YOLOX so với RTDETRv2#

Việc lựa chọn kiến trúc tối ưu cho computer vision applications đòi hỏi sự cân bằng cẩn trọng giữa độ chính xác, tốc độ suy luận và tính khả thi khi triển khai. Trong phân tích kỹ thuật toàn diện này, chúng ta sẽ khám phá những điểm khác biệt cơ bản giữa YOLOX, một kiến trúc CNN không neo (anchor-free) cực kỳ thành công và RTDETRv2, một transformer phát hiện thời gian thực tân tiến.

Mặc dù cả hai mô hình đều có những đóng góp quan trọng cho lĩnh vực object detection, các lập trình viên xây dựng ứng dụng sẵn sàng cho môi trường sản xuất thường nhận thấy rằng các giải pháp thay thế hiện đại như Ultralytics YOLO26 mang lại hiệu quả huấn luyện vượt trội, yêu cầu bộ nhớ thấp hơn và hệ sinh thái triển khai mạnh mẽ hơn.

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

YOLOX nổi lên như một bản chuyển thể không cần anchor rất phổ biến của dòng YOLO, giới thiệu một thiết kế đơn giản hóa mang lại những cải tiến hiệu suất ấn tượng vào thời điểm ra mắt.

• Tác giả: Zheng Ge, Songtao Liu, Feng Wang, Zeming Li, và Jian Sun
• Tổ chức: Megvii
• Ngày công bố: 18 tháng 7 năm 2021
• Liên kết: Arxiv, GitHub, Docs

Cải tiến kiến trúc#

YOLOX đã chuyển đổi dòng họ YOLO sang mô hình không neo (anchor-free), tích hợp phần đầu phân tách (decoupled head) và chiến lược gán nhãn SimOTA tiên tiến. Bằng cách loại bỏ các hộp neo (anchor boxes), kiến trúc này đã giảm đáng kể số lượng tham số thiết kế và cải thiện khả năng tổng quát hóa trên các benchmark datasets khác nhau. Các phiên bản gọn nhẹ của nó, YOLOX-Nano và YOLOX-Tiny, đã trở thành lựa chọn phổ biến để triển khai vision AI applications on edge devices.

Tìm hiểu thêm về YOLOX

RTDETRv2: Thúc đẩy các Vision Transformer thời gian thực#

Dựa trên nền tảng của người tiền nhiệm, RTDETRv2 tận dụng sức mạnh của Vision Transformers (ViTs) để đạt được độ chính xác cạnh tranh cao mà không phải hy sinh 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: 24-07-2024
• Links: Arxiv, GitHub

Cải tiến kiến trúc#

RTDETRv2 định hình lại hoàn toàn quá trình phát hiện bằng cách sử dụng kiến trúc dựa trên transformer, qua đó bỏ qua Non-Maximum Suppression (NMS) một cách tự nhiên. Điều này đạt được thông qua bộ mã hóa lai (hybrid encoder) và lựa chọn truy vấn nhận biết IoU (IoU-aware query selection), giúp cải thiện việc khởi tạo các truy vấn đối tượng. Mô hình xử lý hiệu quả các đặc trưng đa tỷ lệ, cho phép nắm bắt các chi tiết phức tạp trong môi trường phức tạp, chẳng hạn như traffic video detection at nighttime.

Tuy nhiên, các transformer vốn dĩ tiêu tốn nhiều tài nguyên. Quá trình huấn luyện RTDETRv2 thường đòi hỏi dung lượng bộ nhớ GPU và chu kỳ tính toán lớn hơn đáng kể so với các giải pháp thay thế dựa trên CNN, điều này có thể là một rào cản đối với các nhóm vận hành trong giới hạn ngân sách nghiêm ngặt hoặc những người cần thực hiện model tuning thường xuyên.

Tìm hiểu thêm về RTDETR

Bảng so sánh hiệu suất#

Để đánh giá khách quan các kiến trúc này, chúng tôi kiểm tra hiệu năng của chúng trên COCO dataset. Bảng dưới đây minh họa các đánh đổi giữa độ chính xác (mAP), số lượng tham số và độ phức tạp tính toán.

Trong khi RTDETRv2 đạt được độ chính xác ấn tượng, YOLOX vẫn duy trì lợi thế trong các cấu hình tham số nhẹ, đặc biệt là với các biến thể Nano và Tiny của nó.

Các trường hợp sử dụng và Khuyến nghị#

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

Khi nào nên chọn YOLOX#

YOLOX là lựa chọn mạnh mẽ cho:

• Nghiên cứu Phát hiện Anchor-Free: Nghiên cứu học thuật sử dụng kiến trúc anchor-free sạch, gọn của YOLOX làm baseline để thử nghiệm với các head phát hiện hoặc hàm mất mát mới.
• Thiết bị biên siêu nhẹ: Triển khai trên vi điều khiển hoặc phần cứng di động cũ nơi mà footprint cực nhỏ của biến thể YOLOX-Nano (0.91M tham số) là rất quan trọng.
• Nghiên cứu Gán nhãn SimOTA: Các dự án nghiên cứu điều tra các chiến lược gán nhãn dựa trên vận chuyển tối ưu và tác động của chúng đến sự hội tụ trong đào tạo.

Khi nào nên chọn RT-DETR#

RT-DETR được khuyên dùng cho:

• Nghiên cứu phát hiện dựa trên Transformer: Các dự án khám phá cơ chế chú ý và kiến trúc transformer cho phát hiện vật thể end-to-end không cần NMS.
• Các kịch bản độ chính xác cao với độ trễ linh hoạt: Các ứng dụng mà độ chính xác phát hiện là ưu tiên hàng đầu và độ trễ suy luận cao hơn một chút là có thể chấp nhận được.
• Phát hiện vật thể lớn: Các cảnh chủ yếu có vật thể 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 mang lại sự kết hợp tốt nhất giữa hiệu suất và trải nghiệm của nhà phát triển:

• Triển khai Edge không cần NMS: Các ứng dụng yêu cầu suy luận nhất quán, độ trễ thấp mà không có sự phức tạp của hậu xử lý Non-Maximum Suppression.
• Môi trường chỉ dùng CPU: Các thiết bị không có tăng tốc GPU chuyên dụng, nơi suy luận CPU nhanh hơn tới 43% của YOLO26 mang lại lợi thế quyết định.
• Phát hiện Vật thể Nhỏ: Các kịch bản thử thách như aerial drone imagery hoặc phân tích cảm biến IoT nơi ProgLoss và STAL cải thiện đáng kể độ chính xác trên các vật thể nhỏ xíu.

Lợi thế từ Ultralytics: YOLO26#

Mặc dù cả YOLOX và RTDETRv2 đều mang lại những thế mạnh riêng biệt, Ultralytics YOLO26 vừa ra mắt đã định nghĩa lại trạng thái công nghệ tiên tiến cho thị giác máy tính AI (vision AI), giải quyết những sự đánh đổi lịch sử giữa tốc độ, độ chính xác và tính dễ triển khai.

1. Kiến trúc End-to-End không cần NMS#

Lấy cảm hứng từ các model transformer trong khi vẫn giữ được hiệu suất của CNN, YOLO26 có thiết kế end-to-end không cần NMS. Bằng cách loại bỏ Non-Maximum Suppression như một bước xử lý hậu kỳ, YOLO26 đơn giản hóa đáng kể các pipeline triển khai, đảm bảo độ trễ suy luận nhất quán trên nhiều thiết bị biên mà không cần chi phí điều chỉnh ngưỡng phức tạp.

2. Suy luận CPU nhanh hơn tới 43%#

Không giống như các kiến trúc transformer như RTDETRv2 vốn phụ thuộc nhiều vào các GPU cao cấp, YOLO26 được tối ưu hóa đặc biệt cho edge computing environments. Thông qua việc loại bỏ Distribution Focal Loss (DFL), YOLO26 đơn giản hóa quá trình xuất mô hình và đạt được tốc độ suy luận CPU nhanh hơn tới 43%, trở thành lựa chọn lý tưởng để tích hợp vào phần cứng như Raspberry Pi hoặc các thiết bị di động tiêu chuẩn.

3. Hiệu quả huấn luyện với MuSGD#

Việc huấn luyện các mô hình transformer thường dẫn đến tình trạng CUDA memory consumption quá mức và thời gian huấn luyện kéo dài. YOLO26 giới thiệu MuSGD Optimizer hoàn toàn mới — một sự kết hợp lai giữa Stochastic Gradient Descent và bộ tối ưu hóa lấy cảm hứng từ LLM mang tên Muon. Sự đổi mới này mang lại quá trình huấn luyện cực kỳ ổn định và khả năng hội tụ nhanh hơn, làm giảm đáng kể các yêu cầu về phần cứng so với RTDETRv2.

4. Hệ sinh thái và tính linh hoạt vô song#

The Ultralytics ecosystem cung cấp trải nghiệm lập trình trực quan, được tối ưu hóa. Với tài liệu phong phú, sự hỗ trợ tích cực từ cộng đồng và Ultralytics Platform hỗ trợ trên nền tảng đám mây, việc quản lý vòng đời AI hoàn chỉnh chưa bao giờ dễ dàng hơn thế. Hơn nữa, YOLO26 có tính linh hoạt cao. Trong khi RTDETRv2 tập trung vào phát hiện đối tượng, YOLO26 hỗ trợ mượt mà các tác vụ instance segmentation, pose estimation, image classification và Oriented Bounding Box (OBB) một cách nguyên bản. Được tăng cường bởi các hàm mất mát mới ProgLoss + STAL, YOLO26 cũng xuất sắc trong việc nhận diện vật thể nhỏ, một tính năng quan trọng đối với aerial imagery và industrial defect detection.

Tích hợp liền mạch với Ultralytics#

Việc triển khai các model không nên đòi hỏi phải vật lộn với các codebase phức tạp, rời rạc. API Python của Ultralytics cho phép bạn tải, huấn luyện và xuất các model tiên tiến chỉ trong vài dòng code.

from ultralytics import YOLO

# Load the latest YOLO26 nano model for optimal edge performance
model = YOLO("yolo26n.pt")

# Train the model on your custom dataset with minimal memory overhead
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Validate the model's performance
metrics = model.val()

# Export seamlessly to ONNX or TensorRT for deployment
model.export(format="onnx", optimize=True)

Bằng cách tận dụng Ultralytics, bạn tránh được các cấu hình môi trường phức tạp thường liên quan đến các kho lưu trữ nghiên cứu, từ đó rút ngắn thời gian đưa sản phẩm ra thị trường.

Kết luận#

YOLOX và RTDETRv2 đại diện cho những cột mốc quan trọng trong sự tiến bộ của việc phát hiện đối tượng thời gian thực. YOLOX đã chứng minh tính khả thi của các CNN không cần anchor hiệu quả cao, trong khi RTDETRv2 đã điều chỉnh thành công các transformer cho các hạn chế thời gian thực.

Tuy nhiên, đối với các ứng dụng hiện đại từ smart retail analytics cho đến robot nhúng, Ultralytics YOLO26 cung cấp giải pháp tối ưu. Bằng cách kết hợp suy luận không cần NMS với tốc độ CPU chưa từng có, dung lượng bộ nhớ giảm và sự hỗ trợ mạnh mẽ từ Ultralytics Platform, YOLO26 trang bị cho các lập trình viên khả năng xây dựng thế hệ hệ thống thị giác máy tính hiệu năng cao, đáng tin cậy tiếp theo.