RTDETRv2 vs. DAMO-YOLO: Un análisis profundo de la detección de objetos en tiempo real

El panorama de la visión artificial está evolucionando rápidamente, con investigadores que constantemente superan los límites entre la velocidad de inferencia y la precisión de detección. Dos contendientes destacados en este campo son RTDETRv2, un modelo basado en transformadores de Baidu, y DAMO-YOLO, una red convolucional altamente optimizada de Alibaba. Esta comparación técnica explora las distintas filosofías arquitectónicas de estos modelos, sus métricas de rendimiento y los escenarios de aplicación ideales.

Puntos de referencia del rendimiento: Velocidad vs. Precisión

Al seleccionar un modelo de detección de objetos, el equilibrio principal generalmente se encuentra entre la precisión media promedio (mAP) y la latencia. Los siguientes datos destacan las diferencias de rendimiento entre RTDETRv2 y DAMO-YOLO en el conjunto de datos de validación COCO.

Modelo	tamaño ^(píxeles)	mAP^val 50-95	Velocidad ^{CPU ONNX (ms)}	Velocidad ^{T4 TensorRT10 (ms)}	parámetros ^(M)	FLOPs ^(B)
RTDETRv2-s	640	48.1	-	5.03	20	60
RTDETRv2-m	640	51.9	-	7.51	36	100
RTDETRv2-l	640	53.4	-	9.76	42	136
RTDETRv2-x	640	54.3	-	15.03	76	259

DAMO-YOLOt	640	42.0	-	2.32	8.5	18.1
DAMO-YOLOs	640	46.0	-	3.45	16.3	37.8
DAMO-YOLOm	640	49.2	-	5.09	28.2	61.8
DAMO-YOLOl	640	50.8	-	7.18	42.1	97.3

Los datos revelan una clara distinción en la filosofía de diseño. DAMO-YOLO prioriza la velocidad y la eficiencia brutas, con la variante 'Tiny' que logra una latencia excepcionalmente baja, adecuada para entornos de computación perimetral restringidos. Por el contrario, RTDETRv2 busca la máxima precisión, con su variante más grande que alcanza un notable 54.3 mAP, lo que la hace superior para tareas donde la precisión es primordial.

RTDETRv2: La potencia del Transformer

RTDETRv2 se basa en el éxito de la arquitectura Detection Transformer (DETR), abordando el alto coste computacional que suele asociarse a los transformadores de visión, al tiempo que mantiene su capacidad para capturar el contexto global.

Autores: Wenyu Lv, Yian Zhao, Qinyao Chang, Kui Huang, Guanzhong Wang, y Yi Liu
Organización:Baidu
Fecha: 2023-04-17 (Inicial), 2024-07-24 (Actualización v2)
Arxiv:RT-DETRv2: Línea base mejorada con Bag-of-Freebies
GitHub:Repositorio RT-DETRv2

Arquitectura y Capacidades

RTDETRv2 emplea un codificador híbrido que procesa eficientemente características multiescala. A diferencia de los modelos YOLO tradicionales basados en CNN, RTDETR elimina la necesidad de post-procesamiento de Supresión No Máxima (NMS). Este enfoque de extremo a extremo simplifica la canalización de despliegue y reduce la variabilidad de la latencia en escenas abarrotadas.

El modelo utiliza un codificador híbrido eficiente que desacopla la interacción intraescala y la fusión inter-escala, reduciendo significativamente la sobrecarga computacional en comparación con los modelos DETR estándar. Este diseño le permite sobresalir en la identificación de objetos en entornos complejos donde la oclusión podría confundir a los detectores convolucionales estándar.

Uso de la memoria del transformador

Si bien RTDETRv2 ofrece una alta precisión, es importante tener en cuenta que las arquitecturas Transformer generalmente consumen significativamente más memoria CUDA durante el entrenamiento en comparación con las CNN. Los usuarios con VRAM de GPU limitada pueden encontrar un desafío entrenar estos modelos en comparación con alternativas eficientes como YOLO11.

Más información sobre RTDETR

DAMO-YOLO: Optimizado para la eficiencia

DAMO-YOLO representa un enfoque riguroso de la optimización arquitectónica, aprovechando la Búsqueda de Arquitectura Neuronal (NAS) para encontrar las estructuras más eficientes para la extracción y fusión de características.

Autores: Xianzhe Xu, Yiqi Jiang, Weihua Chen, Yilun Huang, Yuan Zhang, y Xiuyu Sun
Organización:Alibaba Group
Fecha: 2022-11-23
Arxiv:DAMO-YOLO: A Report on Real-Time Object Detection Design
GitHub:Repositorio DAMO-YOLO

Innovaciones arquitectónicas clave

DAMO-YOLO integra varias tecnologías avanzadas para maximizar el equilibrio entre velocidad y precisión:

Backbone MAE-NAS: Emplea un backbone descubierto a través de la Búsqueda de Arquitectura Neuronal Eficiente Consciente del Método, asegurando que cada parámetro contribuya eficazmente a la extracción de características.
RepGFPN: Un diseño de cuello especializado que fusiona características a través de escalas con un coste computacional mínimo, mejorando la detection de objetos pequeños sin detener las velocidades de inferencia.
ZeroHead: Un cabezal de detección simplificado que reduce la complejidad de las capas de predicción finales.

Este modelo es particularmente sólido en escenarios que requieren un alto rendimiento, como líneas de ensamblaje industrial o monitoreo de tráfico de alta velocidad, donde los milisegundos cuentan.

Más información sobre DAMO-YOLO

Escenarios de Aplicación en el Mundo Real

La elección entre estos dos modelos a menudo se reduce a las limitaciones específicas del entorno de implementación.

Cuándo elegir RTDETRv2

RTDETRv2 es la opción preferida para aplicaciones en las que la precisión no es negociable y los recursos de hardware son amplios.

Imágenes médicas: En el análisis de imágenes médicas, perder una detección (falso negativo) puede tener serias consecuencias. El alto mAP de RTDETRv2 lo hace adecuado para detectar anomalías en radiografías o resonancias magnéticas.
Vigilancia detallada: Para los sistemas de seguridad que requieren reconocimiento facial o la identificación de pequeños detalles a distancia, las capacidades de contexto global de la arquitectura transformer proporcionan una ventaja distintiva.

Cuándo elegir DAMO-YOLO

DAMO-YOLO destaca en entornos con recursos limitados o aplicaciones que requieren una latencia ultrabaja.

Robótica: Para robots móviles autónomos que procesan datos visuales en dispositivos integrados alimentados por batería, la eficiencia de DAMO-YOLO garantiza una capacidad de respuesta en tiempo real.
Fabricación de alta velocidad: En la automatización de la fabricación, la detección de defectos en cintas transportadoras de movimiento rápido requiere las rápidas velocidades de inferencia proporcionadas por las variantes DAMO-YOLO-tiny y small.

La ventaja de Ultralytics: Por qué YOLO11 es la opción óptima

Si bien RTDETRv2 y DAMO-YOLO ofrecen características convincentes, Ultralytics YOLO11 proporciona una solución holística que equilibra el rendimiento, la usabilidad y el soporte del ecosistema, lo que la convierte en la opción superior para la mayoría de los desarrolladores e investigadores.

Ecosistema y Usabilidad Inigualables

Una de las barreras más importantes para la adopción de modelos de investigación es la complejidad de su base de código. Ultralytics elimina esta fricción con una API de python unificada y fácil de usar. Ya sea que esté realizando segmentación de instancias, estimación de poses o clasificación, el flujo de trabajo sigue siendo coherente e intuitivo.

from ultralytics import YOLO

# Load a model (YOLO11 offers various sizes: n, s, m, l, x)
model = YOLO("yolo11n.pt")

# Train the model with a single line of code
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference on an image
results = model("path/to/image.jpg")

Versatilidad en todas las tareas

A diferencia de DAMO-YOLO, que se centra principalmente en la detección, YOLO11 es una plataforma versátil. Admite una amplia gama de tareas de visión artificial de forma inmediata, incluida la detección de Bounding Box Orientados (OBB), que es crucial para las imágenes aéreas y el análisis de documentos. Esta versatilidad permite a los equipos estandarizarse en un único framework para múltiples requisitos de proyecto.

Eficiencia del entrenamiento y gestión de la memoria

YOLO11 está diseñado para la eficiencia. Normalmente requiere menos memoria de GPU (VRAM) para el entrenamiento en comparación con los modelos basados en transformadores como RTDETRv2. Esta eficiencia reduce la barrera del hardware, permitiendo a los desarrolladores entrenar modelos de última generación en GPUs de consumo o utilizar eficazmente los recursos de la nube a través del ecosistema Ultralytics. Además, la extensa biblioteca de pesos pre-entrenados asegura que el aprendizaje por transferencia sea rápido y efectivo, reduciendo significativamente el tiempo de comercialización de las soluciones de IA.

Para aquellos que buscan una solución robusta, bien mantenida y de alto rendimiento que evolucione con la industria, Ultralytics YOLO11 sigue siendo el estándar recomendado.

Explorar otras comparaciones

Para comprender mejor cómo estos modelos encajan en el panorama más amplio de la visión artificial, explore estas comparaciones relacionadas: