Empezar

DAMO-YOLO frente a RTDETRv2

La investigación en visión artificial ha producido numerosas arquitecturas diseñadas para equilibrar velocidad, precisión y eficiencia computacional. DAMO-YOLO y RTDETRv2 abordan estos retos de formas distintas. Aunque ambos buscan la inferencia en tiempo real, sus filosofías arquitectónicas difieren fundamentalmente.

Esta guía abarca las especificaciones técnicas, las innovaciones arquitectónicas y los casos de uso prácticos de ambos modelos, y explica cómo la plataforma Ultralytics y YOLO26 simplifican el despliegue.

Descripción general de los modelos#

Entender DAMO-YOLO#

Desarrollado por investigadores del Grupo Alibaba, DAMO-YOLO presenta un método rápido y preciso de detección de objetos que se basa en gran medida en la búsqueda de arquitecturas neuronales (NAS). Sustituye las redes troncales tradicionales diseñadas manualmente por estructuras generadas mediante NAS para lograr una latencia baja. Además, incorpora una RepGFPN eficiente (red piramidal de características generalizada reparametrizada) y un diseño ZeroHead para agilizar la agregación de características y las predicciones de cuadros delimitadores.

Detalles principales del modelo:

Más información sobre DAMO-YOLO

Entender RTDETRv2#

RTDETRv2, de Baidu, supone un avance notable para los Transformer de detección en tiempo real. A diferencia de los detectores de redes neuronales convolucionales (CNN), que dependen de la supresión no máxima (NMS), RTDETRv2 utiliza autoatención para modelar el contexto global de toda la imagen. Predice directamente los cuadros delimitadores y omite por completo el paso de posprocesamiento NMS. Este modelo incorpora una estrategia de entrenamiento de «bolsa de ventajas» para mejorar la precisión de referencia sin aumentar la latencia de inferencia.

Detalles principales del modelo:

Más información sobre RTDETRv2

La adopción de Transformers en la IA de visión

Aunque los Transformer requieren más recursos computacionales, su capacidad para procesar el contexto global los hace eficaces para comprender escenas complejas, una de las principales fortalezas de RTDETRv2.

Comparativa de rendimiento#

Al evaluar estos modelos para su despliegue en entornos reales, son fundamentales métricas como la precisión media promedio (mAP), la velocidad de inferencia y el uso de memoria. Los modelos basados en Transformer, como RTDETRv2, suelen necesitar más memoria CUDA durante el entrenamiento y la inferencia que las CNN ligeras, como DAMO-YOLO.

La tabla siguiente compara sus métricas de rendimiento.

Modelotamaño
(píxeles)
mAPval50-95Velocidad
CPU ONNX
(ms)
Velocidad
T4 TensorRT10
(ms)
parámetros
(M)
FLOPs
(B)
DAMO-YOLOt64042.0-2.328.518.1
DAMO-YOLOs64046.0-3.4516.337.8
DAMO-YOLOm64049.2-5.0928.261.8
DAMO-YOLOl64050.8-7.1842.197.3
RTDETRv2-s64048.1-5.032060
RTDETRv2-m64051.9-7.5136100
RTDETRv2-l64053.4-9.7642136
RTDETRv2-x64054.3-15.0376259

Casos de uso ideales#

Puntos fuertes de DAMO-YOLO: Gracias a su red troncal optimizada mediante NAS y al bajo número de parámetros de sus variantes más pequeñas (como DAMO-YOLOt), es muy adecuado para desplegarse en hardware con recursos limitados. Si estás creando soluciones para dispositivos integrados con entornos de ejecución como ONNX o motores TensorRT especializados para computación periférica, DAMO-YOLO ofrece un entorno de ejecución ágil.

Puntos fuertes de RTDETRv2: RTDETRv2 ofrece los mejores resultados cuando se dispone de GPU de nivel servidor y el contexto global de la imagen es primordial. Su arquitectura Transformer le permite resolver de forma natural los cuadros delimitadores superpuestos sin NMS, lo que lo convierte en una opción sólida para la gestión de multitudes o el seguimiento de objetos complejos, donde las relaciones espaciales entre objetos distantes son esenciales.

La ventaja de Ultralytics: descubre YOLO26#

Aunque DAMO-YOLO y RTDETRv2 representan importantes logros académicos, convertir estos modelos en aplicaciones escalables y listas para producción puede resultar difícil. Los desarrolladores suelen encontrarse con bases de código fragmentadas, falta de compatibilidad con el aprendizaje multitarea y procesos de implementación complejos.

Aquí es donde destaca el ecosistema de Ultralytics. Al priorizar la facilidad de uso, una API de Python bien mantenida y la versatilidad multitarea, Ultralytics permite a los desarrolladores dedicar menos tiempo a depurar y más a crear.

El modelo Ultralytics YOLO26, publicado recientemente, se basa en estas ventajas y aporta varias mejoras respecto a DAMO-YOLO y RTDETRv2:

  • Diseño integral sin NMS: Basándose en el entrenamiento sin NMS de YOLOv10, YOLO26 ofrece una cabeza integral opcional (nms=False). Esto elimina el posprocesamiento NMS y hace que el despliegue sea más rápido y sencillo que con los detectores CNN tradicionales, al tiempo que iguala las ventajas de salida directa de RTDETRv2.
  • Inferencia en CPU hasta un 43 % más rápida: YOLO26n funciona hasta un 43 % más rápido que YOLO11n en CPU con ONNX y está optimizado para dispositivos de IA periférica sin GPU discreta, por lo que es una opción mejor que los Transformer que consumen mucha memoria para aplicaciones de IoT.
  • Optimizador MuSGD: Inspirada en Kimi K2 de Moonshot AI, esta combinación de SGD y Muon incorpora técnicas de entrenamiento de grandes modelos de lenguaje (LLM) a la visión artificial, lo que permite entrenamientos estables y una convergencia más rápida.
  • ProgLoss + STAL: La pérdida progresiva y la asignación de etiquetas consciente de los objetos pequeños mejoran su reconocimiento, un ámbito en el que los modelos suelen tener dificultades. Esto es fundamental para las imágenes aéreas y las aplicaciones con drones.
  • Eliminación de DFL: Se ha eliminado Distribution Focal Loss para simplificar los formatos de exportación y mejorar la compatibilidad con dispositivos periféricos de bajo consumo.
  • Versatilidad multitarea: A diferencia de los modelos de la competencia, limitados a la detección, YOLO26 incorpora mejoras específicas para cada tarea, como una pérdida de segmentación semántica que mejora la convergencia de la segmentación de instancias, la estimación de verosimilitud logarítmica residual (RLE) para la estimación de pose y una pérdida angular especializada para los cuadros delimitadores orientados (OBB).
La eficiencia de memoria importa

Entrenar modelos basados en Transformer como RTDETRv2 requiere grandes cantidades de memoria CUDA y, a menudo, exige configuraciones costosas con varias GPU. Los modelos YOLO de Ultralytics necesitan mucha menos memoria tanto para el entrenamiento como para la inferencia, lo que hace que el desarrollo de IA esté al alcance de investigadores y aficionados por igual.

Ejemplo de código: la API unificada de Ultralytics#

Una de las principales ventajas del ecosistema de Ultralytics es su API unificada. Puedes cargar, entrenar y validar diversos modelos, incluida una implementación de RT-DETR en PyTorch y los modelos YOLO más recientes, sin cambiar tu flujo de trabajo.

from ultralytics import RTDETR, YOLO

# Carga un modelo RT-DETR
model_rtdetr = RTDETR("rtdetr-l.pt")

# Carga el modelo YOLO26
model_yolo = YOLO("yolo26n.pt")

# Ejecuta la inferencia en una imagen con una interfaz sencilla y unificada
results_rtdetr = model_rtdetr("https://ultralytics.com/images/bus.jpg")
results_yolo = model_yolo("https://ultralytics.com/images/bus.jpg")

# Muestra los objetos detectados
results_yolo[0].show()

Esta sencillez también se aplica al entrenamiento con conjuntos de datos personalizados y a la exportación. Con el paquete de Python de Ultralytics, los desarrolladores pueden exportar los pesos entrenados a formatos de despliegue como CoreML o OpenVINO con un solo comando.

Conclusión y otras lecturas#

DAMO-YOLO y RTDETRv2 han impulsado la detección de objetos en tiempo real. DAMO-YOLO ofrece estructuras de red optimizadas y buscadas automáticamente para maximizar la eficiencia, mientras que RTDETRv2 demuestra que los Transformer pueden competir en el ámbito del tiempo real al eliminar cuellos de botella tradicionales como NMS.

Sin embargo, para los desarrolladores que buscan un equilibrio entre rendimiento, documentación completa y preparación para producción, los modelos YOLO de Ultralytics siguen siendo una opción predeterminada sólida. Con YOLO26, los usuarios obtienen detección integral opcional similar a la de los Transformer, eficiencia de entrenamiento inspirada en los LLM e inferencia rápida en CPU dentro de un ecosistema intuitivo y robusto.

Si estás evaluando modelos para tu próximo proyecto, también puedes leer la comparación EfficientDet frente a RT-DETR, explorar la generación anterior YOLO11 o revisar referencias académicas como YOLOX. Empieza a crear hoy mismo explorando la guía de inicio rápido de Ultralytics.

Comentarios

Haz una pregunta, comparte tus resultados o ayuda a otra persona.