RTDETRv2 frente a EfficientDet
Elegir la arquitectura de red neuronal óptima es una decisión fundamental para cualquier proyecto de visión por computador. Esta comparación técnica analiza dos modelos influyentes de detección de objetos: RTDETRv2, un detector en tiempo real basado en Transformer, y EfficientDet, una red neuronal convolucional altamente escalable. Evalúa sus arquitecturas, métricas de rendimiento, métodos de entrenamiento y escenarios de despliegue más adecuados para ayudarte a tomar decisiones basadas en datos para tus flujos de IA.
RTDETRv2: el Transformer de detección en tiempo real#
A partir del éxito del RT-DETR original, RTDETRv2 perfecciona el paradigma de la detección de objetos basada en Transformer. Al optimizar las estructuras del codificador y del decodificador, ofrece una gran precisión y mantiene velocidades de inferencia en tiempo real, lo que reduce eficazmente la brecha entre las CNN tradicionales y los Transformer de visión.
Detalles del modelo
- Autores: Wenyu Lv, Yian Zhao, Qinyao Chang, Kui Huang, Guanzhong Wang y Yi Liu
- Organización: Baidu
- Fecha: 2024-07-24
- Enlaces: arXiv, GitHub, Documentación
Arquitectura y puntos fuertes principales#
RTDETRv2 utiliza una arquitectura híbrida que combina una sólida red troncal CNN (a menudo ResNet o HGNet) con un decodificador Transformer eficiente. La característica más distintiva de RTDETRv2 es su capacidad nativa para prescindir de la supresión no máxima (NMS). Los detectores tradicionales necesitan NMS para filtrar cuadros delimitadores duplicados, lo que añade una latencia de inferencia variable durante el posprocesamiento. RTDETRv2 formula la detección como un problema de predicción directa de conjuntos y utiliza emparejamiento bipartito para generar predicciones únicas.
Este modelo ofrece mejores resultados en despliegues en servidores con abundante memoria de GPU. Su mecanismo de atención global proporciona una gran capacidad para captar el contexto, por lo que resulta especialmente adecuado para separar objetos solapados en entornos densos y abarrotados, como los sistemas automatizados de alarma de seguridad o la vigilancia de grandes aglomeraciones.
Limitaciones#
Aunque son potentes, las arquitecturas Transformer requieren inherentemente más memoria CUDA durante el entrenamiento que las CNN estándar. Además, el ajuste fino de RTDETRv2 puede tardar más en converger con nuevos datos de entrenamiento, lo que hace que la creación rápida de prototipos consuma más recursos.
Más información sobre RTDETRv2
EfficientDet: CNN escalables y eficientes#
EfficientDet introdujo una familia de modelos de detección de objetos optimizados tanto para la precisión como para la eficiencia, en un amplio abanico de restricciones de recursos. Sigue siendo un ejemplo clásico de diseño escalable de visión artificial.
Detalles del modelo
- Autores: Mingxing Tan, Ruoming Pang y Quoc V. Le
- Organización: Google
- Fecha: 2019-11-20
- Enlaces: arXiv, GitHub, Documentación
Arquitectura y puntos fuertes principales#
La innovación de EfficientDet reside en dos aspectos clave: la red piramidal de características bidireccional (BiFPN) y un método de escalado compuesto. BiFPN permite una extracción de características multiescala sencilla y rápida al introducir pesos aprendibles para determinar la importancia de distintas características de entrada, y aplicar repetidamente la fusión de características multiescala de arriba abajo y de abajo arriba. El método de escalado compuesto ajusta simultáneamente y de manera uniforme la resolución, la profundidad y la anchura de la red.
Los modelos EfficientDet abarcan desde el ligero D0 hasta el mucho más grande D7. Esto los hace versátiles para despliegues de IA en el borde, donde los desarrolladores deben equilibrar presupuestos computacionales ajustados con los requisitos de precisión, como en las primeras aplicaciones móviles de realidad aumentada.
Limitaciones#
EfficientDet es una arquitectura antigua que depende en gran medida de los cuadros de anclaje y de la canalización tradicional de posprocesamiento NMS. El proceso de generación de anclajes requiere un ajuste cuidadoso de los hiperparámetros, y la etapa NMS puede limitar el rendimiento del despliegue en hardware integrado, como una Raspberry Pi. Tampoco ofrece compatibilidad nativa con tareas modernas, como la estimación de pose o los cuadros delimitadores orientados (OBB).
Más información sobre EfficientDet
Comparativa de rendimiento y métricas#
Para comprender las diferencias exactas entre estos modelos, hay que analizar su rendimiento y eficiencia en cuanto al número de parámetros. La tabla siguiente muestra cómo se compara la moderna serie RTDETRv2 con la escalable familia EfficientDet.
| Modelo | tamaño (píxeles) | mAPval50-95 | 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 |
| EfficientDet-d0 | 512 | 34.6 | - | 3.92 | 3.9 | 2.54 |
| EfficientDet-d1 | 640 | 40.5 | - | 7.31 | 6.6 | 6.1 |
| EfficientDet-d2 | 768 | 43.0 | - | 10.92 | 8.1 | 11.0 |
| EfficientDet-d3 | 896 | 47.5 | - | 19.59 | 12.0 | 24.9 |
| EfficientDet-d4 | 1024 | 49.7 | - | 33.55 | 20.7 | 55.2 |
| EfficientDet-d5 | 1280 | 51.5 | - | 67.86 | 33.7 | 130.0 |
| EfficientDet-d6 | 1280 | 52.6 | - | 89.29 | 51.9 | 226.0 |
| EfficientDet-d7 | 1536 | 53.7 | - | 128.07 | 51.9 | 325.0 |
Como se observa arriba, RTDETRv2 iguala o supera la precisión media (mAP) de modelos EfficientDet de tamaño similar, a la vez que es mucho más rápido en GPU (por ejemplo, 53,4 mAP en 9,76 ms para RTDETRv2-l frente a 52,6 mAP en 89,29 ms para EfficientDet-d6), gracias a su arquitectura Transformer, que mejora la precisión.
Casos de uso y recomendaciones#
La elección entre RT-DETR y EfficientDet depende de los requisitos específicos de tu proyecto, las restricciones del despliegue y tus preferencias de ecosistema.
Cuándo elegir RT-DETR#
RT-DETR es una excelente opción 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 EfficientDet#
Se recomienda EfficientDet 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 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 alternativa de Ultralytics#
Aunque tanto RTDETRv2 como EfficientDet tienen ventajas importantes, el desarrollo moderno de la IA exige marcos de trabajo que ofrezcan una experiencia de desarrollo fluida y un rendimiento sólido. El ecosistema de Ultralytics proporciona un enfoque notablemente más ágil para las tareas de visión artificial.
Si estás explorando opciones modernas de detección, el recién publicado Ultralytics YOLO26 combina las mejores características de las CNN y los Transformer.
YOLO26 implementa un diseño opcional de extremo a extremo sin NMS (nms=False), que incorpora la sencillez de despliegue de RTDETRv2 a la eficiente arquitectura YOLO. También introduce el optimizador MuSGD, inspirado en las técnicas de entrenamiento de los LLM, para mejorar la estabilidad del entrenamiento. Gracias a la eliminación de DFL (se elimina Distribution Focal Loss para simplificar la exportación y mejorar la compatibilidad con dispositivos periféricos y de bajo consumo), YOLO26n ofrece una inferencia en CPU hasta un 43 % más rápida que YOLO11n, lo que lo convierte en una excelente opción para la computación en el borde frente a modelos más pesados. ProgLoss + STAL (Progressive Loss y asignación de etiquetas consciente de los objetos pequeños) también mejora notablemente el reconocimiento de objetos pequeños, algo crucial para IoT, la robótica y las imágenes aéreas.
El paquete de Python de Ultralytics está diseñado para facilitar el uso. Los desarrolladores pueden entrenar, validar y exportar modelos mediante una API intuitiva que abstrae el código repetitivo que suelen requerir los repositorios de investigación.
from ultralytics import RTDETR
# Carga un modelo RT-DETR preentrenado del ecosistema Ultralytics
model = RTDETR("rtdetr-l.pt")
# Entrena el modelo con el conjunto de datos COCO8
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Exporta para optimizar la inferencia en TensorRT
model.export(format="engine")Los modelos de Ultralytics admiten de forma nativa varias tareas, como la segmentación de instancias y la clasificación de imágenes, y proporcionan un conjunto de herramientas versátil para diversas necesidades del sector. La eliminación de Distribution Focal Loss (DFL) en los modelos modernos de Ultralytics también simplifica el grafo computacional y facilita la exportación a NPU y TPU integradas.
Para la anotación de datos y la gestión de modelos, Ultralytics Platform ofrece un entorno integral en la nube para todo el ciclo de vida del aprendizaje automático, por lo que es una excelente opción para desplegar soluciones robustas de visión por computador en producción.
Comentarios
Haz una pregunta, comparte tus resultados o ayuda a otra persona.