PP-YOLOE+ frente a RTDETRv2#

La visión artificial ha evolucionado rápidamente en los últimos años, sobre todo en la detección de objetos en tiempo real. Elegir la arquitectura adecuada para el despliegue puede marcar la diferencia entre una aplicación lenta y con un gran consumo de memoria y un sistema optimizado y ágil. Esta comparación técnica analiza dos modelos destacados de Baidu: PP-YOLOE+, basado en redes neuronales convolucionales (CNN), y RTDETRv2, basado en Transformer. Examina sus arquitecturas, métricas de rendimiento y casos de uso más adecuados, y los compara con Ultralytics YOLO26.

PP-YOLOE+: la evolución del paradigma CNN#

Desarrollado como una iteración de sus predecesores, PP-YOLOE+ demuestra hasta dónde pueden llegar las redes neuronales convolucionales (CNN) tradicionales en la detección de objetos. Es un detector sin anclajes capaz que se basa en los mecanismos fundamentales de la serie YOLO e incorpora optimizaciones específicas para el ecosistema de PaddlePaddle.

Detalles del modelo:

• Autores: Autores de PaddlePaddle
• Organización: Baidu
• Fecha: 2022-04-02
• arXiv: 2203.16250
• GitHub: Repositorio de PaddleDetection
• Documentación: Documentación de PP-YOLOE+

Arquitectura y metodologías#

PP-YOLOE+ se basa en una red troncal CSPRepResNet y una red piramidal de características de estilo PAN para agregar eficazmente características multiescala. Utiliza un diseño sin anclajes, que elimina los ajustes heurísticos que suelen requerirse para generar cajas de anclaje. Su método de entrenamiento también emplea el aprendizaje de alineación de tareas (TAL) para asignar etiquetas y ajustar mejor las predicciones a las cajas de referencia durante el aprendizaje.

Ventajas y casos de uso#

La principal ventaja de PP-YOLOE+ es su sólido rendimiento en hardware de servidor estándar y su profunda integración con las herramientas de Baidu. Es adecuado para los flujos de trabajo industriales tradicionales, como la detección de defectos estática en entornos de fabricación donde las limitaciones de hardware no son demasiado estrictas.

Más información sobre PP-YOLOE+

RTDETRv2: transformadores de detección en tiempo real#

RTDETRv2 (Transformer de detección en tiempo real, versión 2) se aleja de las redes neuronales convolucionales puras e incorpora mecanismos de atención a la detección en tiempo real. Su objetivo es combinar la comprensión del contexto global de Transformer con la baja latencia necesaria para las aplicaciones del mundo real.

Detalles del modelo:

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

Arquitectura y metodologías#

RTDETRv2 utiliza una arquitectura híbrida que combina una red troncal CNN para extraer características con un codificador-decodificador Transformer optimizado. Una característica definitoria de RTDETRv2 es su diseño integral nativo, que evita el posprocesamiento tradicional de supresión no máxima (NMS). También gestiona la detección multiescala y las escenas complejas mediante autoatención para comprender las relaciones espaciales entre objetos distantes.

Ventajas y casos de uso#

La arquitectura Transformer hace que RTDETRv2 sea muy eficaz en situaciones donde es crucial comprender el contexto global. Sin embargo, los modelos Transformer suelen exigir mucha más memoria CUDA durante el entrenamiento y la inferencia que las CNN ligeras. Es más adecuado para entornos sin restricciones de hardware, como el análisis de vídeo en la nube con potentes servidores GPU.

Más información sobre RTDETRv2

Comparativa de rendimiento y métricas#

Al evaluar estos modelos, resulta fundamental considerar el equilibrio entre la precisión media promedio (mAP) y el coste computacional (medido en FLOPs y latencia de inferencia). La tabla siguiente muestra las métricas clave de distintas escalas de PP-YOLOE+ y RTDETRv2.

Aunque RTDETRv2 ofrece una mAP sólida a costa de un mayor número de parámetros y FLOPs, los desarrolladores que quieran implementarlo en dispositivos perimetrales con recursos limitados suelen encontrarse con cuellos de botella debido a las grandes necesidades de memoria típicas de las capas Transformer.

Casos de uso y recomendaciones#

Elegir entre PP-YOLOE+ y RT-DETR depende de los requisitos específicos de tu proyecto, las limitaciones de implementación y las preferencias de ecosistema.

Cuándo elegir PP-YOLOE+#

PP-YOLOE+ es una buena opción para:

• Integración con el ecosistema PaddlePaddle: Organizaciones con infraestructura existente basada en el framework y las herramientas de PaddlePaddle de Baidu.
• Implementación edge con Paddle Lite: Implementación en hardware con kernels de inferencia muy optimizados, diseñados específicamente para Paddle Lite o el motor de inferencia Paddle.
• Detección de alta precisión en servidores: Escenarios que priorizan la máxima precisión de detección en servidores con GPU potentes, donde la dependencia del framework no supone un problema.

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 dedicada por GPU, donde la inferencia hasta un 43 % más rápida de YOLO26 en CPU (YOLO26n frente a YOLO11n) ofrece una ventaja clara.
• 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 PP-YOLOE+ y RTDETRv2 son hitos importantes, los desarrolladores actuales necesitan un ecosistema que combine un alto rendimiento con una experiencia de uso sencilla. La plataforma Ultralytics y el modelo YOLO26 están diseñados precisamente para eso.

Lanzado en enero de 2026, YOLO26 está diseñado para una IA de visión que prioriza los dispositivos edge. Resuelve los obstáculos de despliegue asociados a arquitecturas anteriores y, además, mejora su velocidad y precisión.

Innovaciones arquitectónicas#

YOLO26 incorpora varias mejoras respecto a las redes neuronales convolucionales tradicionales y los modelos Transformer de gran tamaño:

• Diseño integral sin NMS: Al igual que RTDETRv2, YOLO26 admite la inferencia integral nativa. Al omitir el posprocesamiento NMS con su cabezal opcional uno a uno (nms=False), permite un despliegue más rápido y sencillo, con menos fluctuaciones de latencia, ideal para la robótica en tiempo real y los sistemas autónomos.
• Inferencia en CPU hasta un 43 % más rápida: Gracias a sus optimizaciones arquitectónicas, YOLO26 supera ampliamente a los modelos competidores en dispositivos edge sin GPU discreta: YOLO26n es hasta un 43 % más rápido que YOLO11n en CPU, lo que lo convierte en una excelente opción para aplicaciones de IoT y ciudades inteligentes.
• Optimizador MuSGD: Inspirado en las innovaciones de entrenamiento de LLM, YOLO26 utiliza una combinación híbrida de SGD y Muon. Esto ofrece un entrenamiento más estable y una convergencia más rápida, y reduce considerablemente las horas de entrenamiento en GPU.
• ProgLoss + STAL: La pérdida progresiva y la asignación de etiquetas consciente de los objetos pequeños mejoran notablemente su reconocimiento, un ámbito en el que históricamente modelos como PP-YOLOE+ tienen dificultades, y resultan fundamentales para las imágenes aéreas y las aplicaciones con drones.
• Eliminación de DFL: La eliminación de la pérdida focal de distribución simplifica el proceso de exportación y mejora la compatibilidad con diversos dispositivos edge y de bajo consumo.

Facilidad de uso#

Uno de los mayores inconvenientes de adoptar arquitecturas complejas como RTDETRv2 es su pronunciada curva de aprendizaje y sus procesos de integración fragmentados. El ecosistema de Ultralytics abstrae estas complejidades mediante una API de Python intuitiva y la plataforma Ultralytics basada en web.

Tanto si estás entrenando con conjuntos de datos personalizados como si ejecutas inferencias rápidas, el proceso es sencillo:

from ultralytics import RTDETR, YOLO

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

# Como alternativa, inicializa un modelo RT-DETR con la misma API sencilla
model_rtdetr = RTDETR("rtdetr-l.pt")

# Ejecuta inferencias en tiempo real
results = model_yolo("https://ultralytics.com/images/zidane.jpg")
results[0].show()

# Exporta para la implementación en edge con una sola línea
model_yolo.export(format="engine", quantize=16)

Los modelos Ultralytics YOLO suelen requerir menos memoria, por lo que puedes entrenar más rápido y desplegarlos en hardware más económico que las alternativas basadas en Transformer. El desarrollo activo y la documentación exhaustiva también ayudan a mantener estables tus procesos de producción.

Para los equipos que exploran alternativas, YOLO11 sigue siendo un predecesor capaz y bien respaldado dentro del ecosistema, y ofrece una base sólida para las integraciones de hardware existentes. También puede resultarte útil la comparación entre YOLO11 y RT-DETR.

Resumen#

PP-YOLOE+ y RTDETRv2 han contribuido enormemente a la evolución de la visión artificial, pues demuestran, respectivamente, la viabilidad de las canalizaciones CNN avanzadas y de los Transformer en tiempo real. Sin embargo, para las organizaciones que en 2026 quieran desplegar aplicaciones de visión artificial robustas, versátiles y optimizadas, la solución recomendada es Ultralytics YOLO26. Su inferencia opcional sin NMS, la inferencia en CPU significativamente más rápida y su ecosistema optimizado ayudan a los desarrolladores a pasar rápidamente de la idea a una producción escalable.