RTDETRv2 frente a YOLOv10: comparación de arquitecturas de detección en tiempo real
En el panorama en rápida evolución de la visión artificial, la búsqueda del equilibrio óptimo entre precisión, velocidad y eficiencia sigue impulsando la innovación. Dos arquitecturas significativas que han marcado los debates recientes son RT-DETRv2 y YOLOv10. Ambos modelos tienen como objetivo resolver el antiguo reto de la detección de objetos en tiempo real, pero lo abordan desde perspectivas arquitectónicas fundamentalmente diferentes: transformadores frente a innovaciones basadas en CNN.
Esta comparación técnica analiza sus arquitecturas, métricas de rendimiento y casos de uso ideales para ayudar a los desarrolladores e investigadores a elegir la herramienta adecuada para sus aplicaciones específicas.
Tabla comparativa
La siguiente tabla destaca las métricas clave de rendimiento en el COCO . Los valores en negrita indican el mejor rendimiento en cada categoría.
| Modelo | tamaño (píxeles) | mAPval 50-95 | 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 |
| YOLOv10n | 640 | 39.5 | - | 1.56 | 2.3 | 6.7 |
| YOLOv10s | 640 | 46.7 | - | 2.66 | 7.2 | 21.6 |
| YOLOv10m | 640 | 51.3 | - | 5.48 | 15.4 | 59.1 |
| YOLOv10b | 640 | 52.7 | - | 6.54 | 24.4 | 92.0 |
| YOLOv10l | 640 | 53.3 | - | 8.33 | 29.5 | 120.3 |
| YOLOv10x | 640 | 54.4 | - | 12.2 | 56.9 | 160.4 |
RTDETRv2: Refinando el Transformador en Tiempo Real
RT-DETRv2 Real-Time Detection Transformer versión 2) se basa en el éxito del RT-DETR original, que fue el primer detector basado en transformadores que realmente rivalizó con la velocidad de los modelos basados en CNN como YOLOv8.
- Autores: Wenyu Lv, Yian Zhao, Qinyao Chang, Kui Huang, Guanzhong Wang, y Yi Liu
- Organización:Baidu
- Fecha: 17 de abril de 2023 (original), julio de 2024 (v2)
- Arxiv:RT-DETRv2: línea de base mejorada con Bag-of-Freebies para el transformador de detección en tiempo real
Arquitectura e innovación
RT-DETRv2 la principal ventaja de los transformadores: la capacidad de modelar el contexto global de una imagen, lo que resulta especialmente útil para detectar objetos en escenas complejas y recargadas. A diferencia de las CNN tradicionales, que se basan en campos receptivos locales, RT-DETRv2 un codificador híbrido que procesa de forma eficiente características multiescala.
Una característica clave de la actualización v2 es la introducción de un mecanismo de muestreo discreto que permite un muestreo de cuadrícula más flexible, optimizando aún más el equilibrio entre velocidad y precisión. El modelo elimina la necesidad de la supresión no máxima (NMS) al predecir un conjunto de objetos directamente, lo que simplifica el proceso de posprocesamiento.
Uso de la memoria del transformador
Aunque los transformadores destacan en el contexto global, suelen requerir una cantidad significativamente mayor GPU durante el entrenamiento en comparación con las CNN. Los usuarios con hardware limitado pueden encontrar difícil el entrenamiento de RTDETRv2 en comparación con YOLO más ligeras.
Rendimiento
RT-DETRv2 una precisión excepcional, superando a menudo a YOLO de tamaño similar en el COCO . Es especialmente eficaz en escenarios que requieren alta precisión y resistencia a la oclusión. Sin embargo, esta precisión suele tener como contrapartida unos requisitos computacionales más elevados, lo que lo hace menos adecuado para el despliegue en el borde CPU exclusivamente CPU en comparación con laYOLO Ultralytics YOLO .
YOLOv10: La evolución de las CNN de extremo a extremo
YOLOv10 un cambio importante en la YOLO al introducir el entrenamiento NMS en la arquitectura CNN tradicional. Esta innovación cierra la brecha entre la simplicidad de las CNN y las capacidades integrales de los transformadores.
- Autores: Ao Wang, Hui Chen, Lihao Liu, et al.
- Organización:Universidad de Tsinghua
- Fecha: 23 de mayo de 2024
- Arxiv:YOLOv10: Detección de objetos de extremo a extremo en tiempo real
Arquitectura e innovación
YOLOv10 una estrategia de asignaciones duales consistentes para el entrenamiento NMS. Durante el entrenamiento, el modelo utiliza asignaciones de etiquetas tanto uno a muchos como uno a uno. Esto permite al modelo beneficiarse de señales de supervisión enriquecidas, al tiempo que garantiza que, durante la inferencia, solo prediga un recuadro por objeto.
Además, la arquitectura presenta un diseño holístico orientado a la eficiencia y la precisión. Esto incluye cabezales de clasificación ligeros y submuestreo desacoplado del canal espacial, lo que reduce la sobrecarga computacional (FLOP) y el recuento de parámetros.
Rendimiento
YOLOv10 por su latencia de inferencia. Al eliminar NMS, consigue una menor varianza de latencia, lo cual es fundamental para aplicaciones en tiempo real como la conducción autónoma. Las variantes más pequeñas, como YOLOv10n y YOLOv10s, ofrecen una velocidad increíble en dispositivos periféricos, lo que las hace muy eficaces para entornos con recursos limitados.
Diferencias fundamentales y casos de uso
1. Arquitecturas NMS
Ambos modelos afirman tener capacidades «de extremo a extremo», pero lo consiguen de forma diferente. RT-DETRv2 el mecanismo inherente basado en consultas de los transformadores para predecir objetos únicos. YOLOv10 lo YOLOv10 mediante una novedosa estrategia de entrenamiento aplicada a una red neuronal convolucional (CNN) troncal. Esto hace que YOLOv10 sea YOLOv10 más rápido en hardware estándar optimizado para convoluciones, mientras que RT-DETRv2 en GPU, donde el cálculo paralelo del transformador es eficiente.
2. Eficiencia de entrenamiento y memoria
Un área en la que Ultralytics destacan históricamente es la eficiencia del entrenamiento. Los transformadores como RT-DETRv2 conocidos por consumir mucha memoria y tardar en converger. Por el contrario, los modelos basados en CNN como YOLOv10 YOLO11 son mucho más tolerantes con los recursos de hardware.
YOLO Ultralytics mantienen una clara ventaja en este aspecto:
- Memoria inferior: el entrenamiento YOLO suele requerir menos VRAM, lo que permite tamaños de lote más grandes en las GPU de consumo.
- Convergencia más rápida: las CNN suelen necesitar menos épocas para alcanzar la convergencia en comparación con las arquitecturas basadas en transformadores.
3. Versatilidad y ecosistema
Aunque RT-DETRv2 YOLOv10 detectores potentes, se centran principalmente en la detección de cuadros delimitadores. Por el contrario, el Ultralytics ofrece modelos que admiten una gama más amplia de tareas desde el primer momento.
Ultralytics garantiza que los usuarios no solo obtengan un modelo, sino un flujo de trabajo completo. Esto incluye una integración perfecta con la Ultralytics para la gestión de conjuntos de datos y una fácil exportación a formatos como ONNX, TensorRT y OpenVINO.
Ultralytics de Ultralytics : Presentamos YOLO26
Aunque RT-DETRv2 YOLOv10 características muy atractivas, el campo ha seguido avanzando. Para los desarrolladores que buscan lo mejor en rendimiento, eficiencia y facilidad de uso, Ultralytics es la mejor opción.
Lanzado en enero de 2026, YOLO26 sintetiza las mejores innovaciones de los transformadores y las CNN en una arquitectura unificada de última generación.
Por qué YOLO26 es la Opción Recomendada
- De extremo a extremo de forma nativa: al igual que YOLOv10, YOLO26 presenta un diseño de extremo a extremo NMS. Esto elimina el cuello de botella de la latencia del posprocesamiento, lo que garantiza velocidades de inferencia consistentes y predecibles, cruciales para los sistemas críticos para la seguridad.
- Optimizado para todo tipo de hardware: YOLO26 elimina la pérdida focal de distribución (DFL), lo que simplifica considerablemente el gráfico del modelo. Esto mejora la compatibilidad con los aceleradores de IA de vanguardia y aumenta la velocidad CPU hasta un 43 % en comparación con las generaciones anteriores.
- Dinámica de entrenamiento avanzada: al incorporar el optimizador MuSGD, un híbrido de SGD Muon (inspirado en el entrenamiento LLM de Moonshot AI), YOLO26 logra un entrenamiento estable y una convergencia más rápida, lo que aporta innovaciones en modelos de lenguaje grandes a la visión artificial.
- Versatilidad de tareas: a diferencia de RT-DETRv2, que se centra en la detección, YOLO26 admite de forma nativa la detección de objetos, la segmentación de instancias, la estimación de poses, los rectángulos delimitadores orientados (OBB) y la clasificación.
Migración sin interrupciones
Cambiar a YOLO26 es muy sencillo con la Ultralytics . Solo tienes que cambiar el nombre del modelo en tu Python :
from ultralytics import YOLO
# Load the latest state-of-the-art model
model = YOLO("yolo26n.pt")
# Train on your custom dataset
model.train(data="coco8.yaml", epochs=100)
Conclusión
Para investigación pura o escenarios en los que GPU son ilimitados y se requieren específicamente mecanismos de atención del transformador, RT-DETRv2 es un fuerte competidor. Para los usuarios que priorizan la baja latencia en dispositivos periféricos con una arquitectura CNN NMS, YOLOv10 sigue siendo una opción académica sólida.
Sin embargo, para implementaciones a nivel de producción que requieren un equilibrio entre velocidad, precisión y herramientas robustas, Ultralytics es la recomendación definitiva. Su integración en un ecosistema bien mantenido, su compatibilidad con diversas tareas de visión artificial y sus innovadoras mejoras arquitectónicas lo convierten en la solución más preparada para el futuro para 2026 y más allá.
Ver También
- Ultralytics YOLO11 : el robusto predecesor ampliamente adoptado por la industria.
- RT-DETR : el transformador de detección en tiempo real original.
- YOLOv8 : un clásico versátil de la YOLO .