Ir al contenido

YOLO11 vs RTDETRv2: Comparando la Evolución de las CNN y los Vision Transformers

El panorama de la visión por computadora se ha expandido rápidamente, ofreciendo a los desarrolladores una miríada de opciones para construir aplicaciones robustas basadas en visión. En el ámbito de la detect de objetos en tiempo real, el debate entre las Redes Neuronales Convolucionales (CNNs) y los Vision Transformers (ViTs) es más prominente que nunca. Esta comparación técnica profundiza en dos arquitecturas líderes: YOLO11, que representa la cúspide de los frameworks CNN altamente optimizados, y RTDETRv2, una potente iteración de la familia Detection Transformer.

Al analizar sus arquitecturas, métricas de rendimiento y escenarios de despliegue ideales, esta guía tiene como objetivo ayudar a los ingenieros de machine learning a tomar decisiones informadas. Si bien ambos modelos amplían los límites de la precisión, los modelos Ultralytics YOLO suelen ofrecer un equilibrio superior entre velocidad, soporte del ecosistema y facilidad de uso para la producción en el mundo real.

YOLO11: El Referente para la Versatilidad en el Mundo Real

Introducido por Ultralytics, YOLO11 se basa en años de investigación fundamental para ofrecer un modelo rápido, preciso e increíblemente versátil. Está diseñado para manejar sin problemas la detección de objetos, la segmentación de instancias, la clasificación de imágenes, la estimación de pose y la extracción de cajas delimitadoras orientadas (OBB) de forma nativa.

Más información sobre YOLO11

Arquitectura y puntos fuertes

YOLO11 presenta un backbone CNN refinado y pirámides de características espaciales avanzadas, lo que lo hace excepcionalmente eficiente en recursos. Se desenvuelve bien en entornos con estrictas limitaciones de hardware, ofreciendo una huella de memoria mínima tanto durante el entrenamiento como durante la inferencia. La Plataforma Ultralytics proporciona soporte nativo para YOLO11, lo que permite una monitorización de modelos, anotación de datos y entrenamiento en la nube optimizados sin necesidad de unir herramientas de MLops dispares.

Para los desarrolladores que se dirigen a la computación edge, YOLO11 presume de una latencia ultrabaja. Su naturaleza ligera le permite ejecutarse eficientemente en dispositivos que van desde Raspberry Pis hasta teléfonos móviles de consumo, convirtiéndolo en un estándar para el comercio minorista inteligente, el control de calidad de fabricación y la gestión automatizada del tráfico.

RTDETRv2: Transformadores en tiempo real de Baidu

RTDETRv2 (Real-Time Detection Transformer versión 2) representa el esfuerzo de Baidu para hacer viables las arquitecturas basadas en transformers para tareas en tiempo real. Se basa en el RT-DETR original incorporando un enfoque de "bag-of-freebies" para mejorar la precisión de referencia sin aumentar la latencia de inferencia.

Más información sobre RTDETR

Arquitectura y puntos fuertes

A diferencia de las CNN tradicionales, RTDETRv2 emplea una arquitectura codificador-decodificador con mecanismos de autoatención, lo que le permite capturar el contexto global de una imagen. Esto es particularmente ventajoso en escenas concurridas donde las oclusiones son frecuentes. RTDETRv2 elimina la necesidad de Supresión No Máxima (NMS) en el post-procesamiento, basándose en su lugar en el emparejamiento húngaro durante el entrenamiento para un emparejamiento bipartito uno a uno.

Sin embargo, los modelos transformer son notoriamente exigentes en cuanto a VRAM y memoria CUDA. Entrenar RTDETRv2 desde cero o realizar un ajuste fino en conjuntos de datos personalizados a menudo requiere clústeres de GPU de alta gama sustanciales, lo que puede ser una barrera para equipos ágiles más pequeños en comparación con la huella de entrenamiento ligera de los modelos Ultralytics.

Análisis de rendimiento y métricas

Al evaluar estos modelos en el conjunto de datos COCO estándar, observamos claros compromisos entre parámetros, FLOPs y precisión bruta.

Modelotamaño
(píxeles)		mAPval
50-95		Velocidad
CPU ONNX
(ms)		Velocidad
T4 TensorRT10
(ms)		parámetros
(M)		FLOPs
(B)
YOLO11n64039.556.11.52.66.5
YOLO11s64047.090.02.59.421.5
YOLO11m64051.5183.24.720.168.0
YOLO11l64053.4238.66.225.386.9
YOLO11x64054.7462.811.356.9194.9
RTDETRv2-s64048.1-5.032060
RTDETRv2-m64051.9-7.5136100
RTDETRv2-l64053.4-9.7642136
RTDETRv2-x64054.3-15.0376259

Analizando los Resultados

Como se observa en la tabla, YOLO11 ofrece una increíble relación rendimiento-tamaño. El YOLO11x logra un mAPval más alto (54.7) en comparación con RTDETRv2-x (54.3), mientras utiliza significativamente menos parámetros (56.9M frente a 76M) y muchísimos menos FLOPs computacionales (194.9B frente a 259B).

Además, las velocidades de inferencia de YOLO11 en T4 TensorRT son excepcionalmente rápidas. YOLO11s completa la inferencia en solo 2.5ms, mientras que el RTDETRv2-s más pequeño tarda 5.03ms. Esto convierte a YOLO11 en la elección definitiva para transmisiones de análisis de video de alta velocidad y en tiempo real, donde el tiempo de procesamiento de fotogramas es el principal cuello de botella.

El Costo de los Transformers

Mientras que RTDETRv2 logra una excelente precisión a través de sus capas de atención, estos mecanismos escalan cuadráticamente con la resolución de la imagen, lo que lleva a un mayor consumo de VRAM tanto durante el entrenamiento como la inferencia. YOLO11 lo evita con sus bloques convolucionales hipereficientes.

Ecosistema de entrenamiento y usabilidad

La ventaja principal de adoptar un modelo de Ultralytics radica en el ecosistema circundante. El entrenamiento de RTDETRv2 a menudo implica navegar por repositorios complejos de nivel de investigación, ajustar intrincados pesos de pérdida de emparejamiento bipartito y gestionar una sobrecarga de memoria significativa.

Por el contrario, Ultralytics se centra en gran medida en la experiencia del desarrollador. La API unificada de python abstrae el código repetitivo, integrándose sin problemas con herramientas como Weights & Biases para el seguimiento de experimentos, y gestionando las aumentaciones de datos automáticamente.

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

from ultralytics import YOLO

# Initialize YOLO11 model with pre-trained weights
model = YOLO("yolo11n.pt")

# Train the model efficiently on a local GPU or cloud instance
train_results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    device=0,  # Utilize CUDA GPU
)

# Export the trained model to ONNX for widespread deployment
export_path = model.export(format="onnx")

Una vez entrenado, exportar un modelo YOLO11 a formatos como ONNX, OpenVINO o CoreML requiere solo un comando, asegurando que su pipeline de visión pueda escalar sin esfuerzo a través de diversos backends de hardware.

Capacidades Multitarea

Recuerde que, si bien RTDETRv2 se centra exclusivamente en la detección de cajas delimitadoras, la arquitectura YOLO11 soporta nativamente la estimación de pose y la segmentación de instancias, lo que le permite consolidar múltiples 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 específicos de su proyecto, las limitaciones de despliegue y las preferencias del ecosistema.

Cuándo elegir YOLO11

YOLO11 es una opción sólida para:

  • Despliegue en el Borde de Producción: Aplicaciones comerciales en dispositivos como Raspberry Pi o NVIDIA Jetson, donde la fiabilidad y el mantenimiento activo son primordiales.
  • Aplicaciones de Visión Multitarea: Proyectos que requieren detection, segmentation, estimación de pose y obb dentro de un único marco unificado.
  • Prototipado Rápido y Despliegue: Equipos que necesitan pasar rápidamente de la recolección de datos a la producción utilizando la optimizada API de Python de Ultralytics.

Cuándo elegir RT-DETR

RT-DETR se recomienda para:

  • Investigación en Detección Basada en Transformadores: Proyectos que exploran mecanismos de atención y arquitecturas de transformadores para la detección de objetos de extremo a extremo sin NMS.
  • Escenarios de alta precisión con latencia flexible: Aplicaciones donde la precisión de detección es la máxima prioridad y una latencia de inferencia ligeramente mayor es aceptable.
  • Detección de Objetos Grandes: Escenas con objetos principalmente medianos a grandes, donde el mecanismo de atención global de los transformadores proporciona 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 el desarrollador:

  • Implementación en el borde sin NMS: Aplicaciones que requieren inferencia consistente y de baja latencia sin la complejidad del postprocesamiento de supresión no máxima.
  • Entornos solo con CPU: Dispositivos sin aceleración de GPU dedicada, donde la inferencia hasta un 43% más rápida de YOLO26 en CPU proporciona una ventaja decisiva.
  • Detección de Objetos Pequeños: Escenarios desafiantes como imágenes aéreas de drones o análisis de sensores IoT, donde ProgLoss y STAL aumentan significativamente la precisión en objetos diminutos.

Perspectivas Futuras: El Poder de YOLO26

Aunque YOLO11 se erige como una excelente opción para producción, los equipos que buscan lo último en tecnología deberían considerar seriamente YOLO26. Lanzado en enero de 2026, YOLO26 cierra la brecha arquitectónica al incorporar un Diseño NMS-Free de Extremo a Extremo (pionero en YOLOv10) directamente en su núcleo, eliminando por completo la latencia del postprocesamiento y la complejidad de la lógica de despliegue.

YOLO26 también introduce varias características revolucionarias:

  • Optimizador MuSGD: Inspirado en las técnicas de entrenamiento de LLM de Kimi K2 de Moonshot AI, este híbrido de SGD y Muon asegura un entrenamiento increíblemente estable y una convergencia drásticamente más rápida.
  • Eliminación de DFL: Se ha eliminado la Pérdida Focal de Distribución para un proceso de exportación más limpio y simplificado, mejorando drásticamente la compatibilidad con dispositivos de borde de baja potencia.
  • ProgLoss + STAL: Estas funciones de pérdida avanzadas producen mejoras notables en el reconocimiento de objetos pequeños, un requisito crítico para la vigilancia con drones, el monitoreo agrícola y los sensores IoT de borde.
  • Hasta un 43% más rápido en inferencia de CPU: Para implementaciones que carecen de GPU dedicadas, YOLO26 está específicamente optimizado para la ejecución en CPU, superando ampliamente a las generaciones anteriores.

Más información sobre YOLO26

Para aquellos interesados en explorar una gama más amplia de arquitecturas, la documentación de Ultralytics también proporciona información sobre YOLOv8, el ampliamente adoptado YOLOv5, y modelos especializados como YOLO-World para aplicaciones de detección de vocabulario abierto. En última instancia, ya sea priorizando la estabilidad probada de YOLO11 o las innovaciones revolucionarias de YOLO26, el ecosistema Ultralytics ofrece herramientas inigualables para dar vida a sus soluciones de visión por computadora.


Comentarios