RTDETRv2 frente a YOLOv5#

La evolución de la visión artificial ha estado marcada en gran medida por la necesidad de equilibrar la precisión con la velocidad de inferencia en tiempo real. Al comparar RTDETRv2 y Ultralytics YOLOv5, los desarrolladores sopesan la modelización del contexto global de las arquitecturas Transformer frente a la eficiencia optimizada y probada en producción de las redes neuronales convolucionales (CNN).

Esta guía compara ambas arquitecturas y aborda sus métricas de rendimiento, métodos de entrenamiento, requisitos de memoria y escenarios de implementación 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. Una arquitectura troncal CNN extrae características visuales detalladas, mientras que las capas codificadoras y decodificadoras Transformer procesan todo el mapa de características para captar el contexto global. Una característica destacada de RTDETRv2 es su diseño integral, que elimina la necesidad del posprocesamiento de supresión no máxima (NMS).

RTDETRv2 alcanza una gran precisión, sobre todo en escenas complejas y densas donde los objetos se superponen, pero esto implica ciertas contrapartidas. El mecanismo de atención propio de los transformers requiere más memoria CUDA durante el entrenamiento que las CNN estándar. Además, aunque funciona bien en GPU como NVIDIA A100 o T4, es notablemente más lento en CPU convencionales y dispositivos de IA de borde con recursos limitados.

Más información sobre RTDETRv2

Ultralytics YOLOv5: el estándar del sector en eficiencia#

Cuando se lanzó, Ultralytics YOLOv5 puso la visión artificial de alto rendimiento al alcance de desarrolladores de todo el mundo gracias a un marco intuitivo y fácil de usar.

• 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 eficiente. Se diseñó desde cero para facilitar su uso, con una API sencilla y documentación extensa.

Las principales ventajas de YOLOv5 son su versatilidad y sus bajos requisitos de memoria. Entrenar un modelo YOLOv5 requiere mucha menos VRAM que entrenar modelos basados en transformers, por lo que está al alcance de investigadores e ingenieros con presupuestos de hardware limitados. Además, aunque RTDETRv2 se centra en la detección de cuadros delimitadores, el repositorio de YOLOv5 también admite la segmentación de instancias (añadida en YOLOv5 v7.0) y la clasificación de imágenes.

Comparativa de rendimiento y métricas#

El rendimiento en el conjunto de datos COCO estándar muestra diferencias claras en la forma en que estos modelos intercambian precisión por consumo de recursos.

Análisis de las ventajas e inconvenientes#

RTDETRv2-x alcanza una precisión media (mAP) máxima del 54,3 %, 3,6 puntos por encima de YOLOv5x (50,7 %). YOLOv5x tiene una latencia TensorRT menor (11,89 ms frente a 15,03 ms) y menos FLOPs (205,7B frente a 259B), pero más parámetros (86,7M frente a 76M). Con una latencia similar, RTDETRv2 es más preciso: RTDETRv2-s alcanza el 48,1 % en 5,03 ms, mientras que YOLOv5m alcanza el 45,4 % en 4,03 ms. Para implementaciones de borde de bajo consumo, YOLOv5n tarda 1,12 ms y tiene 1,9M de parámetros, una categoría de tamaño que RTDETRv2 no ofrece.

Eficiencia del entrenamiento y simplicidad del código#

Uno de los puntos fuertes del ecosistema Ultralytics es su API unificada. Si eliges la arquitectura Transformer de RT-DETR para una tarea que requiere muchos recursos de computación, puedes seguir utilizándola íntegramente desde el paquete de Python de Ultralytics y cambiar de modelo modificando 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 con tus datos personalizados
model_yolo.train(data="coco8.yaml", epochs=100, imgsz=640)

# Ejecuta la inferencia con ambos modelos
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 biblioteca de Ultralytics, los desarrolladores acceden automáticamente a un ecosistema bien mantenido con integraciones para el seguimiento de experimentos, como Weights & Biases y Comet, y exportaciones con una sola línea a formatos de implementación como ONNX y OpenVINO.

Aplicaciones reales y casos de uso ideales#

En qué destaca RTDETRv2#

RTDETRv2 es más adecuado para entornos donde el hardware no supone una limitación y la precisión es el objetivo principal.

• Diagnóstico por imagen en servidor: detección de anomalías sutiles 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.

Dónde destaca YOLOv5#

YOLOv5 es una opción práctica para implementaciones reales en 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 techo de precisión mediante capas Transformer, el marco YOLO de Ultralytics ofrece un buen equilibrio entre velocidad, bajos requisitos de memoria y una experiencia de desarrollo que acorta el camino del prototipo a producción.