kiến trúc#

YOLOX đưa họ YOLO sang mô hình không dùng anchor, tích hợp head tách biệt và chiến lược gán nhãn SimOTA. Bằng cách loại bỏ các anchor box, kiến trúc này giảm đáng kể số lượng tham số thiết kế và cải thiện khả năng tổng quát hóa trên nhiều dataset benchmark khác nhau. Các phiên bản gọn nhẹ YOLOX-Nano và YOLOX-Tiny trở thành lựa chọn phổ biến để triển khai ứng dụng AI thị giác trên thiết bị edge.

Những điểm cần lưu ý về model cũ

Dù YOLOX mang lại những cải tiến đáng kể, việc phụ thuộc vào bước hậu xử lý Non-Maximum Suppression (NMS) truyền thống có thể dẫn đến độ trễ cao hơn so với các model end-to-end nguyên bản.

Tìm hiểu thêm về YOLOX

RTDETRv2: Nâng tầm Transformer thị giác thời gian thực#

Phát triển dựa trên phiên bản tiền nhiệm RT-DETR, RTDETRv2 sử dụng Vision Transformer (ViT) để đạt độ chính xác cạnh tranh trong khi vẫn duy trì tốc độ suy luận thời gian thực.

  • Tác giả: Wenyu Lv, Yian Zhao, Qinyao Chang, Kui Huang, Guanzhong Wang và Yi Liu
  • Tổ chức: Baidu
  • Ngày: 2024-07-24
  • Liên kết: arXiv, GitHub

Các cải tiến kiến trúc#

RTDETRv2 thiết kế lại pipeline phát hiện bằng kiến trúc dựa trên Transformer, vốn không cần NMS. Điều này được thực hiện thông qua encoder lai và cơ chế chọn query nhận biết IoU, giúp cải thiện khởi tạo các query đối tượng. Model xử lý hiệu quả các đặc trưng đa tỷ lệ, cho phép nắm bắt chi tiết phức tạp trong môi trường phức tạp, chẳng hạn như phát hiện phương tiện trong video giao thông ban đêm.

Tuy nhiên, Transformer đòi hỏi nhiều tài nguyên. Huấn luyện RTDETRv2 thường cần nhiều bộ nhớ GPU và chu kỳ tính toán hơn đáng kể so với các lựa chọn dựa trên CNN, điều này có thể là trở ngại với các nhóm bị giới hạn ngân sách nghiêm ngặt hoặc cần tinh chỉnh model thường xuyên.

Tìm hiểu thêm về RTDETRv2

Bảng so sánh hiệu năng#

Để đánh giá khách quan các kiến trúc này, chúng tôi xem xét hiệu năng trên bộ dữ liệu COCO. Bảng dưới đây minh họa sự đánh đổi giữa độ chính xác (mAP), số lượng tham số và độ phức tạp tính toán.

Modelkích thước
(pixel)
mAPval50-95Tốc độ
CPU ONNX
(ms)
Tốc độ
T4 TensorRT10
(ms)
params
(M)
FLOPs
(B)
YOLOXnano41625.8--0.911.08
YOLOXtiny41632.8--5.066.45
YOLOXs64040.5-2.569.026.8
YOLOXm64046.9-5.4325.373.8
YOLOXl64049.7-9.0454.2155.6
YOLOXx64051.1-16.199.1281.9
RTDETRv2-s64048.1-5.032060
RTDETRv2-m64051.9-7.5136100
RTDETRv2-l64053.4-9.7642136
RTDETRv2-x64054.3-15.0376259

RTDETRv2 đạt độ chính xác cao hơn với độ trễ tương đương (ví dụ: 54.3 mAP ở 15.03 ms với RTDETRv2-x so với 51.1 mAP ở 16.1 ms với YOLOXx), trong khi YOLOX có lợi thế về số lượng tham số gọn nhẹ, đặc biệt ở các biến thể Nano và Tiny.

Trường hợp sử dụng và khuyến nghị#

Việc lựa chọn giữa YOLOX và RT-DETR phụ thuộc vào yêu cầu cụ thể của dự án, các giới hạn triển khai và ưu tiên về hệ sinh thái.

Khi nào nên chọn YOLOX#

YOLOX là lựa chọn phù hợp khi:

  • Nghiên cứu phát hiện không anchor: Nghiên cứu học thuật sử dụng kiến trúc không anchor rõ ràng của YOLOX làm baseline để thử nghiệm các head phát hiện hoặc hàm loss mới.
  • Thiết bị biên siêu nhẹ: Triển khai trên vi điều khiển hoặc phần cứng di động đời cũ, nơi kích thước cực nhỏ của biến thể YOLOX-Nano (0.91M tham số) là yếu tố then chốt.
  • Nghiên cứu gán nhãn SimOTA: Các dự án nghiên cứu tìm hiểu chiến lược gán nhãn dựa trên vận tải tối ưu và ảnh hưởng của chúng đến quá trình hội tụ khi huấn luyện.

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.

Ưu thế của Ultralytics: YOLO26#

Dù YOLOX và RTDETRv2 đều có những thế mạnh riêng, Ultralytics YOLO26, ra mắt vào tháng 1 năm 2026, giải quyết nhiều đánh đổi lâu nay giữa tốc độ, độ chính xác và mức độ dễ triển khai.

1. Kiến trúc đầu-cuối không cần NMS#

Lấy cảm hứng từ các model Transformer nhưng vẫn giữ hiệu quả của CNN, YOLO26 có thiết kế end-to-end tùy chọn không cần NMS (nms=False). Bằng cách loại bỏ Non-Maximum Suppression khỏi bước hậu xử lý, YOLO26 đơn giản hóa pipeline triển khai, đảm bảo độ trễ suy luận nhất quán trên nhiều thiết bị edge mà không cần tinh chỉnh ngưỡng phức tạp.

2. Suy luận CPU nhanh hơn tới 43%#

Không giống các kiến trúc Transformer như RTDETRv2, vốn thường phụ thuộc vào GPU, YOLO26 được tối ưu hóa cho môi trường điện toán edge. Việc loại bỏ Distribution Focal Loss (DFL) giúp đơn giản hóa quá trình xuất model, còn YOLO26n đạt tốc độ suy luận CPU nhanh hơn YOLO11n tới 43%, phù hợp để tích hợp vào phần cứng như Raspberry Pi hoặc các thiết bị di động phổ thông.

3. Hiệu quả huấn luyện với MuSGD#

Huấn luyện các model Transformer thường dẫn đến mức tiêu thụ bộ nhớ CUDA quá cao và thời gian huấn luyện kéo dài. YOLO26 giới thiệu bộ tối ưu MuSGD, kết hợp Stochastic Gradient Descent với bộ tối ưu Muon lấy cảm hứng từ LLM, nhằm ổn định quá trình huấn luyện và tăng tốc hội tụ. Cùng với kiến trúc CNN, thiết kế này giúp yêu cầu phần cứng huấn luyện thấp hơn RTDETRv2.

4. Hệ sinh thái và tính linh hoạt#

Hệ sinh thái Ultralytics mang đến trải nghiệm developer trực quan và tinh gọn. Nhờ tài liệu phong phú, cộng đồng hỗ trợ tích cực và Nền tảng Ultralytics vận hành trên đám mây, việc quản lý toàn bộ vòng đời AI trở nên đơn giản. YOLO26 cũng rất linh hoạt: trong khi RTDETRv2 tập trung vào phát hiện đối tượng, YOLO26 hỗ trợ nguyên bản các tác vụ phân đoạn đối tượng, phân loại ảnh, ước lượng tư thế và phát hiện hộp giới hạn định hướng (OBB). Được cải tiến nhờ ProgLoss + STAL mới (hàm loss lũy tiến và phương pháp gán nhãn nhận biết mục tiêu nhỏ), YOLO26 còn cải thiện khả năng phát hiện đối tượng nhỏ, một tính năng thiết yếu cho ảnh chụp từ trên không và phát hiện lỗi công nghiệp.

Các model khác được hỗ trợ

Framework Ultralytics cũng hỗ trợ thế hệ trước gồm YOLO11 và YOLOv8, cho phép người dùng dễ dàng benchmark và chuyển đổi các pipeline cũ.

Tích hợp với Ultralytics#

Triển khai model không nên đòi hỏi phải vật lộn với các codebase phức tạp, phân mảnh. Python API của Ultralytics cho phép bạn tải, huấn luyện và xuất các model tiên tiến nhất chỉ với vài dòng code.

from ultralytics import YOLO

# Tải model YOLO26 nano mới nhất để đạt hiệu năng tối ưu trên thiết bị biên
model = YOLO("yolo26n.pt")

# Huấn luyện model trên tập dữ liệu tùy chỉnh với mức sử dụng bộ nhớ tối thiểu
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Đánh giá hiệu năng của model
metrics = model.val()

# Xuất sang ONNX hoặc TensorRT để triển khai
model.export(format="onnx")

Sử dụng Ultralytics giúp bạn tránh các cấu hình môi trường phức tạp thường gặp ở repository nghiên cứu, từ đó rút ngắn thời gian đưa sản phẩm ra thị trường.

Kết luận#

YOLOX và RTDETRv2 là những cột mốc quan trọng trong quá trình phát triển của lĩnh vực phát hiện đối tượng thời gian thực. YOLOX chứng minh tính khả thi của CNN không dùng anchor hiệu quả, còn RTDETRv2 điều chỉnh thành công Transformer để đáp ứng các ràng buộc thời gian thực.

Tuy nhiên, đối với các ứng dụng hiện đại, từ phân tích bán lẻ thông minh đến robot nhúng, Ultralytics YOLO26 là lựa chọn được khuyến nghị. Bằng cách kết hợp suy luận không cần NMS với tốc độ CPU cao, dung lượng bộ nhớ thấp và sự hỗ trợ từ Nền tảng Ultralytics, YOLO26 giúp developer xây dựng các hệ thống thị giác máy tính đáng tin cậy, hiệu năng cao.

Người đóng góp

Bình luận

Đặt câu hỏi, chia sẻ kết quả hoặc giúp đỡ người khác.