RTDETRv2 frente a PP-YOLOE+#

El campo de la visión por ordenador, en rápida evolución, ha dado lugar a diversos enfoques arquitectónicos para resolver problemas complejos de detección de objetos en tiempo real. Entre los avances recientes más destacados se encuentran RTDETRv2 y PP-YOLOE+, dos modelos potentes que abordan el reconocimiento visual desde filosofías de diseño fundamentalmente diferentes. Aunque ambos modelos aspiran a ofrecer detección de alto rendimiento, sus mecanismos subyacentes, paradigmas de entrenamiento y escenarios de implementación ideales varían considerablemente.

Esta guía exhaustiva profundiza en los matices técnicos de ambos modelos y compara sus arquitecturas, métricas de rendimiento y compatibilidad con el ecosistema para ayudar a desarrolladores e investigadores a elegir la solución óptima para sus necesidades específicas de implementación.

Descripción general de los modelos#

Antes de analizar los datos de rendimiento, es importante comprender el origen y los objetivos arquitectónicos de cada modelo. Ambos proceden de equipos de investigación de Baidu, pero representan ramas diferentes del árbol genealógico de la detección de objetos.

RTDETRv2#

RTDETRv2 representa un salto significativo en las arquitecturas de visión basadas en Transformer. A partir del Transformer de detección en tiempo real original, aprovecha una base flexible de Transformer visual combinada con un codificador híbrido eficiente. Su característica más distintiva es su capacidad de predicción nativa de extremo a extremo, que elimina por completo la necesidad de aplicar Supresión no máxima (NMS) durante el posprocesamiento.

• Autor: 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

Aprende más sobre RTDETRv2

PP-YOLOE+#

PP-YOLOE+ es una iteración avanzada de la serie YOLO, optimizada especialmente para aplicaciones industriales de alto rendimiento. Cuenta con una arquitectura CNN escalable y una cabeza de detección sin anchors. Diseñado para ofrecer una relación excepcional entre velocidad y precisión, introduce técnicas potentes como la cabeza ET y una función de pérdida focal generalizada para mejorar la detección de objetos pequeños.

• Autor: Autores de PaddlePaddle
• Organización: Baidu
• Fecha: 2022-04-02
• Arxiv: 2203.16250
• GitHub: Repositorio de PaddleDetection

Más información sobre PP-YOLOE+

Diferencias arquitectónicas#

La diferencia fundamental entre estos dos modelos reside en cómo procesan el contexto visual y generan predicciones.

PP-YOLOE+ utiliza una red neuronal convolucional (CNN) tradicional, pero altamente optimizada, como base. Se basa en campos receptivos locales para extraer características, lo que la hace increíblemente rápida y eficiente para implementaciones estándar. Sin embargo, sigue necesitando aplicar el posprocesamiento NMS estándar para filtrar las cajas delimitadoras superpuestas, lo que puede introducir cuellos de botella de latencia en escenas densas.

Por el contrario, RTDETRv2 emplea un codificador híbrido y un decodificador Transformer. Esto permite al modelo capturar simultáneamente el contexto global de toda la imagen. Los mecanismos de atención comprenden de forma inherente las relaciones entre objetos, lo que permite al modelo generar directamente las cajas delimitadoras finales sin NMS. Este enfoque de extremo a extremo garantiza una latencia de inferencia estable independientemente del número de objetos detectados.

Métricas de rendimiento y comparación#

Al evaluar las métricas de rendimiento de YOLO, es fundamental equilibrar la precisión (mAP) con el coste computacional (FLOPs) y la velocidad de inferencia. La tabla siguiente destaca el rendimiento de ambos modelos en varios tamaños.

Aunque PP-YOLOE+x alcanza un mAP^val ligeramente superior, del 54,7 %, en el conjunto de datos COCO, los modelos RTDETRv2 suelen ofrecer una precisión competitiva, junto con la ventaja de una latencia constante gracias a su diseño sin NMS. Sin embargo, PP-YOLOE+ mantiene una clara ventaja en el número de parámetros y los FLOPs en los modelos más pequeños, lo que lo hace muy eficiente para implementaciones en el edge.

La ventaja de Ultralytics: llega YOLO26#

Aunque RTDETRv2 y PP-YOLOE+ son formidables por derecho propio, el estado del arte ha seguido evolucionando. Para los desarrolladores que buscan el equilibrio definitivo entre velocidad, precisión y compatibilidad con el ecosistema, Ultralytics YOLO26 representa el nuevo estándar del sector.

YOLO26 sintetiza los mejores aspectos de las CNN y los Transformers. Adopta el diseño End-to-End NMS-Free iniciado por las arquitecturas modernas, eliminando eficazmente los cuellos de botella del posprocesamiento. Además, introduce el revolucionario optimizador MuSGD, un enfoque híbrido inspirado en las innovaciones del entrenamiento de LLM que garantiza un entrenamiento muy estable y una convergencia rápida.

Además, YOLO26 no se limita a la simple detección de objetos. Es versátil de forma nativa y admite segmentación de instancias, estimación de poses y cajas delimitadoras orientadas (OBB) directamente, mientras que PP-YOLOE+ se centra principalmente en la detección mediante cajas delimitadoras.

Metodologías de entrenamiento y ecosistema#

La eficiencia del entrenamiento y la facilidad de uso son los aspectos en los que el ecosistema de Ultralytics realmente destaca frente a los repositorios de investigación independientes. Mientras que PP-YOLOE+ depende del framework PaddlePaddle y RTDETRv2 suele requerir configuraciones de entorno complejas, integrar modelos mediante Ultralytics ofrece una experiencia fluida.

Con la API de Ultralytics, te beneficias de unos requisitos de memoria menores durante el entrenamiento, una gestión automatizada de los conjuntos de datos y un ajuste simplificado de los hiperparámetros. Además, puedes desplegar modelos en formatos de producción como ONNX o TensorRT con un solo comando.

Ejemplo de código: inferencia simplificada#

A continuación se muestra una demostración de lo fácil que es utilizar RTDETRv2 junto con el modelo YOLO26 recomendado mediante el paquete de Python de Ultralytics:

from ultralytics import RTDETR, YOLO

# Initialize the RTDETRv2 model
model_rtdetr = RTDETR("rtdetr-l.pt")

# Perform NMS-free inference on a test image
results_rtdetr = model_rtdetr("https://ultralytics.com/images/bus.jpg")
results_rtdetr[0].show()

# For superior speed and versatility, initialize the latest YOLO26 model
model_yolo26 = YOLO("yolo26n.pt")

# Train the YOLO26 model effortlessly with optimized memory usage
model_yolo26.train(data="coco8.yaml", epochs=50, imgsz=640)

# Export to TensorRT for edge deployment
model_yolo26.export(format="engine")

Aplicaciones y casos de uso reales#

La elección entre estas arquitecturas suele depender de los requisitos específicos del hardware y de la aplicación.

• RTDETRv2 destaca en entornos del lado del servidor y en la comprensión de escenas complejas. Su mecanismo de atención global lo hace especialmente eficaz para la gestión de multitudes y el análisis de imágenes médicas densas, donde los objetos superpuestos suelen provocar el fallo de los algoritmos NMS estándar.
• PP-YOLOE+ es especialmente adecuado para la inspección industrial de alta velocidad y para entornos con una fuerte inversión en el ecosistema PaddlePaddle. Su reducido número de parámetros en las escalas más pequeñas lo hace viable para determinadas aplicaciones de robótica.
• Ultralytics YOLO26 es la solución recomendada universalmente para implementaciones comerciales integrales. Con sus funciones ProgLoss + STAL mejoradas, mejora considerablemente el reconocimiento de objetos pequeños, algo fundamental para las operaciones con drones aéreos y la supervisión del tráfico en ciudades inteligentes.

Casos de uso y recomendaciones#

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

Cuándo elegir RT-DETR#

RT-DETR es una buena opción para:

• Investigación sobre detección basada en Transformer: Proyectos que exploran mecanismos de atención y arquitecturas Transformer para la detección de objetos de extremo a extremo sin NMS.
• Escenarios de alta precisión con latencia flexible: Aplicaciones en las que la precisión de detección es la máxima prioridad y se acepta una latencia de inferencia ligeramente superior.
• Detección de objetos grandes: Escenas compuestas principalmente por objetos medianos o grandes, en las que el mecanismo de atención global de los Transformer ofrece una ventaja natural.

Cuándo elegir PP-YOLOE+#

PP-YOLOE+ se recomienda para:

• Integración con el ecosistema de 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 altamente optimizados específicamente para Paddle Lite o el motor de inferencia de Paddle.
• Detección en servidor de alta precisión: Escenarios que priorizan la máxima precisión de detección en servidores GPU potentes donde la dependencia del framework no supone un problema.

Cuándo elegir Ultralytics (YOLO26)#

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

• Despliegue edge sin NMS: Aplicaciones que requieren una inferencia constante y de baja latencia sin la complejidad del posprocesamiento de supresión no máxima.
• Entornos exclusivamente con CPU: Dispositivos sin aceleración dedicada mediante GPU, donde la inferencia en CPU hasta un 43 % más rápida de YOLO26 ofrece una ventaja decisiva.
• Detección de objetos pequeños: Escenarios exigentes, como las imágenes aéreas captadas por drones o el análisis de sensores del IoT, en los que ProgLoss y STAL mejoran significativamente la precisión en objetos diminutos.

Conclusión#

Tanto RTDETRv2 como PP-YOLOE+ han ampliado los límites de lo posible en visión por ordenador, demostrando la viabilidad tanto de las arquitecturas Transformer como de las CNN altamente optimizadas. Sin embargo, la complejidad de implementar bases de código de investigación fragmentadas puede obstaculizar los plazos de producción.

Para los ingenieros de IA modernos, aprovechar la plataforma de Ultralytics ofrece una ventaja incomparable. Al migrar a modelos perfectamente integrados como YOLO11 o el vanguardista YOLO26, los equipos pueden lograr las mejores proporciones posibles entre precisión y velocidad, reduciendo drásticamente los requisitos de memoria y la sobrecarga de desarrollo.