RTDETRv2 frente a YOLOv10
La evolución de la visión artificial se ha visto impulsada en gran medida por la necesidad de equilibrar velocidad y precisión. Tradicionalmente, los flujos de trabajo de detección de objetos en tiempo real han recurrido a la supresión no máxima (NMS) como paso de posprocesamiento para filtrar cajas delimitadoras superpuestas. Sin embargo, NMS añade latencia y requiere ajustar umbrales. Dos enfoques arquitectónicos la eliminan del propio modelo: los modelos basados en Transformer, como RTDETRv2, y los modelos basados en CNN, como YOLOv10.
Esta guía compara las arquitecturas, las métricas de rendimiento y los casos de uso ideales de ambos modelos, y muestra dónde encajan los modelos más recientes del ecosistema de Ultralytics en las implementaciones modernas.
RTDETRv2: transformadores de detección en tiempo real#
RTDETRv2 se basa en la arquitectura RT-DETR original y busca combinar la comprensión del contexto global de los Vision Transformers con los requisitos de velocidad en tiempo real que tradicionalmente han dominado los modelos YOLO.
Características principales:
- Autores: Wenyu Lv, Yian Zhao, Qinyao Chang, Kui Huang, Guanzhong Wang y Yi Liu
- Organización: Baidu
- Fecha: 2024-07-24
- arXiv: https://arxiv.org/abs/2407.17140
- GitHub: https://github.com/lyuwenyu/RT-DETR/tree/main/rtdetrv2_pytorch
Arquitectura y metodologías de entrenamiento#
RTDETRv2 utiliza una arquitectura Transformer integral que evita NMS. Mejora a su predecesor mediante un enfoque «Bag-of-Freebies», que optimiza la estrategia de entrenamiento e incorpora capacidades de detección multiescala. El modelo utiliza una red CNN troncal para extraer mapas de características (detalles visuales como bordes y texturas), que luego procesa una estructura de codificador y decodificador Transformer. Esto permite al modelo analizar simultáneamente el contexto de toda la imagen, lo que le ayuda a interpretar escenas complejas con objetos muy juntos o superpuestos.
Puntos fuertes y débiles#
Puntos fuertes:
- Contexto global: El mecanismo de atención permite al modelo destacar en entornos complejos y abarrotados.
- Sin NMS: Predice directamente las coordenadas de los objetos y simplifica el flujo de trabajo de implementación.
- Alta precisión: Alcanza una precisión media (mAP) excelente en el conjunto de datos COCO.
Puntos débiles:
- Uso intensivo de recursos: Las arquitecturas Transformer suelen requerir más memoria CUDA durante el entrenamiento que las CNN, por lo que ajustar sus parámetros con hardware estándar resulta caro.
- Variabilidad en la velocidad de inferencia: Aunque es rápido, el elevado coste de los cálculos de atención puede reducir los FPS en visión artificial en dispositivos perimetrales sin aceleradores de IA específicos.
Más información sobre RTDETRv2
YOLOv10: detección de objetos integral en tiempo real#
YOLOv10 supone un cambio importante en la línea de detección de objetos YOLO, ya que aborda directamente el antiguo cuello de botella de NMS dentro de un marco CNN.
Características principales:
- Autores: Ao Wang, Hui Chen, Lihao Liu, et al.
- Organización: Universidad de Tsinghua
- Fecha: 2024-05-23
- arXiv: https://arxiv.org/abs/2405.14458
- GitHub: https://github.com/THU-MIG/yolov10
Arquitectura y metodologías de entrenamiento#
La innovación principal de YOLOv10 son sus asignaciones duales coherentes para el entrenamiento sin NMS. Durante el entrenamiento emplea dos cabezas de detección: una con asignación de uno a muchos (como los YOLO tradicionales) para proporcionar señales de supervisión abundantes y otra con asignación de uno a uno para eliminar la necesidad de NMS. Durante la inferencia solo se utiliza la cabeza de uno a uno, lo que da lugar a un proceso integral. Además, los autores aplicaron una estrategia de diseño de modelos basada en la eficiencia y la precisión, optimizando exhaustivamente distintos componentes para reducir la redundancia computacional.
Puntos fuertes y débiles#
Puntos fuertes:
- Baja latencia: Al eliminar NMS y optimizar la arquitectura, YOLOv10 alcanza una latencia de inferencia muy baja.
- Eficiencia: Necesita menos parámetros y FLOPs para alcanzar una precisión comparable a la de otros modelos, por lo que resulta muy adecuado para entornos con recursos limitados.
- Implementaciones sin NMS: Simplifica la integración en aplicaciones perimetrales, como la videovigilancia inteligente.
Puntos débiles:
- Concepto de primera generación: Como primer YOLO que implementó esta arquitectura específica sin NMS, sentó las bases, aunque dejó margen para la versatilidad multitarea y la optimización de modelos posteriores, como YOLO11 y YOLO26.
Comparativa de rendimiento#
Al evaluar modelos para producción, hay que sopesar la precisión frente al coste computacional. La tabla siguiente muestra las diferencias entre los tamaños de RTDETRv2 y YOLOv10 en COCO.
| 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 |
| YOLOv10n | 640 | 38.5 | - | 1.84 | 2.3 | 6.7 |
| YOLOv10s | 640 | 46.3 | - | 2.49 | 7.2 | 21.6 |
| YOLOv10m | 640 | 51.1 | - | 4.74 | 15.4 | 59.1 |
| YOLOv10b | 640 | 52.5 | - | 5.74 | 19.1 | 92.0 |
| YOLOv10l | 640 | 53.2 | - | 7.28 | 24.4 | 120.3 |
| YOLOv10x | 640 | 54.4 | - | 10.70 | 29.5 | 160.4 |
RTDETRv2 es ligeramente más preciso en las escalas pequeña, mediana y grande (48,1, 51,9 y 53,4 mAP frente a 46,3, 51,1 y 53,2 de YOLOv10s, m y l), pero YOLOv10 es más rápido y pequeño en todas las escalas. YOLOv10x iguala la precisión de RTDETRv2-x (54,4 frente a 54,3 mAP) con 29,5 M en lugar de 76 M de parámetros y una latencia TensorRT de 10,70 ms en lugar de 15,03 ms. Las variantes nano y pequeña hacen que YOLOv10 resulte atractivo para aplicaciones de computación en el edge e IAoT.
Si vas a implementar en GPU de nivel servidor, donde el tamaño de lote y la VRAM tienen menos limitaciones, los modelos grandes (como -x o -l) maximizan la precisión. Para dispositivos perimetrales como Raspberry Pi o teléfonos móviles, prioriza las variantes nano (-n) o small (-s) para mantener tasas de fotogramas en tiempo real.
Casos de uso y recomendaciones#
La elección entre RT-DETR y YOLOv10 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 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 YOLOv10#
YOLOv10 se recomienda para:
- Detección en tiempo real sin NMS: Aplicaciones que se benefician de la detección de extremo a extremo sin supresión no máxima, lo que reduce la complejidad de la implementación.
- Equilibrio entre velocidad y precisión: Proyectos que necesitan un buen equilibrio entre la velocidad de inferencia y la precisión de detección en distintas escalas de modelo.
- Aplicaciones con latencia constante: Escenarios de implementación en los que los tiempos de inferencia predecibles son fundamentales, como la robótica o los sistemas autónomos.
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 que solo usan CPU: Dispositivos sin aceleración de GPU dedicada, en los que la inferencia en CPU de YOLO26n, hasta un 43 % más rápida que la de YOLO11n, ofrece 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.
La ventaja de Ultralytics: descubre YOLO26#
RTDETRv2 y YOLOv10 son contribuciones de investigación destacadas, pero implementarlas en situaciones reales requiere un ecosistema de software bien mantenido. Ultralytics Platform combina facilidad de uso, documentación amplia y herramientas para la anotación de datos y la implementación.
Para los nuevos proyectos de 2026, Ultralytics YOLO26 es el modelo recomendado. Se basa en ideas de ambas arquitecturas y añade varias mejoras:
- Diseño integral sin NMS: A partir del entrenamiento sin NMS que YOLOv10 introdujo en los modelos YOLO, YOLO26 ofrece una cabeza opcional uno a uno (
nms=False) que omite el posprocesamiento de NMS, lo que permite una lógica de implementación más rápida y sencilla y una latencia más uniforme. - Eliminación de DFL: Al eliminar Distribution Focal Loss, YOLO26 simplifica la exportación de modelos y mejora la compatibilidad con dispositivos edge y de bajo consumo.
- Optimizador MuSGD: Este optimizador, una combinación de SGD y Muon inspirada en técnicas de entrenamiento de LLM, ofrece un entrenamiento más estable y una convergencia más rápida.
- Hasta un 43 % más de velocidad de inferencia en CPU: YOLO26n funciona hasta un 43 % más rápido que YOLO11n en CPU con ONNX, lo que resulta útil en entornos sin GPU dedicada.
- ProgLoss + STAL: Progressive Loss y Small-Target-Aware Label Assignment (STAL) mejoran el reconocimiento de objetos pequeños, algo fundamental para las aplicaciones con drones y los sensores IoT.
- Compatibilidad con varias tareas: A diferencia de los modelos limitados a las cajas delimitadoras, YOLO26 también admite la segmentación de instancias, la segmentación semántica, la estimación de profundidad, la clasificación de imágenes, la estimación de pose y la detección OBB, con mejoras específicas para cada tarea, como Residual Log-Likelihood Estimation (RLE) para la estimación de pose.
Implementación con Python#
El entrenamiento y la implementación de estos modelos con la API de Python de Ultralytics están pensados para ser sencillos. Los requisitos de memoria durante el entrenamiento son inferiores a los de las arquitecturas basadas principalmente en Transformer, lo que te permite entrenar modelos potentes con hardware estándar.
from ultralytics import YOLO
# Carga el modelo YOLO26 (recomendado)
# También puedes cargar un modelo YOLOv10 con YOLO('yolov10n.pt')
model = YOLO("yolo26n.pt")
# Entrena el modelo con tu conjunto de datos personalizado
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Exporta fácilmente a varios formatos para implementarlo en dispositivos perimetrales
model.export(format="onnx", simplify=True)Tanto si implementas sistemas de alarma de seguridad como si realizas análisis de imágenes médicas, elegir un modelo respaldado por la activa comunidad de Ultralytics te garantiza las herramientas, las guías de ajuste de hiperparámetros y las actualizaciones continuas que necesitas para alcanzar tus objetivos. YOLOv10 y RTDETRv2 abrieron camino a las arquitecturas sin NMS, y YOLO26 continúa ese trabajo con un gran equilibrio entre rendimiento, versatilidad y preparación para producción.
Comentarios
Haz una pregunta, comparte tus resultados o ayuda a otra persona.