DAMO-YOLO frente a RTDETRv2#

El panorama de la visión artificial, en rápida evolución, ha producido una impresionante variedad de arquitecturas diseñadas para equilibrar velocidad, precisión y eficiencia computacional. Dos modelos destacados que han aportado enfoques únicos para resolver estos desafíos son DAMO-YOLO y RTDETRv2. Aunque ambos modelos tienen como objetivo proporcionar soluciones de vanguardia para la inferencia en tiempo real, difieren fundamentalmente en sus filosofías arquitectónicas.

Esta guía exhaustiva profundiza en las especificaciones técnicas, las innovaciones arquitectónicas y los casos de uso prácticos de ambos modelos, al tiempo que explora cómo las soluciones modernas como Ultralytics Platform y el vanguardista YOLO26 han redefinido los estándares de la industria en cuanto a implementación y facilidad de uso.

Resumen de modelos#

Entender DAMO-YOLO#

Desarrollado por investigadores de Alibaba Group, DAMO-YOLO introduce un método de detección de objetos rápido y preciso que depende en gran medida de la búsqueda de arquitectura neuronal (NAS). Sustituye las estructuras convencionales diseñadas manualmente por otras generadas mediante NAS y optimizadas para una baja latencia. Además, incorpora una eficiente RepGFPN (Reparameterized Generalized Feature Pyramid Network) y un diseño ZeroHead para agilizar la agregación de características y las predicciones de los cuadros delimitadores.

Detalles clave del modelo:

• Autores: Xianzhe Xu, Yiqi Jiang, Weihua Chen, Yilun Huang, Yuan Zhang y Xiuyu Sun
• Organization: Alibaba Group
• Fecha: 23-11-2022
• Arxiv: 2211.15444v2
• GitHub: tinyvision/DAMO-YOLO
• Documentación: DAMO-YOLO Documentation

Más información sobre DAMO-YOLO

Entender RTDETRv2#

El RTDETRv2 de Baidu representa un salto significativo para los Transformers de detección en tiempo real. A diferencia de las redes neuronales convolucionales (CNN) tradicionales que dependen de cuadros de anclaje y de la supresión no máxima (NMS), RTDETRv2 utiliza mecanismos de autoatención para visualizar el contexto de toda la imagen. Produce cuadros delimitadores directamente, evitando por completo el paso de posprocesamiento NMS. Este modelo introduce una estrategia de entrenamiento de "bag of freebies" para mejorar la precisión base sin aumentar la latencia de inferencia.

Detalles clave del modelo:

• Autores: Wenyu Lv, Yian Zhao, Qinyao Chang, Kui Huang, Guanzhong Wang y Yi Liu
• Organización: Baidu
• Fecha: 24-07-2024
• Arxiv: 2407.17140
• GitHub: Repositorio RT-DETR
• Documentación: Documentación RTDETRv2

Más información sobre RTDETRv2

Comparación de rendimiento#

Al evaluar estos modelos para su implementación en el mundo real, parámetros como la precisión media (mAP), la velocidad de inferencia y el consumo de memoria son críticos. Los modelos basados en transformers como RTDETRv2 suelen exigir mayor memoria CUDA durante el entrenamiento y la inferencia en comparación con CNN ligeras como DAMO-YOLO.

A continuación, presentamos una comparación detallada de sus métricas de rendimiento.

Casos de uso ideales#

Dónde destaca DAMO-YOLO: Gracias a su espina dorsal optimizada por NAS y a su recuento de parámetros excepcionalmente bajo en sus variantes más pequeñas (como DAMO-YOLOt), es muy adecuado para su implementación en hardware altamente limitado. Si estás creando soluciones para dispositivos embebidos utilizando tiempos de ejecución como ONNX o motores especializados de TensorRT para informática de borde, DAMO-YOLO ofrece un marco de trabajo sumamente receptivo.

Dónde destaca RTDETRv2: RTDETRv2 brilla en escenarios donde se dispone de GPU de categoría de servidor y el contexto global de la imagen es fundamental. Su arquitectura de Transformer le permite resolver de forma natural cuadros delimitadores superpuestos sin NMS, lo que lo convierte en una opción sólida para la gestión de multitudes densa o el seguimiento de objetos complejo donde las relaciones espaciales entre objetos distantes son críticas.

La ventaja de Ultralytics: Presentamos YOLO26#

Aunque DAMO-YOLO y RTDETRv2 representan logros académicos significativos, la transición de estos modelos a aplicaciones escalables y listas para producción puede ser complicada. Los desarrolladores a menudo se enfrentan a bases de código fragmentadas, falta de soporte para el aprendizaje multitarea y tuberías (pipelines) de implementación complejas.

Aquí es donde el ecosistema de Ultralytics realmente marca la diferencia. Al priorizar la facilidad de uso, una API de Python bien mantenida y una versatilidad inigualable, Ultralytics garantiza que los desarrolladores pasen menos tiempo depurando y más tiempo construyendo.

El modelo Ultralytics YOLO26, lanzado recientemente, lleva estas ventajas al siguiente nivel, ofreciendo avances que superan tanto a DAMO-YOLO como a RTDETRv2:

• Diseño de extremo a extremo sin NMS: Pionado originalmente en YOLOv10, YOLO26 es nativamente de extremo a extremo. Esto elimina por completo el posprocesamiento NMS, haciendo que la implementación sea más rápida y drásticamente más simple que en las redes CNN tradicionales, a la vez que iguala las ventajas de salida directa de RTDETRv2.
• Inferencia en CPU hasta un 43% más rápida: Altamente optimizado para dispositivos de IA de borde sin GPU discretas, lo que lo convierte en una opción enormemente superior para aplicaciones de IoT en comparación con los transformers que consumen mucha memoria.
• Optimizador MuSGD: Inspirado en Kimi K2 de Moonshot AI, este híbrido de SGD y Muon incorpora las innovaciones de entrenamiento de los modelos de lenguaje extenso (LLM) a la visión artificial, lo que da como resultado un entrenamiento notablemente estable y una convergencia más rápida.
• ProgLoss + STAL: Estas funciones de pérdida avanzadas ofrecen mejoras notables en el reconocimiento de objetos pequeños, un área en la que los modelos tradicionalmente tienen dificultades. Esto es fundamental para la imaginería aérea y las aplicaciones de drones.
• Eliminación de DFL: Se ha eliminado la Distribution Focal Loss para garantizar formatos de exportación simplificados y una mejor compatibilidad con dispositivos de borde de bajo consumo.
• Versatilidad sin rival: A diferencia de los modelos de la competencia limitados estrictamente a la detección, YOLO26 incluye mejoras específicas para cada tarea en todos los ámbitos, como la pérdida de ángulo especializada para Oriented Bounding Boxes (OBB), la pérdida de segmentación semántica para una precisión de píxel perfecto y la estimación de probabilidad logarítmica residual (RLE) para la Estimación de pose.

Más información sobre YOLO26

Ejemplo de código: La API unificada de Ultralytics#

Uno de los mayores beneficios del ecosistema Ultralytics es su API unificada. Puedes cargar, entrenar y validar sin problemas una gran variedad de modelos (incluyendo una implementación en PyTorch de RTDETR y modelos YOLO de última generación) sin cambiar tu flujo de trabajo.

from ultralytics import RTDETR, YOLO

# Load an RTDETRv2 model
model_rtdetr = RTDETR("rtdetr-l.pt")

# Load the cutting-edge YOLO26 model
model_yolo = YOLO("yolo26n.pt")

# Run inference on an image with a simple, unified interface
results_rtdetr = model_rtdetr("https://ultralytics.com/images/bus.jpg")
results_yolo = model_yolo("https://ultralytics.com/images/bus.jpg")

# Display the detected objects
results_yolo[0].show()

Esta simplicidad se extiende al entrenamiento de conjuntos de datos personalizados y a la exportación. Utilizando el paquete de Python de Ultralytics, los desarrolladores pueden enviar fácilmente sus pesos entrenados a plataformas de implementación como CoreML o OpenVINO con un solo comando.

Conclusión y exploración adicional#

Tanto DAMO-YOLO como RTDETRv2 han superado indudablemente los límites de lo que es posible en la detección de objetos en tiempo real. DAMO-YOLO proporciona estructuras de red optimizadas y auto-buscadas para obtener la máxima eficiencia, mientras que RTDETRv2 demuestra que los transformers pueden competir en el espacio del tiempo real al eliminar cuellos de botella tradicionales como el NMS.

Sin embargo, para los desarrolladores que buscan el equilibrio definitivo entre rendimiento, documentación completa y preparación para la producción, los modelos Ultralytics YOLO siguen siendo el estándar de oro. Con la introducción de YOLO26, los usuarios obtienen acceso a una detección integral (end-to-end) similar a la de los transformers, eficiencia de entrenamiento inspirada en los LLM y velocidades de CPU inigualables, todo ello envuelto en un ecosistema intuitivo y robusto.

Si estás evaluando modelos para tu próximo proyecto, también te puede resultar útil leer nuestras comparaciones de EfficientDet vs RTDETR, explorar la generación anterior YOLO11 o revisar bases académicas como YOLOX. Empieza a construir hoy mismo explorando la guía de inicio rápido de Ultralytics.