RTDETRv2 frente a YOLO11#

El panorama de la visión artificial está en constante evolución, con nuevas arquitecturas que superan los límites de lo posible en dispositivos de borde (edge devices) y servidores en la nube. Dos de los competidores más destacados en el espacio actual de detección de objetos en tiempo real son RTDETRv2 y YOLO11. Aunque ambos modelos ofrecen un rendimiento excepcional, representan filosofías arquitectónicas fundamentalmente diferentes: el enfoque basado en Transformer frente a la red neuronal convolucional (CNN) altamente optimizada.

En esta comparación técnica exhaustiva, exploraremos las arquitecturas, las métricas de rendimiento, las metodologías de entrenamiento y los casos de uso ideales para ambos modelos, ayudándote a tomar una decisión informada para tu próxima aplicación de inteligencia artificial.

RTDETRv2: El retador basado en Transformer#

Presentado como una evolución del Real-Time Detection Transformer original, RTDETRv2 aprovecha mecanismos de atención para procesar datos visuales. Al tratar los parches de imagen como secuencias, logra una comprensión global del contexto de la imagen, lo cual es altamente beneficioso para detectar objetos muy superpuestos en escenas complejas.

Detalles del modelo:

• Autores: Wenyu Lv, Yian Zhao, Qinyao Chang, Kui Huang, Guanzhong Wang y Yi Liu
• Organización: Baidu
• Fecha: 24-07-2024
• Arxiv: 2407.17140
• GitHub: Repositorio RT-DETR
• Documentación: Documentación RTDETRv2

Fortalezas y debilidades arquitectónicas#

La innovación principal de RTDETRv2 es su arquitectura de extremo a extremo sin NMS. Al eliminar la supresión de no máximos (NMS), simplifica el flujo de trabajo de postprocesamiento. Además, sus capacidades de extracción de características multiescala se han mejorado respecto al modelo RT-DETR original, lo que le permite identificar mejor objetos de diversos tamaños.

Sin embargo, debido a que se basa en Transformers, RTDETRv2 suele sufrir de requisitos de memoria significativamente más altos durante el entrenamiento. Los Transformers generalmente tardan más en converger y requieren sustancialmente más memoria CUDA en comparación con las CNN tradicionales, lo que los hace menos accesibles para los investigadores que operan con hardware de consumo o que realizan despliegues en entornos de edge AI limitados.

Más información sobre RTDETR

Ultralytics YOLO11: La cúspide de la eficiencia de CNN#

Basándose en años de investigación fundamental, Ultralytics lanzó YOLO11 como un salto masivo en el linaje YOLO. Refina la arquitectura CNN para lograr una velocidad y precisión sin precedentes, manteniendo la flexibilidad y el ecosistema amigable para desarrolladores que la comunidad espera.

Detalles del modelo:

• Autores: Glenn Jocher y Jing Qiu
• Organización: Ultralytics
• Fecha: 27 de septiembre de 2024
• GitHub: Repositorio de Ultralytics

La ventaja de Ultralytics#

YOLO11 destaca por su equilibrio de rendimiento. Consigue una compensación extraordinaria entre velocidad y precisión, lo que lo hace excepcionalmente versátil para diversos escenarios de despliegue en el mundo real, desde grandes clústeres de computación en la nube hasta dispositivos móviles ligeros.

Además, los modelos de Ultralytics YOLO son reconocidos por su menor uso de memoria durante el entrenamiento y la inferencia. A diferencia de los modelos de Transformer, que pueden agotar fácilmente la VRAM, YOLO11 permite tamaños de lote más grandes en GPU estándar. Asimismo, YOLO11 no se limita a la mera detección de objetos; presume de una versatilidad increíble, con soporte nativo para segmentación de instancias, clasificación de imágenes, estimación de poses y cajas delimitadoras orientadas (OBB).

Más información sobre YOLO11

Comparación de rendimiento y métricas#

Al comparar los números, queda claro que, aunque RTDETRv2 logra una precisión impresionante, YOLO11 ofrece una selección mucho más granular de tamaños de modelo con velocidades de inferencia superiores, especialmente en TensorRT.

Como se observa en la tabla, el modelo YOLO11x alcanza un mAP^val superior del 54.7% utilizando menos FLOPs (194.9B frente a 259B) y ofreciendo una inferencia más rápida en TensorRT (11.3ms frente a 15.03ms) en comparación con la variante RTDETRv2-x. Las variantes nano y small de YOLO11 proporcionan opciones ligeras sin igual para dispositivos con recursos limitados como la Raspberry Pi.

Ecosistema, facilidad de uso y entrenamiento#

La característica definitoria de los modelos de Ultralytics es la experiencia de usuario optimizada. El paquete de Python ultralytics proporciona una API unificada e intuitiva que se encarga del trabajo pesado de la aumento de datos, el entrenamiento distribuido y la exportación de modelos. Mientras que el repositorio de investigación de RTDETRv2 requiere una cantidad significativa de código repetitivo (boilerplate) y configuración, Ultralytics ofrece un flujo de trabajo de cero a cien ("zero-to-hero").

Curiosamente, el ecosistema de Ultralytics es tan robusto que permite ejecutar de forma nativa modelos RT-DETR junto con modelos YOLO. Esto te permite aprovechar el ecosistema bien mantenido de Ultralytics, que incluye integraciones con Weights & Biases y Comet ML, para realizar un seguimiento de los experimentos sin esfuerzo.

from ultralytics import RTDETR, YOLO

# Load an RTDETR model seamlessly through the Ultralytics API
model_rtdetr = RTDETR("rtdetr-l.pt")

# Load a highly optimized YOLO11 model
model_yolo = YOLO("yolo11n.pt")

# Train YOLO11 with highly efficient memory usage
results = model_yolo.train(data="coco8.yaml", epochs=100, imgsz=640)

# Export the trained YOLO model to ONNX format
model_yolo.export(format="onnx")

Aplicaciones en el mundo real#

Elegir entre estas arquitecturas a menudo depende de las restricciones de implementación específicas de tu proyecto.

Donde RTDETRv2 destaca: El backbone Transformer de RTDETRv2 es altamente efectivo en escenarios con objetos densos y muy ocluidos donde se requiere contexto global. A menudo se evalúa en investigación académica y aplicaciones donde el presupuesto computacional es menos preocupante que el mapeo de relaciones basado en atención pura.

Donde YOLO11 domina: YOLO11 es el campeón indiscutible de la implementación práctica en el mundo real. Su mínima huella de memoria y sus velocidades de inferencia ultrarrápidas lo hacen ideal para:

• Fabricación inteligente: Ejecución de detección de defectos en tiempo real en líneas de producción utilizando PC industriales.
• Agricultura: Despliegue en drones para la supervisión de la salud de los cultivos en tiempo real y robótica de cosecha automatizada.
• Análisis minorista: Procesamiento simultáneo de múltiples secuencias de cámaras para la gestión de colas y el seguimiento de inventario sin necesidad de grandes granjas de servidores.

Casos de uso y recomendaciones#

Elegir entre RT-DETR y YOLO11 depende de los requisitos específicos de tu proyecto, las restricciones de implementación y las preferencias del ecosistema.

Cuándo elegir RT-DETR#

RT-DETR es una opción sólida para:

• Investigación en detección basada en Transformer: Proyectos que exploran mecanismos de atención y arquitecturas transformer para detección de objetos de extremo a extremo sin NMS.
• Escenarios de alta precisión con latencia flexible: Aplicaciones donde la precisión de detección es la prioridad máxima y una latencia de inferencia ligeramente mayor es aceptable.
• Detección de objetos grandes: Escenas con objetos principalmente medianos a grandes donde el mecanismo de atención global de los transformers proporciona una ventaja natural.

Cuándo elegir YOLO11#

YOLO11 se recomienda para:

• Implementación perimetral de producción: Aplicaciones comerciales en dispositivos como Raspberry Pi o NVIDIA Jetson donde la fiabilidad y el mantenimiento activo son primordiales.
• Aplicaciones de visión multitarea: Proyectos que requieren detección, segmentación, estimación de posturas y OBB dentro de un único framework unificado.
• Creación rápida de prototipos e implementación: Equipos que necesitan pasar rápidamente de la recopilación de datos a la producción utilizando la simplificada API de Python de Ultralytics.

Cuándo elegir Ultralytics (YOLO26)#

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

• Implementación en el borde sin NMS: Aplicaciones que requieren una inferencia consistente y de baja latencia sin la complejidad del posprocesamiento de supresión de no máximos.
• Entornos solo de CPU: Dispositivos sin aceleración de GPU dedicada, donde la inferencia en CPU hasta un 43% más rápida de YOLO26 proporciona una ventaja decisiva.
• Detección de objetos pequeños: Escenarios desafiantes como la aerial drone imagery o el análisis con sensores IoT donde ProgLoss y STAL mejoran significativamente la precisión en objetos diminutos.

Mirando hacia el futuro: La llegada de YOLO26#

Si estás empezando un nuevo proyecto, también deberías considerar la próxima generación de visión artificial: Ultralytics YOLO26. Lanzado en enero de 2026, YOLO26 incorpora lo mejor de ambos mundos. Introduce un diseño de extremo a extremo sin NMS (pionero inicialmente en YOLOv10), eliminando por completo la latencia de postprocesamiento al igual que RTDETRv2, pero con la velocidad inigualable de una CNN.

YOLO26 cuenta con el optimizador MuSGD—inspirado en innovaciones de entrenamiento de LLM—para una convergencia increíblemente estable y rápida, y ofrece hasta un 43% más de inferencia en CPU al eliminar Distribution Focal Loss (DFL). Con sus funciones de pérdida especializadas ProgLoss + STAL que mejoran enormemente el reconocimiento de objetos pequeños, YOLO26 es la recomendación definitiva para cualquier canalización de visión artificial moderna.

Tanto si eliges YOLO11 por su probada versatilidad, RTDETRv2 por sus mecanismos de atención, o el vanguardista YOLO26 para obtener el máximo rendimiento en el borde, la documentación de Ultralytics proporciona todos los recursos necesarios para triunfar en tu trayectoria de visión artificial.