RTDETRv2 frente a YOLOv9#

El campo de la visión artificial ha sido testigo de una fascinante divergencia de filosofías arquitectónicas, principalmente entre las redes neuronales convolucionales (CNN) y los modelos basados en Transformer. Al comparar RTDETRv2 y YOLOv9, los desarrolladores evalúan, en esencia, las ventajas y desventajas de los mecanismos de atención global frente a la información de gradiente programable. Ambos modelos representan la cumbre de sus respectivos paradigmas y amplían los límites de la detección de objetos en tiempo real.

Introducción a los modelos#

RTDETRv2: Transformer de detección en tiempo real#

Desarrollado por investigadores de Baidu, RTDETRv2 se basa en el RT-DETR original e incorpora un enfoque «Bag-of-Freebies» para mejorar el Transformer de detección en tiempo real de referencia. Aborda el cuello de botella tradicional de los Transformers —la velocidad de inferencia— y los hace 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 integral nativo sin NMS. Al eliminar por completo la supresión no máxima (NMS) durante el posprocesamiento, el modelo estabiliza la latencia de inferencia y simplifica el flujo de trabajo de implementación. El mecanismo de atención global permite al modelo destacar en la comprensión de escenas complejas y aglomeraciones densas, ya que evalúa simultáneamente todo el contexto de la imagen.

Más información sobre RTDETRv2

YOLOv9: información de gradiente programable#

YOLOv9, una arquitectura basada en CNN muy eficiente, aborda el problema del cuello de botella de información inherente a las redes neuronales profundas. Incorpora información de gradiente programable (PGI) y la red generalizada de agregación eficiente de capas (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 sólidos fundamentos de las redes neuronales convolucionales, pero maximiza la eficiencia de los parámetros. Al conservar información crucial durante el proceso de propagación hacia delante, garantiza actualizaciones fiables de los pesos y ofrece un modelo increíblemente ligero y preciso. Sin embargo, a diferencia de RTDETRv2, YOLOv9 sigue recurriendo al posprocesamiento NMS estándar.

Más información sobre YOLOv9

Rendimiento y eficiencia de recursos#

Al evaluar estos modelos para producción, es fundamental equilibrar la precisión media (mAP) con el coste computacional. La tabla siguiente muestra su rendimiento en el conjunto de datos MS COCO.

Requisitos de memoria y eficiencia del entrenamiento#

Los Transformers, como RTDETRv2, consumen mucha memoria durante el entrenamiento y suelen requerir una cantidad considerable de memoria CUDA y ciclos de entrenamiento más largos para converger por completo. En cambio, las arquitecturas CNN, como YOLOv9 y otros modelos YOLO de Ultralytics, utilizan mucha 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#

Aunque investigar repositorios independientes, como las páginas oficiales de RTDETRv2 o YOLOv9 en GitHub, puede resultar muy instructivo, los entornos de producción exigen estabilidad, facilidad de uso y un ecosistema bien mantenido. Integrar estos modelos mediante la API de Python de Ultralytics ofrece una experiencia de desarrollo fluida.

API unificada y versatilidad#

El marco de Ultralytics abstrae las complejidades de la carga de datos, los aumentos y el entrenamiento distribuido. Además, aunque RTDETRv2 original se centra estrictamente en la detección, el ecosistema de Ultralytics permite cambiar fácilmente entre la detección de objetos, 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 una documentación completa, el seguimiento automático de experimentos y capacidades de exportación a formatos como ONNX, TensorRT y OpenVINO, Ultralytics reduce drásticamente el tiempo que transcurre desde el prototipo hasta la producción.

Casos de uso ideales#

Dónde destaca RTDETRv2#

Gracias a su mecanismo de atención global, RTDETRv2 es una opción muy potente para el procesamiento en servidor y los entornos donde el contexto global es fundamental. Destaca en:

• Diagnóstico por imagen: Identificación de anomalías sutiles en las que el contexto circundante es fundamental.
• Vigilancia aérea: Detección de objetos pequeños en imágenes de dron de alta resolución sin los sesgos espaciales de las convoluciones CNN tradicionales.
• Análisis de multitudes densas: Seguimiento de personas en situaciones en las que las oclusiones graves suelen confundir a los modelos basados en anclajes.

Dónde destaca YOLOv9#

YOLOv9 destaca en despliegues en el borde con recursos limitados. Su eficiencia computacional lo hace ideal 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#

Aunque YOLOv9 y RTDETRv2 representan grandes avances, el panorama ha evolucionado rápidamente. Para los despliegues actuales, el recién lanzado Ultralytics YOLO26 representa la sinergia definitiva entre ambas filosofías arquitectónicas.

Al combinar los mejores aspectos de los Transformer y las CNN, YOLO26 establece un nuevo estándar:

• Diseño integral sin NMS: Al igual que RTDETRv2, YOLO26 admite inferencia integral de forma nativa y omite el posprocesamiento NMS con nms=False, lo que permite crear flujos de despliegue más rápidos, sencillos y predecibles.
• Optimizador MuSGD: Inspirado en las técnicas de entrenamiento de los modelos de lenguaje de gran tamaño (LLM), como Kimi K2 de Moonshot AI, YOLO26 utiliza una combinación de SGD y Muon. Esto aporta una estabilidad de entrenamiento y una convergencia rápida sin precedentes a la visión artificial.
• Inferencia en CPU hasta un 43 % más rápida: A diferencia de los Transformer pesados, YOLO26 está altamente optimizado para la computación en el borde y los dispositivos sin GPU.
• Eliminación de DFL: La eliminación de Distribution Focal Loss simplifica drásticamente el grafo del modelo y garantiza una exportación impecable a dispositivos periféricos de bajo consumo y unidades de procesamiento neuronal integradas (NPUs).
• ProgLoss + STAL: Estas funciones de pérdida mejoradas aumentan considerablemente el reconocimiento de objetos pequeños, una característica fundamental para los conjuntos de datos de IoT y de imágenes aéreas.

Para los equipos que quieran iniciar un nuevo proyecto de visión artificial, recomendamos encarecidamente evaluar YOLO26. Ofrece la elegancia opcional de un Transformer sin NMS junto con la velocidad vertiginosa y la eficiencia de entrenamiento de una arquitectura YOLO altamente optimizada.

Resumen#

La elección entre RTDETRv2 y YOLOv9 depende en gran medida del hardware de despliegue y de las necesidades específicas de precisión. RTDETRv2 ofrece una precisión de vanguardia y conocimiento contextual para aplicaciones con respaldo de servidor, mientras que YOLOv9 proporciona una eficiencia excepcional en dispositivos periféricos.

Sin embargo, gracias al maduro ecosistema de Ultralytics, los desarrolladores pueden experimentar sin esfuerzo tanto con YOLOv9 como con el RT-DETR original. Además, con la llegada de modelos más recientes como YOLO11 y el YOLO26 integral de forma nativa, nunca había sido tan fácil encontrar el equilibrio perfecto entre inferencia de alta velocidad, compatibilidad con diversas tareas y bajo consumo de memoria.