RTDETRv2 frente a YOLOv7
La visión artificial ha avanzado rápidamente en los últimos años, gracias a los progresos tanto de las redes neuronales convolucionales (CNN) como de los Vision Transformers (ViT). Elegir una arquitectura para la implementación requiere comprender el equilibrio entre velocidad, precisión y coste computacional. Esta guía compara las diferencias técnicas entre dos arquitecturas conocidas, RTDETRv2 y YOLOv7, y presenta el nuevo YOLO26 de Ultralytics.
RTDETRv2: el enfoque Transformer para la detección en tiempo real#
RTDETRv2 (versión 2 del Transformer de detección en tiempo real) amplía a su predecesor y demuestra que las arquitecturas basadas en Transformer pueden competir en escenarios en tiempo real sin depender de los pasos tradicionales de posprocesamiento.
- 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: Repositorio de RTDETRv2
Aspectos arquitectónicos destacados#
RTDETRv2 utiliza un codificador híbrido y un decodificador Transformer. La autoatención permite al modelo procesar toda la imagen a la vez, por lo que puede captar relaciones espaciales que los filtros convolucionales estrictamente locales no detectan. Su característica definitoria es su diseño nativo sin NMS. Al eliminar la supresión no máxima (NMS), RTDETRv2 suprime un cuello de botella habitual que introduce una latencia de inferencia variable durante la implementación.
Puntos fuertes y limitaciones#
La principal fortaleza de RTDETRv2 es su capacidad para procesar objetos densos y superpuestos en escenas complejas. El contexto global que proporcionan las capas de atención Transformer mejora la precisión, sobre todo en situaciones con oclusiones frecuentes.
Sin embargo, esto tiene un coste computacional. Los modelos Transformer suelen ocupar más memoria durante el entrenamiento y la inferencia que las CNN. Esto limita el tamaño de los lotes en las GPU de consumo y puede alargar los ciclos de iteración de los desarrolladores que ajustan conjuntos de datos personalizados.
Más información sobre RTDETRv2
YOLOv7: una base CNN para la velocidad#
Lanzado dos años antes que RTDETRv2, YOLOv7 incorporó varias optimizaciones estructurales al marco YOLO clásico y, en el momento de su publicación, estableció un sólido referente para los detectores en tiempo real basados en CNN.
- Autores: Chien-Yao Wang, Alexey Bochkovskiy y Hong-Yuan Mark Liao
- Organización: Institute of Information Science, Academia Sinica, Taiwán
- Fecha: 2022-07-06
- arXiv: https://arxiv.org/abs/2207.02696
- GitHub: Repositorio de YOLOv7
Aspectos arquitectónicos destacados#
La arquitectura de YOLOv7 se basa en el concepto de red de agregación de capas eficiente extendida (E-ELAN). Este enfoque optimiza la ruta del gradiente, lo que permite al modelo aprender de forma más eficaz sin aumentar demasiado la complejidad computacional. Los autores también introdujeron un «conjunto de ventajas gratuitas entrenables», una serie de métodos que mejoran la precisión del modelo durante el entrenamiento sin aumentar el coste de inferencia.
Puntos fuertes y limitaciones#
YOLOv7 sigue siendo un modelo competente para tareas estándar de detección de objetos, con un procesamiento rápido en GPU de consumo. Como CNN, suele necesitar menos memoria CUDA durante el entrenamiento que los modelos basados en transformers, como RTDETRv2.
A pesar de estas ventajas, YOLOv7 sigue dependiendo de NMS para el posprocesamiento. En entornos con una alta densidad de predicciones, el paso de NMS puede provocar fluctuaciones en el tiempo de procesamiento, lo que dificulta garantizar estrictamente el rendimiento en tiempo real. Además, YOLOv7 aborda tareas como la segmentación de instancias y la estimación de pose en ramas de código separadas, en lugar de hacerlo dentro de un marco unificado.
Comparativa de rendimiento#
La tabla siguiente compara la precisión media ( mAP ), el número de parámetros y la velocidad de inferencia 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 |
| YOLOv7l | 640 | 51.4 | - | 6.84 | 36.9 | 104.7 |
| YOLOv7x | 640 | 53.1 | - | 11.57 | 71.3 | 189.9 |
RTDETRv2-x alcanza la mAP más alta (54,3), pero también tiene el mayor número de parámetros y de FLOPs. YOLOv7l (51,4 mAP, 6,84 ms) es ligeramente más rápido que RTDETRv2-m (51,9 mAP, 7,51 ms), mientras que RTDETRv2-l (53,4 mAP, 9,76 ms) es más preciso y rápido que YOLOv7x (53,1 mAP, 11,57 ms). Ninguno de los modelos indica aquí sus velocidades en CPU, así que quienes se dirijan a entornos de bajo consumo sin GPU dedicada deberían medir por su cuenta la inferencia en CPU.
La solución moderna: llega YOLO26#
RTDETRv2 y YOLOv7 impulsaron las aplicaciones de visión artificial, y el campo ha seguido avanzando. YOLO26, lanzado en enero de 2026, combina la eficiencia de las CNN con la opción de realizar inferencias sin NMS, de forma similar a los detectores basados en transformers.
Para los desarrolladores e investigadores que crean sistemas nuevos, la plataforma Ultralytics integrada y el ecosistema de Python ofrecen un flujo de trabajo unificado que reduce el trabajo de integración y mantenimiento.
Innovaciones clave de YOLO26#
- Diseño integral sin NMS: YOLO26 admite inferencia nativa integral y omite el posprocesamiento de NMS con su cabezal opcional uno a uno (
nms=False), para ofrecer una implementación más rápida y sencilla. Este enfoque, introducido por primera vez en YOLOv10, mantiene una latencia estable con independencia de la densidad de objetos. - Hasta un 43 % más rápido en inferencia en CPU: YOLO26n funciona hasta un 43 % más rápido en CPU que YOLO11n, por lo que resulta adecuado para la computación en el borde y para dispositivos sin GPU, donde los modelos transformers más pesados son más difíciles de implementar.
- Optimizador MuSGD: combinación híbrida de SGD y Muon (inspirada en Kimi K2 de Moonshot AI) que incorpora técnicas de entrenamiento de modelos de lenguaje grandes (LLM) a la visión artificial para lograr un entrenamiento más estable y una convergencia más rápida.
- Eliminación de DFL: Se ha eliminado Distribution Focal Loss, lo que da lugar a un grafo computacional simplificado que facilita la exportación a NPU integradas y entornos TensorRT.
- ProgLoss + STAL: la pérdida progresiva y la asignación de etiquetas consciente de los objetos pequeños (STAL) mejoran el reconocimiento de objetos pequeños, algo fundamental para la robótica, el IoT y el análisis de imágenes aéreas.
- Mejoras específicas para cada tarea: YOLO26 no se limita a la detección. Incorpora prototipos a varias escalas para la segmentación, estimación residual de verosimilitud logarítmica (RLE) para la estimación de pose y una función de pérdida angular especializada que aborda los problemas de límites de las cajas delimitadoras orientadas (OBB).
Una experiencia de desarrollo más sencilla#
Una ventaja clave de los modelos de Ultralytics, como YOLO26 (o el muy utilizado YOLO11), es su ecosistema bien mantenido. Entrenar con un conjunto de datos personalizado solo requiere unas pocas líneas de código:
from ultralytics import YOLO
# Inicializa el modelo YOLO26
model = YOLO("yolo26s.pt")
# Entrena el modelo con el conjunto de datos COCO8
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Expórtalo para su despliegue en dispositivos edge
model.export(format="onnx", dynamic=True)Casos de uso y aplicaciones ideales#
La elección entre estas arquitecturas depende del hardware de destino y de los requisitos operativos específicos.
Cuándo considerar RTDETRv2#
RTDETRv2 es eficaz en entornos de procesamiento en servidor equipados con GPU potentes. Su mecanismo de atención global lo hace adecuado para comprender escenas complejas, como la vigilancia de eventos muy concurridos o el diagnóstico por imagen especializado, donde las características superpuestas requieren un análisis contextual profundo.
Cuándo plantearse usar YOLOv7#
YOLOv7 suele mantenerse en la investigación académica heredada como modelo de referencia para comparativas. También se encuentra en despliegues industriales antiguos, donde los flujos de trabajo existentes están codificados para versiones específicas de PyTorch y no requieren la flexibilidad multitarea de los marcos más recientes.
Por qué YOLO26 es el estándar recomendado#
Para las infraestructuras modernas de ciudades inteligentes, la navegación de drones y la fabricación de alta velocidad, YOLO26 ofrece un buen equilibrio entre velocidad y precisión. Sus menores requisitos de memoria hacen que el ajuste de hiperparámetros y el entrenamiento sean accesibles con hardware de consumo, mientras que la inferencia opcional sin NMS y las optimizaciones para CPU lo hacen adecuado para dispositivos de borde con recursos limitados, como Raspberry Pi o NVIDIA Jetson.
¿Quieres saber cómo se comparan estos modelos con otras arquitecturas? Consulta nuestras guías detalladas sobre YOLO11 frente a RT-DETR y YOLOv8 frente a YOLOv7 para encontrar la opción adecuada para tu proyecto de IA de visión.
Comentarios
Haz una pregunta, comparte tus resultados o ayuda a otra persona.