Empezar

EfficientDet frente a RTDETRv2

Elegir la arquitectura óptima para proyectos de visión artificial exige orientarse en un panorama diverso de redes neuronales. Esta guía compara dos enfoques distintos: EfficientDet, una familia escalable de redes neuronales convolucionales (CNN), y RTDETRv2, un detector Transformer en tiempo real. Evalúa sus diferencias estructurales, métodos de entrenamiento y adecuación para el despliegue en distintos entornos de hardware.

Comprender las ventajas e inconvenientes de la eficiencia de las CNN anteriores y las capacidades de los Transformers modernos ayuda a los desarrolladores a tomar decisiones fundamentadas. La guía también explica cómo Ultralytics YOLO26 reduce la brecha con modelos rápidos, precisos y fáciles de usar.

Comprender EfficientDet#

EfficientDet impulsó la detección de objetos al introducir un enfoque bien fundamentado para escalar modelos.

Arquitectura y conceptos básicos#

En esencia, EfficientDet utiliza EfficientNet como red troncal e introduce la red piramidal de características bidireccional (BiFPN). BiFPN permite una fusión rápida de características a varias escalas mediante pesos aprendibles que determinan la importancia de las distintas características de entrada. Esto se combina con un método de escalado compuesto que escala de forma uniforme y simultánea la resolución, la profundidad y la anchura de todas las redes troncales, de características y de predicción de cajas y clases.

Puntos fuertes y limitaciones#

La principal ventaja de EfficientDet es la eficiencia de sus parámetros. Cuando se lanzó, modelos como EfficientDet-D0 lograban mayor precisión con menos parámetros y FLOPs que las versiones anteriores de YOLO. Esto lo hacía atractivo para entornos con límites de cálculo estrictos.

Sin embargo, EfficientDet utiliza la supresión no máxima (NMS) estándar durante el posprocesamiento para filtrar las cajas delimitadoras superpuestas, lo que puede crear cuellos de botella de latencia en las canalizaciones en tiempo real. Además, aunque el proceso de entrenamiento está bien documentado, ajustar EfficientDet puede resultar engorroso frente a la experiencia de desarrollo simplificada de las herramientas modernas.

Más información sobre EfficientDet

Compatibilidad con sistemas antiguos

Aunque EfficientDet allanó el camino para las redes escalables, implementar estos modelos en NPU modernas suele requerir una amplia optimización manual. Para simplificar las implementaciones, los nuevos modelos Ultralytics ofrecen la función de exportación con un solo clic.

Análisis de RTDETRv2#

RTDETRv2 representa la evolución de los detectores basados en Transformers y se aleja de las CNN tradicionales basadas en anclajes.

Avances en los Transformer#

RTDETRv2 se basa en el modelo de referencia Real-Time Detection Transformer (RT-DETR). Utiliza mecanismos de atención global que permiten al modelo comprender contextos de escena complejos sin las limitaciones localizadas de las convoluciones estándar. Su principal ventaja arquitectónica es el diseño nativo sin NMS. Al predecir los objetos directamente a partir de la imagen de entrada, simplifica la canalización de inferencia y evita el ajuste heurístico que requiere el posprocesamiento NMS.

Puntos fuertes y débiles#

RTDETRv2 funciona bien en entornos de alta densidad donde los objetos superpuestos confunden a las CNN tradicionales. Ofrece una gran precisión en conjuntos de datos de referencia complejos, como COCO.

A pesar de su precisión, los modelos Transformer requieren mucha memoria. La eficiencia del entrenamiento es notablemente menor: se necesitan muchas más épocas y un uso de memoria CUDA considerablemente mayor para converger que con las CNN. Esto hace que RTDETRv2 sea menos adecuado para los desarrolladores con presupuestos limitados para la nube o que necesitan crear prototipos rápidamente.

Más información sobre RTDETRv2

Limitaciones de memoria de los Transformer

Entrenar modelos Transformer como RTDETRv2 suele requerir GPU de gama alta. Si se producen errores por falta de memoria (OOM), plantéate usar modelos que necesiten menos memoria durante el entrenamiento, como los de la serie Ultralytics YOLO.

Comparación de pruebas de rendimiento#

Comprender las métricas de rendimiento en bruto es fundamental para elegir un modelo. La siguiente tabla compara EfficientDet y RTDETRv2 en varios tamaños.

Modelotamaño
(píxeles)
mAPval50-95Velocidad
CPU ONNX
(ms)
Velocidad
T4 TensorRT10
(ms)
parámetros
(M)
FLOPs
(B)
EfficientDet-d051234.6-3.923.92.54
EfficientDet-d164040.5-7.316.66.1
EfficientDet-d276843.0-10.928.111.0
EfficientDet-d389647.5-19.5912.024.9
EfficientDet-d4102449.7-33.5520.755.2
EfficientDet-d5128051.5-67.8633.7130.0
EfficientDet-d6128052.6-89.2951.9226.0
EfficientDet-d7153653.7-128.0751.9325.0
RTDETRv2-s64048.1-5.032060
RTDETRv2-m64051.9-7.5136100
RTDETRv2-l64053.4-9.7642136
RTDETRv2-x64054.3-15.0376259

Casos de uso y recomendaciones#

La elección entre EfficientDet y RT-DETR depende de los requisitos específicos de tu proyecto, las limitaciones de implementación y tus preferencias de ecosistema.

Cuándo elegir EfficientDet#

EfficientDet es una buena opción para:

  • Google Cloud y procesos con TPU: Sistemas basados en TensorFlow sobre la infraestructura Google Cloud TPU, donde la implementación de referencia de EfficientDet es compatible con el entrenamiento en TPU.
  • Investigación sobre el escalado compuesto: Evaluaciones comparativas académicas centradas en estudiar los efectos del escalado equilibrado de la profundidad, la anchura y la resolución de la red.
  • Implementación móvil mediante LiteRT: Proyectos que requieren específicamente exportar a LiteRT (antes TensorFlow Lite) para Android o dispositivos Linux integrados.

Cuándo elegir RT-DETR#

RT-DETR está recomendado para:

  • Investigación en detección basada en Transformer: Proyectos que exploran mecanismos de atención y arquitecturas Transformer para la detección de objetos integral sin NMS.
  • Casos que requieren gran precisión y admiten una latencia flexible: Aplicaciones en las que la precisión de detección es prioritaria y se acepta una latencia de inferencia algo mayor.
  • Detección de objetos grandes: Escenas con objetos principalmente medianos o grandes, en las que el mecanismo de atención global de los Transformer ofrece una ventaja natural.

Cuándo elegir Ultralytics (YOLO26)#

Para la mayoría de los proyectos nuevos, Ultralytics YOLO26 ofrece la mejor combinación de rendimiento y experiencia para desarrolladores:

  • Implementación edge sin NMS: Aplicaciones que necesitan inferencias uniformes y de baja latencia sin la complejidad del posprocesamiento con supresión no máxima.
  • Entornos solo con CPU: dispositivos sin aceleración de GPU dedicada, donde la inferencia en CPU hasta un 43 % más rápida de YOLO26n frente a YOLO11n supone una clara ventaja.
  • Detección de objetos pequeños: Casos exigentes, como las imágenes aéreas tomadas con drones o el análisis de sensores IoT, donde ProgLoss y STAL mejoran notablemente la precisión al detectar objetos diminutos.

La ventaja de Ultralytics: descubre YOLO26#

Aunque EfficientDet y RTDETRv2 ya ocupan un lugar en la historia de la visión artificial, los entornos de producción modernos exigen un equilibrio entre velocidad, precisión y una buena experiencia de desarrollo. Ultralytics YOLO26, presentado recientemente, combina las mejores características de estas distintas arquitecturas.

YOLO26 destaca porque combina el ecosistema simplificado por el que se conoce a Ultralytics con varias mejoras arquitectónicas.

¿Por qué elegir YOLO26 frente a la competencia?#

  • Diseño integral sin NMS: Al igual que Transformers como RTDETRv2, YOLO26 ofrece una cabeza integral (nms=False) que elimina el posprocesamiento NMS y permite canalizaciones de despliegue más rápidas y sencillas, sin el elevado número de parámetros de los Transformers puros.
  • Optimizador MuSGD: Inspirado en técnicas de entrenamiento de modelos de lenguaje grandes (como las utilizadas para Kimi K2 de Moonshot AI), YOLO26 utiliza una combinación de SGD y Muon. Esto permite un entrenamiento estable y una convergencia más rápida que con los largos ciclos de entrenamiento requeridos por RTDETRv2.
  • Optimizado para dispositivos periféricos: Como YOLO26n ofrece una inferencia en CPU hasta un 43 % más rápida que YOLO11n, YOLO26 está diseñado para la IA en el borde. Supera a los modelos Transformer pesados en hardware limitado, como móviles y cámaras inteligentes.
  • Eliminación de DFL: Eliminar Distribution Focal Loss simplifica el grafo del modelo y facilita las exportaciones a TensorRT y ONNX.
  • ProgLoss + STAL: La pérdida progresiva y la asignación de etiquetas adaptada a objetos pequeños mejoran notablemente el reconocimiento de objetos pequeños y abordan un cuello de botella habitual en las imágenes aéreas y la robótica.
  • Versatilidad: A diferencia de RTDETRv2, que se centra principalmente en la detección, YOLO26 admite de forma nativa la segmentación de instancias, la clasificación de imágenes, la estimación de poses y las cajas delimitadoras orientadas (OBB), con mejoras específicas para cada tarea, como RLE para la estimación de poses y una función de pérdida angular especializada para OBB.
Ecosistema integrado

Con Ultralytics Platform, puedes gestionar tus conjuntos de datos, entrenar en la nube modelos como YOLO26 o YOLO11 y desplegarlos mediante API flexibles.

Simplicidad del código con Ultralytics#

La API de Python de Ultralytics, con un mantenimiento constante, facilita el entrenamiento y la inferencia de modelos. Los desarrolladores pueden comparar fácilmente el rendimiento de los modelos o iniciar scripts de entrenamiento con muy poco código repetitivo.

from ultralytics import YOLO

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

# Entrena el modelo con tu conjunto de datos personalizado
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

# Ejecuta la inferencia en una imagen de prueba
predictions = model.predict("image.jpg")

Para quienes gestionan infraestructuras heredadas, Ultralytics YOLOv8, ampliamente utilizado, sigue siendo una opción estable y refleja la fiabilidad a largo plazo del ecosistema de Ultralytics. Tanto si ejecutas algoritmos complejos de seguimiento en tiempo real como si detectas defectos sencillos, actualizar a YOLO26 mantiene tu sistema preciso, eficiente en memoria y al día.

Comentarios

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