RTDETRv2 frente a YOLOv5#

La evolución de la computer vision ha estado definida en gran medida por la búsqueda incesante de equilibrar la precisión con la velocidad de inferencia en tiempo real. Al comparar RTDETRv2 y Ultralytics YOLOv5, los desarrolladores sopesan esencialmente las sofisticadas capacidades de contexto global de las arquitecturas Transformer frente a la eficiencia altamente optimizada y probada en batalla de las Redes Neuronales Convolucionales (CNN).

Esta guía ofrece un análisis técnico en profundidad de estas dos arquitecturas destacadas, detallando sus métricas de rendimiento, metodologías de entrenamiento, requisitos de memoria y escenarios de implementación ideales para ayudarte a elegir el mejor modelo de object detection para tu caso de uso específico.

RTDETRv2: El enfoque de Transformer para la detección en tiempo real#

Partiendo del Real-Time Detection Transformer (RT-DETR) original, RTDETRv2 introduce una serie de "bag-of-freebies" para mejorar la arquitectura base sin sacrificar su latencia de inferencia.

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

Arquitectura y capacidades#

RTDETRv2 aprovecha una arquitectura híbrida de CNN y Transformer. La CNN actúa como una red troncal (backbone) para extraer características visuales de grano fino, mientras que las capas de codificador y decodificador del Transformer procesan todo el mapa de características para comprender el contexto global. Un sello distintivo principal de RTDETRv2 es su naturaleza de extremo a extremo (end-to-end), eliminando por completo la necesidad de posprocesamiento de Non-Maximum Suppression (NMS).

Si bien RTDETRv2 alcanza una precisión impresionante —particularmente en escenas complejas y densas donde los objetos se superponen—, conlleva compensaciones notables. El attention mechanism inherente a los Transformers exige una memoria CUDA significativamente mayor durante el entrenamiento en comparación con las CNN estándar. Además, aunque funciona bien en GPU de gama alta como la NVIDIA A100 o T4, su arquitectura es notablemente más lenta en CPU estándar y en dispositivos de borde (edge) severamente limitados.

Aprende más sobre RTDETRv2

Ultralytics YOLOv5: El estándar de la industria para la eficiencia#

Ultralytics YOLOv5 cambió fundamentalmente el panorama del aprendizaje automático aplicado cuando se lanzó, haciendo que la visión artificial de alto rendimiento fuera accesible a desarrolladores de todo el mundo a través de un framework excepcionalmente intuitivo.

• Autor: Glenn Jocher
• Organización: Ultralytics
• Fecha: 26 de junio de 2020
• Enlaces: Official Documentation, GitHub Repository

Ecosistema y equilibrio de rendimiento#

YOLOv5 está construido íntegramente sobre el framework PyTorch y se basa en una arquitectura CNN inmensamente eficiente. Fue diseñado desde cero para ofrecer facilidad de uso, contando con una API optimizada y una de las documentaciones más extensas de la industria de la IA.

La mayor ventaja de YOLOv5 radica en su versatilidad inigualable y sus bajos requisitos de memoria. Entrenar un modelo YOLOv5 requiere drásticamente menos VRAM que los modelos basados en Transformers, lo que lo hace accesible para investigadores e ingenieros con presupuestos de hardware limitados. Además, mientras que RTDETRv2 se centra exclusivamente en la detección de cuadros delimitadores (bounding boxes), YOLOv5 ha evolucionado hacia una potencia versátil que admite instance segmentation e image classification.

Más información sobre YOLOv5

Comparación de rendimiento y métricas#

Al analizar el rendimiento bruto en el COCO dataset estándar, podemos ver distinciones claras en cómo estos modelos priorizan los recursos.

Análisis de las compensaciones#

Los datos revelan que RTDETRv2-x alcanza un mean Average Precision (mAP) máximo del 54.3%, superando ligeramente al 50.7% de YOLOv5x. Sin embargo, esta pequeña ganancia de precisión tiene un coste computacional masivo. YOLOv5x opera con menor latencia (11.89 ms frente a 15.03 ms en TensorRT) y requiere una fracción de la huella de memoria. Para despliegues en dispositivos de borde de ultra bajo consumo, YOLOv5n (Nano) sigue sin tener rival, completando inferencias en solo 1.12ms con una huella de parámetros minúscula de 2.6M, un segmento en el que RTDETRv2 ni siquiera intenta competir.

Eficiencia de entrenamiento y simplicidad de código#

Uno de los puntos fuertes del ecosistema Ultralytics es su API unificada. Incluso si decides utilizar la arquitectura Transformer de RT-DETR para una tarea específica de gran carga computacional, puedes hacerlo completamente dentro del paquete Python de Ultralytics, cambiando de modelo sin problemas con solo una línea de código.

from ultralytics import RTDETR, YOLO

# Load the Ultralytics YOLOv5 small model
model_yolo = YOLO("yolov5s.pt")

# Load the RT-DETR large model via Ultralytics
model_rtdetr = RTDETR("rtdetr-l.pt")

# Train YOLOv5 effortlessly on your custom data
model_yolo.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference with both models seamlessly
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 aprovechar la librería Ultralytics, los desarrolladores obtienen automáticamente acceso a un ecosistema bien mantenido que cuenta con experiment tracking integrations (como Weights & Biases y Comet ML) y exportaciones de un solo clic a formatos de despliegue como ONNX y OpenVINO.

Aplicaciones del mundo real y casos de uso ideales#

Dónde destaca RTDETRv2#

RTDETRv2 es más adecuado para entornos donde no existen limitaciones de hardware y el objetivo único es la máxima precisión posible.

• Imágenes médicas del lado del servidor: Detección de anomalías microscópicas en radiografías de alta resolución.
• Imagery de satélite: Seguimiento de objetos densos y superpuestos en tareas de aerial surveillance en potentes clústeres en la nube.

Dónde domina YOLOv5#

YOLOv5 es el campeón indiscutible para despliegues prácticos en el mundo real a través de diversos hardware.

• Dispositivos Edge AI: Despliegue de security alarm systems en dispositivos Raspberry Pi o NVIDIA Jetson donde la memoria es estrictamente limitada.
• Aplicaciones móviles: Ejecución de inferencia rápida y en tiempo real de cajas delimitadoras y segmentación directamente en smartphones mediante CoreML o TFLite.
• Fabricación industrial de alta velocidad: Inspección de piezas en líneas de producción rápidas donde la latencia de milisegundos es crítica para el éxito operativo.

En última instancia, aunque RTDETRv2 eleva el techo de precisión utilizando capas Transformer, el framework Ultralytics YOLO proporciona un equilibrio inigualable de velocidad, requisitos de memoria ligeros y una experiencia de desarrollo brillantemente diseñada que reduce drásticamente el tiempo desde el prototipo hasta la producción.