YOLO26 frente a RTDETRv2
Los profesionales de la visión artificial suelen elegir entre redes neuronales convolucionales optimizadas (CNN) y arquitecturas más recientes basadas en Transformer. Dos ejemplos destacados son Ultralytics YOLO26 y RTDETRv2 de Baidu. Ambos están orientados a la detección de objetos en tiempo real, pero se basan en enfoques arquitectónicos diferentes.
Esta guía compara sus estructuras, métricas de rendimiento y casos de uso ideales para ayudarte a elegir la mejor base para tu próximo proyecto de visión artificial.
Ultralytics YOLO26: IA visual pensada primero para el borde#
Desarrollado por Ultralytics y publicado en enero de 2026, YOLO26 es el modelo YOLO más reciente y la opción recomendada para proyectos nuevos. Está diseñado para ofrecer velocidad, precisión y una implementación sencilla en entornos de nube y edge.
- Autores: Glenn Jocher y Jing Qiu
- Organización: Ultralytics
- Fecha: 2026-01-14
- GitHub: Repositorio de Ultralytics
- Documentación: Documentación oficial de YOLO26
Innovaciones y puntos fuertes de la arquitectura#
YOLO26 incorpora varias características que lo diferencian no solo de los modelos Transformer, sino también de versiones anteriores como YOLO11:
- Diseño de extremo a extremo sin NMS: La cabeza opcional uno a uno de YOLO26 (
nms=False) omite la supresión de máximos no máximos (NMS) tradicional durante el posprocesamiento. YOLOv10 introdujo este enfoque de extremo a extremo en los modelos YOLO; reduce la variabilidad de la latencia de inferencia y simplifica la lógica de despliegue, especialmente en hardware de borde. - Inferencia en CPU hasta un 43 % más rápida: YOLO26n se ejecuta hasta un 43 % más rápido en CPU que YOLO11n, por lo que es adecuado para dispositivos sin GPU dedicada, como Raspberry Pi.
- Eliminación de DFL: La eliminación de Distribution Focal Loss (DFL) simplifica el proceso de exportación y mejora la compatibilidad con dispositivos edge de bajo consumo.
- Optimizador MuSGD: Al incorporar ideas del entrenamiento de modelos de lenguaje grandes (LLM) a la visión artificial, YOLO26 utiliza el optimizador MuSGD. Esta combinación de SGD y Muon, inspirada en Kimi K2 de Moonshot AI, proporciona un entrenamiento más estable y una convergencia más rápida.
- ProgLoss + STAL: Progressive Loss y la asignación de etiquetas sensible a objetos pequeños (STAL) mejoran el reconocimiento de objetos pequeños. Esto es importante para los sectores que dependen del análisis de imágenes aéreas y de sensores del Internet de las cosas (IoT).
Versatilidad en distintas tareas de visión#
A diferencia de los modelos limitados a cuadros delimitadores, YOLO26 admite detección, segmentación de instancias, segmentación semántica, estimación de profundidad, clasificación, estimación de poses y detección OBB. Incorpora mejoras específicas para cada tarea, como la pérdida de segmentación semántica y el módulo proto multiescala para la segmentación de instancias, Residual Log-Likelihood Estimation (RLE) para la estimación de poses y una pérdida angular especializada para resolver problemas de bordes en tareas de cuadros delimitadores orientados (OBB).
RTDETRv2: mejora de los Transformers de detección en tiempo real#
RTDETRv2, desarrollado por investigadores de Baidu, se basa en el marco RT-DETR original. Su objetivo es demostrar que los Transformer de detección (DETR) pueden competir con las CNN altamente optimizadas en velocidad y precisión, y a veces superarlas, en escenarios de tiempo real.
- Autores: Wenyu Lv, Yian Zhao, Qinyao Chang, Kui Huang, Guanzhong Wang y Yi Liu
- Organización: Baidu
- Fecha: 2024-07-24
- arXiv: 2407.17140
- GitHub: Implementación de RTDETRv2 en PyTorch
- Documentación: README de RTDETRv2
Arquitectura y capacidades#
RTDETRv2 utiliza una arquitectura basada en Transformer, que procesa las imágenes de forma diferente a las CNN al usar autoatención para captar el contexto global.
- Bag-of-Freebies: La versión 2 introduce una serie de técnicas de entrenamiento optimizadas (bag-of-freebies) que mejoran el rendimiento de referencia sin añadir costes de inferencia.
- Percepción del contexto global: Gracias a sus capas de atención Transformer, RTDETRv2 gestiona escenas complejas en las que el contexto global es necesario para distinguir objetos superpuestos u ocluidos.
Más información sobre RTDETRv2
Limitaciones de los modelos Transformer#
Los modelos de detección basados en Transformer, como RTDETRv2, suelen plantear dificultades para la implementación práctica. Por lo general, necesitan más memoria CUDA durante el entrenamiento que las CNN eficientes, y las operaciones que requieren las capas de atención pueden dificultar la integración en diversos entornos edge. Para implementaciones con recursos limitados, las CNN como YOLO26 suelen ser más fáciles de desplegar.
Comparativa de rendimiento#
La tabla siguiente compara la precisión (mAP), la velocidad y el tamaño del modelo en el conjunto de validación COCO.
| Modelo | tamaño (píxeles) | mAPval50-95 | Velocidad CPU ONNX (ms) | Velocidad T4 TensorRT10 (ms) | parámetros (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLO26n | 640 | 40.9 | 38.9 | 1.7 | 2.4 | 5.5 |
| YOLO26s | 640 | 48.6 | 87.2 | 2.5 | 9.5 | 20.9 |
| YOLO26m | 640 | 53.1 | 220.0 | 4.7 | 20.4 | 68.4 |
| YOLO26l | 640 | 55.0 | 286.2 | 6.2 | 24.8 | 86.8 |
| YOLO26x | 640 | 57.5 | 525.8 | 11.8 | 55.7 | 194.4 |
| RTDETRv2-s | 640 | 48.1 | - | 5.03 | 20 | 60 |
| RTDETRv2-m | 640 | 51.9 | - | 7.51 | 36 | 100 |
| RTDETRv2-l | 640 | 53.4 | - | 9.76 | 42 | 136 |
| RTDETRv2-x | 640 | 54.3 | - | 15.03 | 76 | 259 |
En cada tamaño comparable, YOLO26 ofrece un mAP más alto y una latencia TensorRT menor que RTDETRv2. YOLO26x alcanza 57,5 mAP con una latencia menor (11,8 ms con TensorRT) y menos parámetros (55,7 M) que RTDETRv2-x (54,3 mAP, 15,03 ms y 76 M de parámetros).
Casos de uso y recomendaciones#
La elección entre YOLO26 y RT-DETR depende de los requisitos específicos de tu proyecto, las limitaciones de implementación y tus preferencias de ecosistema.
Cuándo elegir YOLO26#
YOLO26 es una buena opción para:
- 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.
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.
La ventaja de Ultralytics#
Elegir la arquitectura adecuada es solo una parte de la ecuación; el ecosistema que la rodea determina la rapidez con la que un equipo puede pasar de la creación de prototipos a producción.
Facilidad de uso y eficiencia del entrenamiento#
La API de Python de Ultralytics permite mantener el código de entrenamiento breve y sin código repetitivo innecesario. YOLO26 también suele usar menos VRAM de GPU que las capas de atención, que consumen mucha memoria, de RTDETRv2, lo que permite utilizar tamaños de lote mayores en hardware de consumo.
from ultralytics import YOLO
# Inicializa el modelo YOLO26 Nano
model = YOLO("yolo26n.pt")
# Entrena con el conjunto de datos COCO8 durante 100 épocas
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Ejecuta inferencia de alta velocidad sin NMS
predictions = model("https://ultralytics.com/images/bus.jpg", nms=False)
# Exporta a ONNX para el despliegue
model.export(format="onnx")Un ecosistema bien mantenido#
Los modelos de Ultralytics incluyen un marco con mantenimiento activo que se integra con herramientas de seguimiento de experimentos como Weights & Biases y Comet. Para trabajar sin código, Ultralytics Platform ofrece entrenamiento en la nube, gestión de conjuntos de datos e implementación de modelos.
Equilibrio del rendimiento#
YOLO26 equilibra la velocidad de inferencia y la precisión. La inferencia opcional sin NMS, el optimizador MuSGD y ProgLoss + STAL dan lugar a un modelo preciso con objetos pequeños y rápido en producción, por lo que es una opción predeterminada sólida para la mayoría de las aplicaciones de visión artificial.
Otros modelos del ecosistema#
Los desarrolladores que mantienen canalizaciones existentes también pueden considerar YOLOv8 para entornos empresariales consolidados o consultar cómo se compara YOLO26 con EfficientDet. Para proyectos nuevos, la opción recomendada es YOLO26.
Comentarios
Haz una pregunta, comparte tus resultados o ayuda a otra persona.