RTDETRv2 frente a DAMO-YOLO#

El panorama de la visión artificial evoluciona constantemente: investigadores e ingenieros se esfuerzan por crear modelos que equilibren a la perfección la velocidad, la precisión y la eficiencia. Dos arquitecturas destacadas que han tenido un gran impacto en este ámbito son RTDETRv2, desarrollado por Baidu, y DAMO-YOLO, creado por Alibaba Group. Ambos modelos amplían los límites de la detección de objetos en tiempo real, pero adoptan filosofías arquitectónicas fundamentalmente distintas para lograr sus impresionantes resultados.

En esta comparativa técnica, analizaremos en profundidad sus arquitecturas, metodologías de entrenamiento y capacidades de despliegue en el mundo real. También veremos cómo se comparan estos modelos con el ecosistema más amplio, en particular con la Plataforma Ultralytics, altamente optimizada, y la arquitectura YOLO26, de última generación.

Innovaciones arquitectónicas#

Comprender los mecanismos fundamentales de estos modelos es crucial para los ingenieros de aprendizaje automático que deben elegir la herramienta adecuada para entornos de producción.

RTDETRv2: el enfoque Transformer#

A partir del éxito del RT-DETR original, RTDETRv2 utiliza un codificador híbrido y un decodificador Transformer. Este diseño permite al modelo procesar el contexto global con gran eficacia, lo que lo hace especialmente bueno para distinguir objetos superpuestos en escenas con gran densidad de elementos. La ventaja más importante de esta arquitectura es su diseño nativo sin NMS (supresión no máxima). Al eliminar la etapa de posprocesamiento NMS, RTDETRv2 agiliza la canalización de inferencia y garantiza una latencia más estable en distintas configuraciones de hardware.

Más información sobre RTDETRv2

DAMO-YOLO: avances en la eficiencia de las CNN#

DAMO-YOLO, por su parte, se mantiene dentro de la exitosa línea de modelos YOLO basados en CNN, pero incorpora varias mejoras revolucionarias. Aprovecha la búsqueda de arquitecturas neuronales (NAS) para optimizar su red troncal y garantizar la máxima eficiencia en la extracción de características. Además, incorpora una RepGFPN (red piramidal de características generalizada reparametrizada) eficiente y un diseño ZeroHead, junto con técnicas de mejora AlignedOTA y de destilación. Estas innovaciones permiten a DAMO-YOLO alcanzar velocidades de inferencia rápidas y mantener una puntuación mAP^val muy competitiva.

Más información sobre DAMO-YOLO

Comparativa de rendimiento y métricas#

Al evaluar modelos para su despliegue, son fundamentales las métricas de rendimiento, como la precisión media promedio (mAP), la velocidad de inferencia y el número de parámetros. A continuación se muestra una comparativa detallada de las dos familias de modelos.

Análisis de los resultados#

Como se observa en la tabla, RTDETRv2-x alcanza la mayor precisión, con un mAP^val de 54,3, lo que demuestra la potencia de la arquitectura Transformer en conjuntos de validación complejos, como el conjunto de datos COCO. Sin embargo, esto implica un número de parámetros (76M) y FLOPs considerablemente mayor.

Por el contrario, DAMO-YOLOt (Tiny) es excepcionalmente ligero: solo requiere 8,5M de parámetros, lo que lo convierte en una opción increíblemente rápida para entornos con una memoria CUDA muy limitada. DAMO-YOLO suele ofrecer un equilibrio favorable entre velocidad y precisión para dispositivos edge antiguos.

Ecosistema, facilidad de uso y la ventaja de Ultralytics#

Aunque los repositorios independientes, como el GitHub oficial de RT-DETR y el GitHub de DAMO-YOLO, ofrecen el código sin procesar para entrenar estos modelos, integrarlos en canalizaciones de producción suele requerir mucho código repetitivo y optimización manual.

Aquí es donde el ecosistema Ultralytics simplifica drásticamente la experiencia de desarrollo. Ultralytics integra detectores Transformer, como el RT-DETR original, directamente en su API unificada, lo que permite entrenar, validar y exportar modelos con una sola línea de código. Además, los modelos de Ultralytics son conocidos por sus reducidos requisitos de memoria durante el entrenamiento, en comparación con los repositorios independientes basados en Transformer, que requieren muchos recursos.

Ejemplo de código: integración sencilla#

Así de fácil es aprovechar la biblioteca Python de Ultralytics para ejecutar inferencias. La API es la misma tanto si utilizas un modelo Transformer como una CNN de última generación.

from ultralytics import RTDETR, YOLO

# Cargar un modelo RT-DETR para comprender escenas complejas
model_rtdetr = RTDETR("rtdetr-l.pt")

# Cargar el modelo Ultralytics YOLO26 más reciente para obtener el máximo rendimiento en el edge
model_yolo26 = YOLO("yolo26n.pt")

# Ejecutar inferencias en una imagen de muestra sin esfuerzo
results_rtdetr = model_rtdetr("https://ultralytics.com/images/bus.jpg")
results_yolo = model_yolo26("https://ultralytics.com/images/bus.jpg")

# Muestra los resultados
results_yolo[0].show()

Casos de uso ideales#

La elección entre estas arquitecturas depende por completo de los requisitos específicos de tu proyecto:

• RTDETRv2 destaca en el procesamiento en servidores con abundante VRAM. Su capacidad para comprender el contexto global es perfecta para el diagnóstico por imagen y el análisis de multitudes densas, donde las oclusiones son frecuentes.
• DAMO-YOLO es muy adecuado para las aplicaciones IoT integradas y las líneas de inspección industrial de alta velocidad, donde el bajo número de parámetros y una tasa elevada de FPS son requisitos estrictos.

El futuro: Ultralytics YOLO26#

Aunque RTDETRv2 y DAMO-YOLO tienen sus ventajas, el campo de la visión artificial avanza rápidamente. Para proyectos nuevos, el último Ultralytics YOLO26 representa la síntesis definitiva de velocidad, precisión y experiencia de desarrollo.

YOLO26 adopta un diseño integral sin NMS, que ofrece la principal ventaja de los Transformer sin una sobrecarga computacional enorme. Incorpora el innovador optimizador MuSGD, inspirado en el entrenamiento de modelos de lenguaje grandes, para lograr una convergencia estable y rápida. Además, gracias a la eliminación de DFL (se elimina Distribution Focal Loss para simplificar la exportación y mejorar la compatibilidad con dispositivos edge y de bajo consumo), YOLO26 consigue una inferencia en CPU hasta un 43 % más rápida, lo que lo convierte en el líder indiscutible de la computación edge. Asimismo, ProgLoss + STAL ofrece funciones de pérdida mejoradas que permiten reconocer mejor los objetos pequeños, algo esencial para IoT, la robótica y las imágenes aéreas.

A diferencia de los modelos limitados exclusivamente a los cuadros delimitadores, la familia YOLO26 ofrece una versatilidad incomparable y admite tareas que van desde la segmentación de instancias y la estimación de pose hasta los cuadros delimitadores orientados (OBB), todo ello gestionado fácilmente a través de la intuitiva Plataforma Ultralytics.

Detalles y referencias del modelo#

RTDETRv2#

• 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 RT-DETR

DAMO-YOLO#

• Autores: Xianzhe Xu, Yiqi Jiang, Weihua Chen, Yilun Huang, Yuan Zhang y Xiuyu Sun
• Organización: Alibaba Group
• Fecha: 2022-11-23
• Arxiv: 2211.15444v2
• GitHub: Repositorio de DAMO-YOLO

Si quieres explorar otras comparativas, consulta nuestras guías sobre RTDETRv2 frente a YOLO11 o DAMO-YOLO frente a YOLOv8 para ver cómo rinden estos modelos frente a generaciones anteriores de la familia Ultralytics.