RTDETRv2 frente a YOLOv5#

La evolución de la visión artificial se ha definido en gran medida por la búsqueda constante de un equilibrio entre la precisión y la velocidad de inferencia en tiempo real. Al comparar RTDETRv2 y YOLOv5 de Ultralytics, los desarrolladores sopesan esencialmente la sofisticada capacidad de contexto global de las arquitecturas Transformer frente a la eficiencia altamente optimizada y probada de las redes neuronales convolucionales (CNN).

Esta guía ofrece un análisis técnico detallado de estas dos destacadas arquitecturas y describe sus métricas de rendimiento, metodologías de entrenamiento, requisitos de memoria y escenarios de despliegue ideales para ayudarte a elegir el mejor modelo de detección de objetos para tu caso de uso concreto.

RTDETRv2: el enfoque Transformer para la detección en tiempo real#

A partir del Transformer de detección en tiempo real original (RT-DETR), RTDETRv2 incorpora una serie de «bag-of-freebies» para mejorar la arquitectura de referencia sin sacrificar la latencia de inferencia.

• Autores: Wenyu Lv, Yian Zhao, Qinyao Chang, Kui Huang, Guanzhong Wang y Yi Liu
• Organización: Baidu
• Fecha: 2024-07-24
• Enlaces: Artículo de Arxiv, repositorio de GitHub

Arquitectura y capacidades#

RTDETRv2 utiliza una arquitectura híbrida CNN-Transformer. La CNN actúa como red troncal para extraer características visuales detalladas, mientras que las capas codificadoras y decodificadoras Transformer procesan todo el mapa de características para comprender el contexto global. Una característica clave de RTDETRv2 es su naturaleza integral, que elimina por completo la necesidad del posprocesamiento de supresión no máxima (NMS).

Aunque RTDETRv2 alcanza una precisión impresionante —especialmente en escenas complejas y densas en las que los objetos se solapan—, presenta contrapartidas notables. El mecanismo de atención propio de los Transformer requiere mucha más memoria CUDA durante el entrenamiento que las CNN estándar. Además, aunque funciona bien en GPU de gama alta como NVIDIA A100 o T4, su arquitectura es notablemente más lenta en CPU estándar y está muy limitada en dispositivos periféricos.

Más información sobre RTDETRv2

Ultralytics YOLOv5: el estándar del sector en eficiencia#

YOLOv5 de Ultralytics cambió radicalmente el panorama del aprendizaje automático aplicado cuando se publicó, al poner la visión artificial de alto rendimiento al alcance de desarrolladores de todo el mundo mediante un marco excepcionalmente intuitivo.

• Autor: Glenn Jocher
• Organización: Ultralytics
• Fecha: 26 de junio de 2020
• Enlaces: Documentación oficial, repositorio de GitHub

Equilibrio entre ecosistema y rendimiento#

YOLOv5 está desarrollado íntegramente sobre el marco PyTorch y utiliza una arquitectura CNN muy eficiente. Se diseñó desde cero para facilitar el uso, con una API optimizada y una de las documentaciones más completas del sector de la IA.

La mayor ventaja de YOLOv5 reside en su versatilidad inigualable y sus bajos requisitos de memoria. Entrenar un modelo YOLOv5 requiere mucha menos VRAM que entrenar modelos basados en Transformer, por lo que está al alcance de investigadores e ingenieros con presupuestos de hardware limitados. Además, mientras que RTDETRv2 se centra exclusivamente en la detección de cuadros delimitadores, YOLOv5 se ha convertido en una potente solución versátil compatible con la segmentación de instancias y la clasificación de imágenes.

Comparativa de rendimiento y métricas#

Al analizar el rendimiento bruto con el conjunto de datos COCO estándar, se aprecian diferencias claras en la forma en que estos modelos priorizan los recursos.

Análisis de las ventajas e inconvenientes#

Los datos muestran que RTDETRv2-x alcanza una precisión media (mAP) máxima del 54,3 %, ligeramente superior al 50,7 % de YOLOv5x. Sin embargo, esta pequeña mejora de precisión tiene un coste computacional enorme. YOLOv5x funciona con menos latencia (11,89 ms frente a 15,03 ms en TensorRT) y necesita solo una fracción de memoria. Para despliegues periféricos de consumo ultrabajo, YOLOv5n (Nano) sigue sin rival: completa las inferencias en solo 1,12 ms con apenas 1,9 millones de parámetros, un segmento en el que RTDETRv2 ni siquiera intenta competir.

Eficiencia del entrenamiento y simplicidad del código#

Una de las principales fortalezas del ecosistema Ultralytics es su API unificada. Aunque decidas utilizar la arquitectura Transformer de RT-DETR para una tarea de cálculo intensivo concreta, puedes hacerlo íntegramente desde el paquete de Python de Ultralytics y cambiar de modelo sin complicaciones con una sola línea de código.

from ultralytics import RTDETR, YOLO

# Carga el modelo pequeño YOLOv5 de Ultralytics
model_yolo = YOLO("yolov5su.pt")  # YOLOv5u: pesos de YOLOv5 sin anclajes para el paquete ultralytics

# Carga el modelo grande RT-DETR mediante Ultralytics
model_rtdetr = RTDETR("rtdetr-l.pt")

# Entrena YOLOv5 sin complicaciones con tus datos personalizados
model_yolo.train(data="coco8.yaml", epochs=100, imgsz=640)

# Ejecuta la inferencia con ambos modelos sin complicaciones
results_yolo = model_yolo("https://ultralytics.com/images/bus.jpg")
results_rtdetr = model_rtdetr("https://ultralytics.com/images/bus.jpg")

results_yolo[0].show()

Al utilizar la biblioteca de Ultralytics, los desarrolladores acceden automáticamente a un ecosistema bien mantenido que ofrece integraciones para el seguimiento de experimentos (como Weights & Biases y Comet ML) y exportaciones con un solo clic a formatos de despliegue como ONNX y OpenVINO.

Aplicaciones reales y casos de uso ideales#

En qué destaca RTDETRv2#

RTDETRv2 es ideal para entornos sin limitaciones de hardware en los que el único objetivo es alcanzar la máxima precisión posible.

• Diagnóstico por imagen en servidores: detección de anomalías microscópicas en radiografías de alta resolución.
• Imágenes satelitales: seguimiento de objetos densos y superpuestos en tareas de vigilancia aérea realizadas en potentes clústeres en la nube.

En qué destaca YOLOv5#

YOLOv5 es el claro vencedor para despliegues prácticos en el mundo real con hardware diverso.

• Dispositivos de IA periférica: despliegue de sistemas de alarma de seguridad en Raspberry Pi o dispositivos NVIDIA Jetson, donde la memoria es muy limitada.
• Aplicaciones móviles: ejecución rápida y en tiempo real de inferencias de cuadros delimitadores y segmentación directamente en smartphones mediante CoreML o LiteRT.
• Fabricación industrial de alta velocidad: inspección de piezas en líneas de producción rápidas, donde una latencia de milisegundos es fundamental para el éxito operativo.

En definitiva, aunque RTDETRv2 eleva el límite de precisión mediante capas Transformer, el marco YOLO de Ultralytics ofrece un equilibrio inigualable entre velocidad, bajos requisitos de memoria y una experiencia de desarrollo brillante que reduce drásticamente el tiempo desde el prototipo hasta la producción.