RTDETRv2 frente a YOLOv8#

Los modelos de visión artificial para la detección de objetos se dividen cada vez más en dos grupos: las redes neuronales convolucionales (CNN) y las nuevas arquitecturas basadas en Transformer. Esta comparativa técnica analiza cómo RTDETRv2, un Transformer de detección en tiempo real, se compara con Ultralytics YOLOv8, uno de los modelos CNN más adoptados. Ambos modelos son capaces, pero sus arquitecturas implican diferencias claras en el entrenamiento, las limitaciones de implementación y el rendimiento.

Descripción general del modelo: RTDETRv2#

RTDETRv2 (versión 2 del Transformer de detección en tiempo real) amplía el RT-DETR original al optimizar su arquitectura Transformer para la inferencia en tiempo real.

Detalles técnicos clave:

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

Arquitectura y puntos fuertes#

RTDETRv2 utiliza una arquitectura híbrida que combina una red CNN troncal con un codificador y un decodificador Transformer. Esto permite al modelo considerar toda la imagen a la vez, lo que le ayuda a procesar escenas complejas con objetos superpuestos. Su característica definitoria es el diseño nativo integral, que omite el posprocesamiento de supresión no máxima (NMS). Esto reduce la complejidad algorítmica en las fases finales del flujo de detección. Sus características multiescala también le ayudan a detectar tanto estructuras grandes como pequeños elementos del fondo.

Puntos débiles#

A pesar de su gran capacidad para comprender el contexto, las arquitecturas basadas en Transformer como RTDETRv2 tienen un coste computacional elevado durante el entrenamiento. Necesitan más memoria CUDA, lo que dificulta su entrenamiento en hardware de consumo. Configurar un conjunto de datos personalizado y ajustar los hiperparámetros de entrenamiento en el repositorio oficial también suele requerir experiencia en el sector, ya que no cuenta con una interfaz de software fácil de usar para principiantes. La implementación en dispositivos edge de bajo consumo, como el hardware antiguo de Raspberry Pi, también puede ser complicada debido al elevado coste computacional de las capas de atención.

Más información sobre RTDETRv2

Descripción general del modelo: YOLOv8#

Desde su lanzamiento, Ultralytics YOLOv8 se ha convertido en un estándar muy utilizado en visión artificial de producción, al combinar una experiencia de desarrollo sencilla con una gran precisión.

Detalles técnicos clave:

• Autores: Glenn Jocher, Ayush Chaurasia y Jing Qiu
• Organización: Ultralytics
• Fecha: 10 de enero de 2023
• Enlaces: Documentación oficial | Repositorio de GitHub

Arquitectura y puntos fuertes#

YOLOv8 utiliza una arquitectura CNN sin anclajes con un cabezal desacoplado, lo que mejora la localización de objetos y la precisión de clasificación frente a las generaciones anteriores de YOLO. Sus principales ventajas son la eficiencia y la versatilidad. La arquitectura requiere menos memoria durante el entrenamiento que los Transformer de visión, lo que permite a los profesionales utilizar tamaños de lote mayores en GPU estándar. Además, el ecosistema de Ultralytics ofrece un flujo de trabajo optimizado: la API unificada de Python permite ajustar los hiperparámetros, entrenar, validar y exportar con solo unas pocas líneas de código.

Puntos débiles#

YOLOv8 sí depende de la NMS tradicional durante la fase de posprocesamiento. Aunque el motor de Ultralytics la gestiona eficazmente en segundo plano, técnicamente añade una pequeña latencia de posprocesamiento en comparación con las arquitecturas que prescinden de NMS de forma nativa.

Comparativa de rendimiento y métricas#

La tabla siguiente compara la precisión de validación en COCO (mAP), la velocidad en CPU y T4 TensorRT, los parámetros y los FLOPs. Las dos familias dan prioridad a distintas partes del flujo de implementación.

Requisitos de memoria y eficiencia del entrenamiento#

El coste del entrenamiento importa tanto a los desarrolladores independientes como a los equipos empresariales. Los modelos YOLO de Ultralytics suelen requerir menos memoria CUDA durante el proceso de entrenamiento que las arquitecturas Transformer. Un modelo RTDETRv2 estándar puede convertirse en un cuello de botella para una GPU de consumo, mientras que YOLOv8 se entrena de forma fiable en hardware como la NVIDIA RTX 4070.

Ecosistema, API y facilidad de uso#

El marco de trabajo de software que acompaña al modelo es otro factor diferenciador clave. El ecosistema de Ultralytics se ocupa de gran parte del trabajo de ingeniería, y el desarrollo activo, la documentación completa y el apoyo de la comunidad en Discord ayudan a que los proyectos sigan avanzando.

YOLOv8 también va más allá de la detección de objetos, con compatibilidad nativa con la segmentación de instancias, la clasificación de imágenes, la estimación de pose y las cajas delimitadoras orientadas (OBB). RTDETRv2 se centra únicamente en la detección.

Ejemplo de código: simplicidad unificada#

La API de Python de Ultralytics ejecuta ambas familias de modelos con la misma interfaz.

from ultralytics import RTDETR, YOLO

# Carga un modelo RT-DETR y un modelo YOLOv8
model_transformer = RTDETR("rtdetr-l.pt")
model_cnn = YOLO("yolov8l.pt")

# Realiza una predicción sobre una imagen de muestra con exactamente la misma API
results_transformer = model_transformer("https://ultralytics.com/images/bus.jpg")
results_cnn = model_cnn("https://ultralytics.com/images/bus.jpg")

# Exporta YOLOv8 a ONNX para un despliegue rápido en el borde
model_cnn.export(format="onnx")

Una vez entrenado, YOLOv8 se exporta en una sola línea a ONNX, TensorRT y OpenVINO para ejecutar inferencias eficientemente en distintas plataformas de hardware.

Casos de uso y recomendaciones#

La elección entre RT-DETR y YOLOv8 depende de los requisitos específicos de tu proyecto, las limitaciones del despliegue y tus preferencias en cuanto al 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 YOLOv8#

Se recomienda YOLOv8 para:

• Implementación versátil de múltiples tareas: Proyectos que necesitan un modelo probado para detección, segmentación, clasificación y estimación de poses dentro del ecosistema de Ultralytics.
• Sistemas de producción consolidados: Entornos de producción existentes basados en la arquitectura YOLOv8, con canalizaciones de implementación estables y bien probadas.
• Amplio respaldo de la comunidad y del ecosistema: Aplicaciones que se benefician de los numerosos tutoriales de YOLOv8, las integraciones de terceros y los recursos de una comunidad activa.

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 que solo usan CPU: Dispositivos sin aceleración de GPU dedicada, en los que la inferencia en CPU de YOLO26n, hasta un 43 % más rápida que la de YOLO11n, ofrece 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.

Perspectivas: las ventajas de YOLO26#

YOLOv8 sigue siendo un modelo emblemático, pero la visión artificial evoluciona rápidamente. Para los equipos que empiezan proyectos nuevos en 2026, Ultralytics YOLO26 es el sucesor recomendado.

Si te atrae el diseño sin NMS de RTDETRv2, YOLO26 ofrece un diseño integral sin NMS opcional (nms=False) que combina la sencillez de posprocesamiento de Transformer con la velocidad de las CNN. YOLO26 también utiliza el optimizador MuSGD, que incorpora técnicas de entrenamiento de modelos de lenguaje grandes (LLM) a los modelos de visión para lograr un entrenamiento más estable y una convergencia más rápida. Gracias a la eliminación de DFL (Distribution Focal Loss), que simplifica la exportación y mejora la compatibilidad con dispositivos edge y de bajo consumo, YOLO26n consigue una inferencia en CPU hasta un 43 % más rápida que YOLO11n. Junto con ProgLoss + STAL (Progressive Loss y Small-Target-Aware Label Assignment), que mejora la detección de objetos pequeños, YOLO26 es la vía de actualización recomendada tanto para YOLOv8 como para RTDETRv2.

Para conocer modelos alternativos, consulta YOLO11 o lee el análisis detallado de YOLOv10 frente a YOLOv8 para ver cómo ha evolucionado la arquitectura sin NMS en la familia YOLO.