YOLOv10 frente a RTDETRv2#

El panorama de la visión artificial avanza a un ritmo vertiginoso, con arquitecturas nuevas que redefinen constantemente la vanguardia de la detección de objetos en tiempo real. Dos hitos importantes de esta evolución son YOLOv10 y RTDETRv2. Ambos modelos buscan resolver un cuello de botella fundamental de los pipelines de detección tradicionales: eliminar la necesidad del posprocesamiento de supresión no máxima (NMS). Sin embargo, abordan este reto desde paradigmas arquitectónicos totalmente distintos.

Esta comparativa técnica analiza en profundidad sus arquitecturas, metodologías de entrenamiento y escenarios de despliegue ideales para ayudar a desarrolladores e investigadores a elegir la herramienta adecuada para su próximo proyecto de IA de visión.

YOLOv10: pionero en funcionar sin NMS#

Desarrollado por investigadores de la Universidad de Tsinghua, YOLOv10 se centra especialmente en la eficiencia arquitectónica y en eliminar los cuellos de botella del posprocesamiento. Al introducir asignaciones duales coherentes para entrenar sin NMS, consigue un rendimiento competitivo y reduce significativamente la latencia de inferencia.

Especificaciones técnicas#

• Autores: Ao Wang, Hui Chen, Lihao Liu, et al.
• Organización: Universidad de Tsinghua
• Fecha: 2024-05-23
• ArXiv: Artículo de YOLOv10
• GitHub: THU-MIG/yolov10
• Documentación: Documentación de YOLOv10

Arquitectura y metodologías#

El principal avance de YOLOv10 es su diseño de modelo integral, orientado a la eficiencia y la precisión. Optimiza varios componentes desde ambas perspectivas, lo que reduce notablemente la sobrecarga computacional. La estrategia de asignaciones duales coherentes permite entrenar el modelo sin depender de NMS y da lugar a un pipeline de despliegue de extremo a extremo más ágil. Esto resulta especialmente útil al exportar modelos a formatos para edge como ONNX o TensorRT, donde las operaciones de posprocesamiento pueden introducir latencia inesperada.

Puntos fuertes y débiles#

El modelo ofrece un equilibrio excepcional entre velocidad y precisión, sobre todo en las variantes más pequeñas (N y S). Su latencia mínima lo hace ideal para entornos edge de alta velocidad. Sin embargo, aunque YOLOv10 destaca por su velocidad de detección bruta, sigue siendo un modelo especializado únicamente en detección. Los equipos que necesiten segmentación de instancias o estimación de poses tendrán que recurrir a frameworks más versátiles.

Más información sobre YOLOv10

RTDETRv2: evolución del Transformer de detección#

A partir del Transformer de detección en tiempo real original, RTDETRv2 incorpora un «conjunto de mejoras gratuitas» para perfeccionar el modelo de referencia y demuestra que los Transformer pueden competir con las CNN en escenarios en tiempo real.

Especificaciones técnicas#

• Autores: Wenyu Lv, Yian Zhao, Qinyao Chang, Kui Huang, Guanzhong Wang y Yi Liu
• Organización: Baidu
• Fecha: 2024-07-24
• ArXiv: Artículo de RTDETRv2
• GitHub: lyuwenyu/RT-DETR
• Documentación: README de RTDETRv2

Arquitectura y metodologías#

RTDETRv2 utiliza una arquitectura híbrida que combina una columna vertebral de red neuronal convolucional (CNN) para extraer características visuales con un codificador-decodificador Transformer para comprender la escena en su conjunto. El mecanismo de autoatención del Transformer permite al modelo analizar la imagen globalmente, lo que lo hace muy eficaz para gestionar escenas complejas, objetos superpuestos y grandes aglomeraciones.

Puntos fuertes y débiles#

La arquitectura Transformer ofrece una precisión excelente, especialmente con un mayor número de parámetros, y genera de forma nativa las detecciones finales sin NMS. Sin embargo, esto tiene un coste. Tradicionalmente, los modelos Transformer requieren mucha más memoria CUDA durante el entrenamiento y pueden tardar más en converger que las arquitecturas CNN puras. Aunque RTDETRv2 ha mejorado la velocidad de inferencia, por lo general consume más memoria que las variantes ligeras de YOLO.

Más información sobre RTDETRv2

Comparativa de rendimiento#

Evaluar las métricas de rendimiento permite hacerse una idea más clara de los puntos fuertes de cada modelo. La siguiente tabla destaca sus capacidades en el conjunto de datos COCO:

Al analizar los datos, YOLOv10 mantiene una ventaja clara en eficiencia de parámetros y velocidad de inferencia con TensorRT en tamaños comparables. RTDETRv2-x iguala a YOLOv10x en precisión, pero requiere más de 2,5 veces más parámetros (76 M frente a 29,5 M) y muchos más FLOPs.

Casos de uso y recomendaciones#

La elección entre YOLOv10 y RT-DETR depende de los requisitos específicos de tu proyecto, las limitaciones de despliegue y tus preferencias de ecosistema.

Cuándo elegir YOLOv10#

YOLOv10 es una buena opción para:

• Detección en tiempo real sin NMS: Aplicaciones que se benefician de la detección de extremo a extremo sin supresión no máxima, lo que reduce la complejidad de la implementación.
• Equilibrio entre velocidad y precisión: Proyectos que necesitan un buen equilibrio entre la velocidad de inferencia y la precisión de detección en distintas escalas de modelo.
• Aplicaciones con latencia constante: Escenarios de implementación en los que los tiempos de inferencia predecibles son fundamentales, como la robótica o los sistemas autónomos.

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 que solo usan CPU: Dispositivos sin aceleración GPU dedicada, en los que la inferencia con CPU hasta un 43 % más rápida de YOLO26 supone una ventaja decisiva.
• Detección de objetos pequeños: Casos exigentes, como las imágenes aéreas tomadas con drones o el análisis de sensores IoT, donde ProgLoss y STAL mejoran notablemente la precisión al detectar objetos diminutos.

La ventaja de Ultralytics: ecosistema e innovación#

Aunque YOLOv10 y RTDETRv2 ofrecen sólidas capacidades de detección, elegir un modelo suele depender del ecosistema de software que lo rodea. La plataforma Ultralytics ofrece una interfaz unificada y fluida que abstrae las complejidades del aprendizaje profundo.

El nuevo estándar: Ultralytics YOLO26#

Para los desarrolladores que buscan el máximo rendimiento, Ultralytics YOLO26 representa la culminación de los avances arquitectónicos recientes. Lanzado a principios de 2026, YOLO26 hereda el diseño integral sin NMS pionero de YOLOv10 como opción (nms=False), lo que elimina el posprocesamiento de NMS y permite un despliegue más rápido y sencillo.

Además, YOLO26 introduce ProgLoss + STAL para mejorar notablemente el reconocimiento de objetos pequeños y, a diferencia de YOLOv10, más especializado, ofrece una versatilidad excepcional. Admite de forma nativa la detección de objetos, la segmentación, la estimación de poses y las cajas delimitadoras orientadas (OBB), con mejoras específicas para cada tarea, como la pérdida de segmentación semántica y la estimación de verosimilitud logarítmica residual (RLE) para la estimación de poses. Además, la eliminación de la pérdida focal de distribución (DFL) simplifica la exportación y mejora la compatibilidad con dispositivos de bajo consumo.

Facilidad de uso y eficiencia del entrenamiento#

Tanto si experimentas con modelos de generaciones anteriores, como Ultralytics YOLO11, como si pruebas el vanguardista YOLO26, la API de Python optimizada garantiza un menor uso de memoria durante el entrenamiento y flujos de trabajo rapidísimos.

from ultralytics import RTDETR, YOLO

# Entrena el modelo YOLOv10 integral
model_yolo = YOLO("yolov10n.pt")
model_yolo.train(data="coco8.yaml", epochs=100, imgsz=640)

# Como alternativa, evalúa RTDETR con la misma API
model_rtdetr = RTDETR("rtdetr-l.pt")
results = model_rtdetr.predict("https://ultralytics.com/images/bus.jpg")

El ecosistema, bien mantenido, ofrece herramientas para facilitar el ajuste de hiperparámetros y se integra a la perfección con completas soluciones de seguimiento y opciones de despliegue de modelos.

Conclusión#

YOLOv10 y RTDETRv2 son hitos importantes en la búsqueda de la detección de objetos sin NMS. RTDETRv2 demuestra que los Transformer pueden alcanzar una latencia en tiempo real y comprender muy bien el contexto global, aunque requieren más memoria. YOLOv10 ofrece una alternativa CNN rápida y muy eficiente, diseñada para tareas de detección con recursos limitados.

Sin embargo, para lograr un rendimiento equilibrado, versatilidad multitarea y un ecosistema más maduro, recomendamos encarecidamente a los desarrolladores que aprovechen Ultralytics YOLO26. Combina de forma brillante las innovaciones arquitectónicas de sus predecesores con las herramientas sólidas y fáciles de usar que hacen realidad un despliegue fluido de la IA para visión.