Empezar

YOLO11 frente a RTDETRv2

La detección en tiempo real implica cada vez más elegir entre redes neuronales convolucionales (CNN) y transformers de visión (ViT). Esta comparación técnica abarca dos arquitecturas destacadas de detección de objetos: YOLO11, una CNN muy optimizada de Ultralytics, y RTDETRv2, una versión de la familia Detection Transformer de Baidu.

Esta guía compara sus arquitecturas, métricas de rendimiento y escenarios de implementación para ayudar a los ingenieros de aprendizaje automático a elegir entre ambos. Los dos modelos alcanzan una gran precisión, pero los modelos Ultralytics YOLO suelen ofrecer un mejor equilibrio entre velocidad, compatibilidad con el ecosistema y facilidad de uso en producción.

YOLO11: el referente en versatilidad para el mundo real#

Presentado por Ultralytics, YOLO11 se basa en años de investigación sobre YOLO para ofrecer un modelo rápido, preciso y versátil. Gestiona de forma nativa la detección de objetos, la segmentación de instancias, la clasificación de imágenes, la estimación de pose y la detección mediante cajas delimitadoras orientadas (OBB).

Arquitectura y puntos fuertes#

YOLO11 utiliza una red troncal CNN refinada y pirámides de características multiescala, lo que lo hace eficiente en cuanto a recursos. Es adecuado para entornos con estrictas limitaciones de hardware y ocupa poca memoria tanto durante el entrenamiento como durante la inferencia. Ultralytics Platform es compatible con YOLO11 para la anotación de datos, el entrenamiento en la nube y la supervisión de modelos, sin tener que combinar herramientas MLOps independientes.

Para la implementación en el edge, YOLO11 ofrece una latencia baja. Su diseño ligero se ejecuta de forma eficiente en dispositivos que van desde placas Raspberry Pi hasta teléfonos móviles de consumo, por lo que suele elegirse para el comercio minorista inteligente, el control de calidad en la fabricación y la gestión automatizada del tráfico.

RTDETRv2: Transformers en tiempo real de Baidu#

RTDETRv2 (Detection Transformer en tiempo real, versión 2) representa el esfuerzo de Baidu por hacer viables las arquitecturas basadas en Transformer para tareas en tiempo real. Se basa en el RT-DETR original e incorpora un enfoque de «bolsa de trucos» para mejorar la precisión de referencia sin aumentar la latencia de inferencia.

Más información sobre RTDETRv2

Arquitectura y puntos fuertes#

A diferencia de las CNN tradicionales, RTDETRv2 utiliza una arquitectura codificador-decodificador con mecanismos de autoatención, lo que le permite captar el contexto global de una imagen. Esto resulta útil en escenas abarrotadas, donde las oclusiones son frecuentes. RTDETRv2 elimina la necesidad de aplicar la supresión no máxima (NMS) durante el posprocesamiento y, en su lugar, recurre al emparejamiento húngaro durante el entrenamiento para realizar una asignación bipartita uno a uno.

Sin embargo, los modelos transformer suelen necesitar más VRAM y memoria CUDA. Entrenar RTDETRv2 desde cero o ajustarlo con conjuntos de datos personalizados suele requerir GPU de gama alta con mucha memoria, lo que puede ser un obstáculo para los equipos pequeños en comparación con la menor huella de memoria de entrenamiento de los modelos Ultralytics.

Análisis del rendimiento y las métricas#

Evaluados con el conjunto de datos COCO estándar, los modelos muestran claras diferencias de equilibrio entre parámetros, FLOPs y precisión (mAP).

Modelotamaño
(píxeles)
mAPval50-95Velocidad
CPU ONNX
(ms)
Velocidad
T4 TensorRT10
(ms)
parámetros
(M)
FLOPs
(B)
YOLO11n64039.556.11.52.66.5
YOLO11s64047.090.02.59.421.6
YOLO11m64051.5183.24.720.168.1
YOLO11l64053.4238.66.225.387.2
YOLO11x64054.7462.811.356.9195.3
RTDETRv2-s64048.1-5.032060
RTDETRv2-m64051.9-7.5136100
RTDETRv2-l64053.4-9.7642136
RTDETRv2-x64054.3-15.0376259

Análisis de los resultados#

YOLO11 ofrece más precisión por parámetro. YOLO11x alcanza un mAPval50-95 superior (54.7) al de RTDETRv2-x (54.3), con menos parámetros (56.9M frente a 76M) y menos FLOPs (195.3B frente a 259B).

YOLO11 también es más rápido en T4 TensorRT. YOLO11s tarda 2.5 ms, frente a los 5.03 ms de RTDETRv2-s (47.0 frente a 48.1 mAP), y YOLO11m es más preciso (51.5 mAP) y más rápido (4.7 ms) que RTDETRv2-s. Esto hace que YOLO11 sea una opción muy adecuada para el análisis de vídeo en tiempo real, donde el tiempo de procesamiento de fotogramas es el principal cuello de botella.

El coste de los Transformers

RTDETRv2 alcanza una precisión excelente mediante sus capas de atención, pero estos mecanismos escalan cuadráticamente con la resolución de imagen, lo que aumenta el consumo de VRAM tanto durante el entrenamiento como durante la inferencia. YOLO11 evita este coste con bloques convolucionales eficientes.

Ecosistema de entrenamiento y facilidad de uso#

La principal ventaja de adoptar un modelo de Ultralytics reside en el ecosistema que lo rodea. Entrenar RTDETRv2 suele implicar desenvolverse en repositorios de investigación complejos, ajustar pesos de pérdida intrincados para el emparejamiento bipartito y gestionar un consumo de memoria considerable.

Ultralytics se centra en la experiencia de desarrollo. La API unificada de Python elimina el código repetitivo, se integra con herramientas como Weights & Biases para el seguimiento de experimentos y gestiona automáticamente el aumento de datos.

Así de sencillo es entrenar y exportar un modelo con el paquete ultralytics:

from ultralytics import YOLO

# # Inicializa el modelo YOLO11 con pesos preentrenados
model = YOLO("yolo11n.pt")

# # Entrena el modelo de forma eficiente en una GPU local o una instancia en la nube
train_results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    device=0,  # Usa la GPU con CUDA
)

# # Exporta el modelo entrenado a ONNX para su implementación generalizada
export_path = model.export(format="onnx")

Una vez entrenado, exportar un modelo YOLO11 a formatos como ONNX, OpenVINO o CoreML requiere un solo comando, por lo que el mismo modelo puede ejecutarse en distintos backends de hardware.

Capacidades multitarea

RTDETRv2 se centra exclusivamente en la detección mediante cajas delimitadoras, mientras que YOLO11 también es compatible con la segmentación de instancias, la clasificación de imágenes, la estimación de pose y la detección OBB, por lo que puedes consolidar varias tareas de visión en una única familia de modelos.

Casos de uso y recomendaciones#

La elección entre YOLO11 y RT-DETR depende de los requisitos concretos de tu proyecto, las limitaciones de implementación y tus preferencias de ecosistema.

Cuándo elegir YOLO11#

YOLO11 es una excelente opción para:

  • Despliegue periférico en producción: Aplicaciones comerciales en dispositivos como Raspberry Pi o NVIDIA Jetson, donde la fiabilidad y el mantenimiento activo son fundamentales.
  • Aplicaciones de visión multitarea: Proyectos que requieren detección, segmentación, clasificación, estimación de pose y OBB en un único marco de trabajo unificado.
  • Prototipado y despliegue rápidos: Equipos que necesitan pasar rápidamente de la recopilación de datos a producción mediante la sencilla API de Python de Ultralytics.

Cuándo elegir RT-DETR#

RT-DETR está recomendado 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 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.

De cara al futuro: el potencial de YOLO26#

YOLO11 sigue siendo una opción sólida para producción, pero los proyectos nuevos deberían empezar con YOLO26. Lanzado en enero de 2026, YOLO26 reduce la brecha arquitectónica con los Transformer mediante una cabeza opcional de extremo a extremo sin NMS (nms=False), introducida en los modelos YOLO por YOLOv10, que elimina la latencia del posprocesamiento con NMS y simplifica la lógica de despliegue.

YOLO26 también incorpora varios cambios adicionales:

  • Optimizador MuSGD: inspirado en las técnicas de entrenamiento de modelos de lenguaje grandes (LLM) de Kimi K2, de Moonshot AI, esta combinación de SGD y Muon ofrece un entrenamiento más estable y una convergencia más rápida.
  • Eliminación de DFL: Eliminar Distribution Focal Loss simplifica la exportación y mejora la compatibilidad con dispositivos edge de bajo consumo.
  • ProgLoss + STAL: Progressive Loss y Small-Target-Aware Label Assignment (STAL) mejoran la detección de objetos pequeños, un requisito clave para la vigilancia con drones, la monitorización agrícola y los sensores edge del IoT.
  • Inferencia en CPU hasta un 43 % más rápida: En implementaciones sin GPU dedicada, YOLO26n funciona hasta un 43 % más rápido que YOLO11n en CPU.

Para conocer más arquitecturas, consulta YOLOv8, el ampliamente adoptado YOLOv5 y modelos especializados como YOLO-World para la detección con vocabulario abierto. Tanto si eliges la probada estabilidad de YOLO11 como el más reciente YOLO26, el ecosistema Ultralytics te proporciona las herramientas para llevar tus proyectos de visión artificial a producción.

Comentarios

Haz una pregunta, comparte tus resultados o ayuda a otra persona.