RTDETRv2 frente a YOLOv9#

Las arquitecturas de visión artificial se dividen en dos enfoques principales: las redes neuronales convolucionales (CNN) y los modelos basados en Transformer. Comparar RTDETRv2 y YOLOv9 implica sopesar la atención global frente a la información de gradiente programable. Ambos son buenos ejemplos de sus respectivos enfoques para la detección de objetos en tiempo real.

Introducción a los modelos#

RTDETRv2: Transformer de detección en tiempo real#

Desarrollado por investigadores de Baidu, RTDETRv2 amplía el RT-DETR original al introducir un enfoque «Bag-of-Freebies» para mejorar el Transformer de detección en tiempo real de referencia. Aborda el cuello de botella tradicional de Transformer —la velocidad de inferencia— y hace que estos modelos sean viables para aplicaciones en tiempo real.

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

Una característica definitoria de RTDETRv2 es su diseño nativo integral sin NMS. Al eliminar la supresión no máxima (NMS) del posprocesamiento, el modelo estabiliza la latencia de inferencia y simplifica el flujo de implementación. El mecanismo de atención global ayuda al modelo a procesar escenas complejas y multitudes densas, ya que evalúa simultáneamente el contexto de toda la imagen.

Más información sobre RTDETRv2

YOLOv9: información de gradiente programable#

YOLOv9, una arquitectura eficiente basada en CNN, aborda el problema del cuello de botella de información inherente a las redes neuronales profundas. Introduce Programmable Gradient Information (PGI) y Generalized Efficient Layer Aggregation Network (GELAN).

• Autores: Chien-Yao Wang y Hong-Yuan Mark Liao
• Organización: Instituto de Ciencias de la Información, Academia Sinica
• Fecha: 21 de febrero de 2024
• Enlaces: arXiv, GitHub

YOLOv9 se basa en los principios probados de las redes neuronales convolucionales, con especial atención a la eficiencia en el uso de parámetros. Al conservar la información clave durante el proceso de propagación hacia delante, PGI mantiene la fiabilidad de los gradientes y da lugar a un modelo ligero y preciso. Sin embargo, a diferencia de RTDETRv2, YOLOv9 sigue dependiendo del posprocesamiento NMS estándar.

Más información sobre YOLOv9

Rendimiento y eficiencia de recursos#

La tabla siguiente compara la precisión media (mAP) y el coste computacional en el conjunto de datos MS COCO. YOLOv9 utiliza muchos menos parámetros con una precisión similar (YOLOv9m alcanza 51,4 mAP con 20,1 M de parámetros, frente a los 51,9 mAP y 36 M de RTDETRv2-m) y es más rápido con T4 TensorRT en todos los tamaños, salvo YOLOv9e. YOLOv9e alcanza el mAP más alto (55,6), pero también es el modelo más lento de la tabla (16,77 ms).

Requisitos de memoria y eficiencia del entrenamiento#

Los modelos Transformer como RTDETRv2 requieren mucha memoria durante el entrenamiento y suelen necesitar una cantidad considerable de memoria CUDA. Las arquitecturas CNN como YOLOv9 y otros modelos YOLO de Ultralytics suelen consumir menos memoria, lo que permite a los desarrolladores entrenar con tamaños de lote mayores en hardware de consumo.

La ventaja de Ultralytics: ecosistema y facilidad de uso#

Los repositorios independientes, como las páginas oficiales de RTDETRv2 o YOLOv9 en GitHub, son útiles para la investigación, pero los entornos de producción necesitan estabilidad, facilidad de uso y un ecosistema bien mantenido. Usar estos modelos mediante la API de Python de Ultralytics ofrece una experiencia de desarrollo coherente.

API unificada y versatilidad#

El marco de trabajo de Ultralytics abstrae las complejidades de la carga de datos, los aumentos y el entrenamiento distribuido. Además, aunque el RTDETRv2 original se centra exclusivamente en la detección, el ecosistema de Ultralytics permite pasar de la detección de objetos a la segmentación de instancias y la estimación de pose.

from ultralytics import RTDETR, YOLO

# Entrena un modelo YOLOv9 con datos personalizados
model_yolo = YOLO("yolov9c.pt")
model_yolo.train(data="coco8.yaml", epochs=50, imgsz=640)

# Cambia fácilmente a RT-DETR para evaluar escenas complejas
model_rtdetr = RTDETR("rtdetr-l.pt")
results = model_rtdetr.predict("https://ultralytics.com/images/bus.jpg")

# Exporta a formatos listos para producción, como TensorRT
model_yolo.export(format="engine")

Con documentación completa, seguimiento automático de experimentos y exportación a formatos como ONNX, TensorRT y OpenVINO, Ultralytics acorta el recorrido del prototipo a la producción.

Casos de uso ideales#

Dónde destaca RTDETRv2#

Gracias a su mecanismo de atención global, RTDETRv2 es adecuado para el procesamiento en el servidor y los entornos en los que el contexto global es importante. Ofrece buenos resultados en:

• Diagnóstico por imagen: Identificación de anomalías sutiles en las que el contexto circundante es fundamental.
• Vigilancia aérea: Analizar grabaciones de drones de alta resolución, en las que un contexto espacial amplio ayuda a interpretar la escena.
• Análisis de multitudes densas: Detectar personas en escenas concurridas, donde NMS puede suprimir detecciones correctas que se solapan.

Dónde destaca YOLOv9#

YOLOv9 es una buena opción para implementaciones en el edge con recursos limitados. Su eficiencia computacional resulta adecuada para:

• Robótica: Navegación en tiempo real y evasión de obstáculos cuando se necesita una latencia mínima.
• IoT para ciudades inteligentes: Despliegue en dispositivos periféricos como NVIDIA Jetson para la supervisión del tráfico.
• Inspección industrial: Control de calidad de líneas de montaje de alta velocidad que requiere una elevada frecuencia de fotogramas por segundo (FPS).

El futuro: llega Ultralytics YOLO26#

YOLOv9 y RTDETRv2 supusieron avances importantes, y el sector ha seguido evolucionando. Para nuevas implementaciones, Ultralytics YOLO26, lanzado en enero de 2026, combina ideas de ambos enfoques arquitectónicos.

YOLO26 reúne las ventajas de Transformer y las CNN:

• Diseño integral sin NMS: Al igual que RTDETRv2, YOLO26 admite inferencia nativa integral y omite el posprocesamiento NMS con su cabezal opcional uno a uno (nms=False), para que los flujos de implementación sean más rápidos, sencillos y predecibles.
• Optimizador MuSGD: Inspirado en técnicas de entrenamiento de modelos de lenguaje grandes (LLM), como Kimi K2 de Moonshot AI, YOLO26 utiliza una combinación de SGD y Muon para lograr un entrenamiento más estable y una convergencia más rápida.
• Hasta un 43 % más de velocidad de inferencia en CPU: YOLO26n funciona hasta un 43 % más rápido en CPU que YOLO11n, por lo que resulta adecuado para la computación en el edge y para dispositivos sin GPU, donde los modelos Transformer más pesados tienen dificultades.
• Eliminación de DFL: Eliminar Distribution Focal Loss simplifica el grafo del modelo y facilita su exportación a dispositivos edge de bajo consumo y unidades de procesamiento neuronal (NPU) integradas.
• ProgLoss + STAL: Progressive Loss y Small-Target-Aware Label Assignment (STAL) mejoran el reconocimiento de objetos pequeños, algo importante para IoT y los conjuntos de datos aéreos.

Para los equipos que empiezan un nuevo proyecto de visión artificial, recomendamos evaluar YOLO26. Ofrece inferencia opcional sin NMS, como un modelo Transformer, con la velocidad y la eficiencia de entrenamiento de una arquitectura YOLO.

Resumen#

La elección entre RTDETRv2 y YOLOv9 depende en gran medida del hardware de implementación y de las necesidades específicas de precisión. RTDETRv2 ofrece gran precisión y conocimiento del contexto para aplicaciones respaldadas por servidores, mientras que YOLOv9 proporciona una gran eficiencia en dispositivos edge.

El ecosistema de Ultralytics permite a los desarrolladores probar YOLOv9 y el RT-DETR original con la misma API. Los modelos más recientes, como YOLO11 y YOLO26, que admite procesamiento integral, ofrecen compatibilidad con más tareas, inferencia rápida y bajo consumo de memoria.