RTDETRv2 frente a YOLOv6-3.0
Los desarrolladores que eligen un modelo de visión artificial para detectar objetos pueden optar por arquitecturas muy diferentes. Esta página compara dos de ellas: RTDETRv2, un Transformer de detección en tiempo real, y YOLOv6-3.0, una red neuronal convolucional (CNN) optimizada para aplicaciones industriales.
Aborda sus arquitecturas, métricas de rendimiento y escenarios de implementación ideales, explica qué ofrece el ecosistema Ultralytics a los desarrolladores y presenta Ultralytics YOLO26, el modelo recomendado para proyectos nuevos.
RTDETRv2: el enfoque Transformer de visión#
Desarrollado por investigadores de Baidu, RTDETRv2 parte del RT-DETR original y perfecciona la detección de objetos basada en transformers.
- Autores: Wenyu Lv, Yian Zhao, Qinyao Chang, Kui Huang, Guanzhong Wang y Yi Liu
- Organización: Baidu
- Fecha: 2024-07-24
- arXiv: 2407.17140
- GitHub: lyuwenyu/RT-DETR
- Documentación: README de RTDETRv2 en GitHub
Aspectos arquitectónicos destacados#
RTDETRv2 utiliza una arquitectura híbrida que combina un extractor de características CNN con un decodificador Transformer. Su característica distintiva es el diseño nativo sin NMS. Al eliminar la supresión no máxima (NMS) del posprocesamiento, el modelo predice directamente los cuadros delimitadores, lo que simplifica la implementación y estabiliza la latencia de inferencia.
Las mejoras de entrenamiento «Bag-of-Freebies» de RTDETRv2, combinadas con la atención global, le ayudan a gestionar escenas complejas y objetos superpuestos, porque los modelos de atención capturan las relaciones en toda la imagen, en lugar de limitarse a ventanas de convolución locales.
Aunque los transformers destacan en la comprensión de escenas complejas, suelen necesitar más memoria CUDA durante el entrenamiento que las CNN. Esto puede limitar el tamaño de los lotes en las GPU de consumo convencionales y aumentar el tiempo total de entrenamiento.
Más información sobre RTDETRv2
YOLOv6-3.0: maximización del rendimiento industrial#
YOLOv6-3.0, creado en el Departamento de IA de Visión de Meituan, se diseñó para flujos de trabajo industriales en los que prima el rendimiento de la GPU.
- Autores: Chuyi Li, Lulu Li, Yifei Geng, Hongliang Jiang, Meng Cheng, Bo Zhang, Zaidan Ke, Xiaoming Xu y Xiangxiang Chu
- Organización: Meituan
- Fecha: 2023-01-13
- arXiv: 2301.05586
- GitHub: meituan/YOLOv6
Enfoque arquitectónico#
YOLOv6-3.0 se basa en una arquitectura troncal EfficientRep, diseñada para reducir al mínimo los costes de acceso a memoria en aceleradores de hardware como las GPU NVIDIA. La arquitectura del cuello incluye un módulo de concatenación bidireccional (BiC) para mejorar la fusión de características entre distintas escalas.
Durante el entrenamiento, utiliza una estrategia de entrenamiento asistido por anclajes (AAT) que aprovecha los paradigmas basados en anclajes y mantiene un modo de inferencia sin anclajes para una ejecución más rápida. Alcanza un alto rendimiento en GPU de servidor (p. ej., T4 y A100), pero su diseño orientado a GPU puede ser menos eficiente en dispositivos de borde que solo tienen CPU.
Comparativa de rendimiento#
La tabla siguiente compara la precisión (mAP), la velocidad de inferencia y el coste computacional (FLOPs) en el conjunto de validación 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 |
| YOLOv6-3.0n | 640 | 37.5 | - | 1.17 | 4.7 | 11.4 |
| YOLOv6-3.0s | 640 | 45.0 | - | 2.66 | 18.5 | 45.3 |
| YOLOv6-3.0m | 640 | 50.0 | - | 5.28 | 34.9 | 85.8 |
| YOLOv6-3.0l | 640 | 52.8 | - | 8.95 | 59.6 | 150.7 |
YOLOv6-3.0 es más rápido con TensorRT en T4 en todos los tamaños comparables (por ejemplo, 5,28 ms frente a 7,51 ms en los modelos medianos), mientras que RTDETRv2 alcanza una mAP mayor (51,9 frente a 50,0 en el tamaño mediano; 53,4 frente a 52,8 en el grande) y llega a 54,3 mAP con RTDETRv2-x. Ambos modelos se centran en la detección: sus versiones principales no ofrecen segmentación de instancias ni estimación de pose.
Casos de uso y recomendaciones#
La elección entre RT-DETR y YOLOv6 depende de los requisitos específicos de tu proyecto, las limitaciones del despliegue 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 YOLOv6#
Se recomienda YOLOv6 para:
- Despliegues adaptados al hardware industrial: situaciones en las que el diseño adaptado al hardware y la reparametrización eficiente del modelo ofrecen un rendimiento optimizado en el hardware de destino específico.
- Detección rápida en una sola etapa: aplicaciones que priorizan la velocidad de inferencia bruta en GPU para procesar vídeo en tiempo real en entornos controlados.
- Integración con el ecosistema de Meituan: equipos que ya trabajan con la pila tecnológica y la infraestructura de despliegue de Meituan.
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 solo con CPU: Dispositivos sin aceleración de GPU dedicada, en los que la inferencia en CPU hasta un 43 % más rápida de YOLO26 (YOLO26n frente a YOLO11n) supone 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#
Elegir un modelo implica mucho más que comparar cifras de referencia: también importan la experiencia de desarrollo, la flexibilidad de implementación y el respaldo del ecosistema. Los modelos integrados en el ecosistema Ultralytics ofrecen varias ventajas frente a los repositorios de investigación estáticos.
- Facilidad de uso: el paquete de Python
ultralyticsofrece una API sencilla. Entrenar, validar y exportar modelos solo requiere unas pocas líneas de código. - Ecosistema bien mantenido: a diferencia de los repositorios académicos aislados, el paquete
ultralyticsy la plataforma Ultralytics se mantienen de forma activa y permiten exportar a formatos como ONNX, OpenVINO y CoreML. - Eficiencia del entrenamiento: los modelos YOLO de Ultralytics suelen utilizar menos memoria de GPU durante el entrenamiento que las arquitecturas Transformer como RTDETRv2, lo que permite usar lotes más grandes en hardware de consumo.
- Versatilidad: a diferencia del enfoque de YOLOv6-3.0 en la detección, YOLO26 admite, dentro de un único marco, detección, segmentación de instancias, segmentación semántica, estimación de profundidad, clasificación de imágenes, estimación de pose y cuadros delimitadores orientados (OBB).
Con la CLI de Ultralytics, exportar un modelo entrenado para desplegarlo en dispositivos periféricos es tan sencillo como ejecutar: yolo export model=yolo11n.pt format=tensorrt.
Llega YOLO26#
RTDETRv2 y YOLOv6-3.0 tienen cada uno sus puntos fuertes, pero recomendamos YOLO26, lanzado por Ultralytics en enero de 2026, a los equipos que comienzan nuevos proyectos de visión artificial.
YOLO26 combina los puntos fuertes de las CNN industriales y los transformers modernos:
- Diseño integral sin NMS: a partir del enfoque introducido en YOLOv10, YOLO26 ofrece un cabezal opcional sin NMS (
nms=False) que omite el posprocesamiento de NMS y proporciona una latencia predecible similar a la de RTDETRv2, con una menor ocupación de memoria. - Optimizador MuSGD: inspirado en técnicas de entrenamiento de modelos de lenguaje grandes (LLM), como Kimi K2 de Moonshot AI, esta combinación híbrida de SGD y Muon proporciona un entrenamiento más estable y una convergencia más rápida.
- Optimizado para el borde: al eliminar Distribution Focal Loss (DFL), YOLO26n funciona hasta un 43 % más rápido en CPU que YOLO11n, por lo que es adecuado para dispositivos móviles y dispositivos IoT sin aceleración de GPU.
- ProgLoss + STAL: la pérdida progresiva y la asignación de etiquetas consciente de los objetos pequeños (STAL) mejoran el reconocimiento de objetos pequeños, un reto de larga trayectoria para las CNN, lo que resulta útil en imágenes aéreas y robótica.
Ejemplo de entrenamiento#
La API de Ultralytics entrena modelos con unas pocas líneas de código. El ejemplo ejecutable siguiente entrena el modelo YOLO26 Nano con el conjunto de datos COCO8:
from ultralytics import YOLO
# Load the newly released YOLO26 Nano model
model = YOLO("yolo26n.pt")
# Train the model on the COCO8 dataset for 50 epochs
# The Ultralytics engine handles data caching and augmentation automatically
train_results = model.train(data="coco8.yaml", epochs=50, imgsz=640)
# Validate the model's performance
metrics = model.val()
print(f"Validation mAP50-95: {metrics.box.map}")
# Export the trained model to ONNX format for production
model.export(format="onnx")Resumen#
Al comparar RTDETRv2 y YOLOv6-3.0, la decisión depende en gran medida del hardware concreto y de las limitaciones de latencia. RTDETRv2 destaca en entornos de investigación y procesamiento del lado del servidor, donde es fundamental gestionar objetos superpuestos complejos. YOLOv6-3.0 sigue siendo una opción sólida para líneas de fabricación de alto rendimiento equipadas con potentes GPU NVIDIA.
Para los desarrolladores que quieren inferencia sin NMS como la de un Transformer, junto con la velocidad y la baja ocupación de memoria de una CNN, YOLO26 es la opción recomendada. Su documentación, su comunidad activa y las herramientas de Ultralytics ayudan a llevar los proyectos de IA de visión del prototipo a producción.
Comentarios
Haz una pregunta, comparte tus resultados o ayuda a otra persona.