Empezar

RTDETRv2 frente a PP-YOLOE+

La investigación en visión artificial ha dado lugar a varios enfoques arquitectónicos para la detección de objetos en tiempo real. RTDETRv2 y PP-YOLOE+ siguen caminos fundamentalmente distintos: uno es un Transformer de detección y el otro, un detector convolucional. Ambos buscan una detección de alto rendimiento, pero difieren en su funcionamiento, métodos de entrenamiento y escenarios de implementación ideales.

Esta guía compara sus arquitecturas, métricas de rendimiento y compatibilidad con el ecosistema para ayudar a desarrolladores e investigadores a elegir el modelo adecuado para sus necesidades de implementación.

Descripción general de los modelos#

Antes de analizar los datos de rendimiento, es importante conocer los orígenes y los objetivos arquitectónicos de cada modelo. Ambos proceden de equipos de investigación de Baidu, pero representan ramas distintas de la familia de modelos de detección de objetos.

RTDETRv2#

RTDETRv2 se basa en el Transformer de detección en tiempo real original y combina una arquitectura troncal CNN con un codificador híbrido eficiente y un decodificador Transformer. Su característica distintiva es la predicción integral, que elimina la necesidad de aplicar supresión no máxima (NMS) durante el posprocesamiento.

Más información sobre RTDETRv2

PP-YOLOE+#

PP-YOLOE+ es una versión mejorada de PP-YOLOE del equipo de PaddleDetection, optimizada para aplicaciones industriales. Utiliza una arquitectura CNN escalable con un cabezal de detección sin anclajes. Diseñado para ofrecer un buen equilibrio entre velocidad y precisión, incorpora técnicas como el cabezal eficiente alineado con la tarea (ET-head) y la pérdida focal de distribución para mejorar la detección de objetos pequeños.

Más información sobre PP-YOLOE+

Integración en el ecosistema

Aunque ambos modelos tienen sus propios repositorios de investigación, puedes probar el RT-DETR original directamente en el paquete de Python de Ultralytics, que ofrece una API unificada y opciones de exportación integradas.

Diferencias arquitectónicas#

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

PP-YOLOE+ utiliza una arquitectura troncal de red neuronal convolucional (CNN) tradicional, pero muy optimizada. Se basa en campos receptivos locales para extraer características, lo que lo hace rápido y eficiente en implementaciones estándar. Sin embargo, sigue necesitando el posprocesamiento de NMS para filtrar los cuadros delimitadores superpuestos, lo que puede añadir latencia en escenas densas.

Por el contrario, RTDETRv2 utiliza un codificador híbrido y un decodificador Transformer. Esto permite al modelo captar el contexto global de toda la imagen. Su mecanismo de atención modela las relaciones entre objetos, por lo que el modelo genera directamente los cuadros delimitadores finales sin NMS. Este enfoque integral mantiene estable la latencia de inferencia con independencia del número de objetos detectados.

Métricas de rendimiento y comparativa#

Al evaluar las métricas de rendimiento de YOLO, equilibra la precisión (mAP) con el coste computacional (FLOPs) y la velocidad de inferencia. La tabla siguiente muestra el rendimiento de ambos modelos en sus distintos tamaños.

Modelotamaño
(píxeles)
mAPval50-95Velocidad
CPU ONNX
(ms)
Velocidad
T4 TensorRT10
(ms)
parámetros
(M)
FLOPs
(B)
RTDETRv2-s64048.1-5.032060
RTDETRv2-m64051.9-7.5136100
RTDETRv2-l64053.4-9.7642136
RTDETRv2-x64054.3-15.0376259
PP-YOLOE+t64039.9-2.844.8519.15
PP-YOLOE+s64043.7-2.627.9317.36
PP-YOLOE+m64049.8-5.5623.4349.91
PP-YOLOE+l64052.9-8.3652.2110.07
PP-YOLOE+x64054.7-14.398.42206.59

PP-YOLOE+x alcanza el mAPval50-95 más alto en el conjunto de datos COCO, con un 54,7 %, 0,4 puntos por encima de RTDETRv2-x; su latencia con TensorRT es ligeramente menor (14,3 ms frente a 15,03 ms), pero tiene más parámetros (98,42M frente a 76M). En la categoría Large, RTDETRv2-l es más preciso que PP-YOLOE+l (53,4 % frente a 52,9 %) y tiene menos parámetros, mientras que PP-YOLOE+l es más rápido (8,36 ms frente a 9,76 ms). PP-YOLOE+ también ofrece variantes Tiny y Small con menos de 8M de parámetros, una categoría de tamaño que RTDETRv2 no cubre, lo que las hace adecuadas para implementaciones en el edge.

La ventaja de Ultralytics: llega YOLO26#

RTDETRv2 y PP-YOLOE+ son detectores competentes, pero el campo ha seguido evolucionando. Para los desarrolladores que buscan un equilibrio entre velocidad, precisión y compatibilidad con el ecosistema, Ultralytics YOLO26 es el modelo recomendado para proyectos nuevos.

YOLO26 lleva la inferencia integral de los Transformers de detección a una CNN. Ofrece un modo de inferencia opcional integral y sin NMS (nms=False), que omite el posprocesamiento de NMS cuando se activa. También incorpora el optimizador MuSGD, una combinación híbrida de SGD y Muon inspirada en el entrenamiento de modelos de lenguaje grandes (LLM), que ofrece un entrenamiento más estable y una convergencia más rápida.

Optimizado para dispositivos periféricos

A diferencia de los modelos Transformer pesados que requieren mucha memoria CUDA, YOLO26 incorpora la eliminación de DFL (Distribution Focal Loss) y está optimizado para la computación en el borde, con una inferencia en CPU hasta un 43 % más rápida para YOLO26n que para YOLO11n.

YOLO26 también va más allá de la detección de objetos: incluye de serie segmentación de instancias, segmentación semántica, estimación de profundidad, clasificación de imágenes, estimación de pose y cuadros delimitadores orientados (OBB), mientras que PP-YOLOE+ se centra en la detección mediante cuadros delimitadores.

Metodologías de entrenamiento y ecosistema#

La eficiencia del entrenamiento y la facilidad de uso son los aspectos en los que más se diferencia el ecosistema Ultralytics de los repositorios de investigación independientes. PP-YOLOE+ depende del marco PaddlePaddle y RTDETRv2 suele requerir una configuración compleja del entorno, mientras que los modelos de Ultralytics comparten un único paquete instalable y una API.

La API de Ultralytics automatiza la gestión de conjuntos de datos e incorpora el ajuste de hiperparámetros; además, los modelos YOLO se entrenan con menos requisitos de memoria que los detectores basados en transformers. Puedes exportar modelos a formatos de producción como ONNX o TensorRT con un solo comando.

Ejemplo de código: inferencia optimizada#

El ejemplo siguiente ejecuta RT-DETR junto con el modelo recomendado YOLO26 mediante el paquete de Python de Ultralytics:

from ultralytics import RTDETR, YOLO

# Inicializa un modelo RT-DETR (Ultralytics ofrece compatibilidad con RT-DETR-L y RT-DETR-X originales)
model_rtdetr = RTDETR("rtdetr-l.pt")

# Realiza una inferencia sin NMS en una imagen de prueba
results_rtdetr = model_rtdetr("https://ultralytics.com/images/bus.jpg")
results_rtdetr[0].show()

# Inicializa el modelo YOLO26 más reciente
model_yolo26 = YOLO("yolo26n.pt")

# Entrena el modelo YOLO26 con un uso optimizado de la memoria
model_yolo26.train(data="coco8.yaml", epochs=50, imgsz=640)

# Exportar a TensorRT para el despliegue en el edge
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 de servidor y en la comprensión de escenas complejas. Su atención global resulta eficaz para la gestión de multitudes y el análisis denso de imágenes médicas, donde la gran superposición de objetos puede hacer que NMS suprima detecciones válidas.
  • PP-YOLOE+ es adecuado para la inspección industrial de alta velocidad y para equipos que ya utilizan el ecosistema PaddlePaddle. Su bajo número de parámetros en los tamaños más pequeños lo hace viable para algunas aplicaciones de robótica.
  • Ultralytics YOLO26 es la opción recomendada para la mayoría de las implementaciones comerciales. La pérdida progresiva y la asignación de etiquetas consciente de los objetos pequeños (STAL) mejoran el reconocimiento de objetos pequeños, algo importante 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 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 PP-YOLOE+#

PP-YOLOE+ es recomendable 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 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, en los que la inferencia en CPU hasta un 43 % más rápida de YOLO26 (YOLO26n frente a YOLO11n) supone una ventaja decisiva.
  • Detección de objetos pequeños: Situaciones exigentes, como las imágenes aéreas tomadas con drones o el análisis de sensores IoT, en las que ProgLoss y STAL mejoran la precisión con objetos pequeños.

Conclusión#

RTDETRv2 y PP-YOLOE+ demuestran que tanto los transformers como las arquitecturas CNN optimizadas son viables para la detección en tiempo real. Sin embargo, implementar modelos procedentes de bases de código de investigación independientes puede ralentizar los plazos de producción.

La plataforma Ultralytics reúne la anotación, el entrenamiento y la implementación en un solo flujo de trabajo. Al pasarse a modelos integrados como YOLO11 o el más reciente YOLO26, los equipos consiguen un buen equilibrio entre precisión y velocidad, con menos requisitos de memoria y menos trabajo de desarrollo.

Comentarios

Haz una pregunta, comparte tus resultados o ayuda a otra persona.