YOLOv10 frente a RTDETRv2#

La visión artificial evoluciona rápidamente y las nuevas arquitecturas mejoran con frecuencia el estado del arte en la detección de objetos en tiempo real. Dos hitos destacados son YOLOv10 y RTDETRv2. Ambos modelos eliminan un cuello de botella de las canalizaciones de detección tradicionales al prescindir del posprocesamiento de supresión no máxima (NMS), pero abordan este reto con arquitecturas completamente distintas.

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

YOLOv10: detección en tiempo real sin NMS#

Desarrollado por investigadores de la Universidad de Tsinghua, YOLOv10 se centra en la eficiencia arquitectónica y en eliminar los cuellos de botella del posprocesamiento. Al introducir asignaciones duales coherentes para entrenar sin NMS, logra una precisión competitiva con una latencia de inferencia menor.

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#

La principal aportación de YOLOv10 es su diseño integral del modelo, orientado a la eficiencia y la precisión. Optimiza varios componentes desde ambas perspectivas y reduce la carga computacional. La estrategia de asignaciones duales coherentes permite entrenar el modelo sin depender de NMS, lo que se traduce en una canalización de implementación integral más sencilla. Esto resulta especialmente útil al exportar modelos a formatos edge como ONNX o TensorRT, donde las operaciones de posprocesamiento pueden introducir una latencia inesperada.

Puntos fuertes y débiles#

El modelo ofrece un buen equilibrio entre velocidad y precisión, sobre todo en las variantes más pequeñas (N y S). Su baja latencia 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 exclusivamente en detección. Los equipos que necesiten segmentación de instancias o estimación de pose 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 un backbone de red neuronal convolucional (CNN) para extraer características visuales con un codificador-decodificador Transformer para comprender la escena globalmente. El mecanismo de autoatención del Transformer permite al modelo analizar la imagen en su conjunto, lo que resulta eficaz para tratar escenas complejas, objetos superpuestos y multitudes densas.

Puntos fuertes y débiles#

La arquitectura Transformer ofrece una precisión excelente, sobre todo 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 necesitan 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, en 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:

YOLOv10 ofrece una ventaja clara en eficiencia de parámetros y velocidad de inferencia con TensorRT en tamaños comparables, mientras que RTDETRv2 es algo más preciso en las escalas s, m y l (por ejemplo, 48,1 frente a 46,3 mAP en los modelos s, a 5,03 ms frente a 2,49 ms). RTDETRv2-x iguala la precisión de YOLOv10x (54,3 frente a 54,4 mAP), pero necesita más de 2,5 veces más parámetros (76 M frente a 29,5 M) y más FLOPs (259 B frente a 160,4 B).

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 de GPU dedicada, en los que la inferencia en CPU de YOLO26n, hasta un 43 % más rápida que la de YOLO11n, ofrece 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.

La ventaja de Ultralytics: ecosistema e innovación#

YOLOv10 y RTDETRv2 son detectores capaces, pero la elección de un modelo suele depender del ecosistema de software que lo rodea. La plataforma Ultralytics ofrece una interfaz unificada que oculta gran parte de la complejidad de los flujos de trabajo de aprendizaje profundo.

El nuevo estándar: Ultralytics YOLO26#

Para los desarrolladores que buscan el mejor rendimiento, Ultralytics YOLO26 reúne avances arquitectónicos recientes. Lanzado en enero de 2026, YOLO26 hereda el diseño de extremo a extremo sin NMS de YOLOv10 como cabeza opcional (nms=False), eliminando el posprocesamiento con NMS para ofrecer un despliegue más rápido y sencillo.

Además, YOLO26 incorpora ProgLoss + STAL para mejorar notablemente el reconocimiento de objetos pequeños y, a diferencia de YOLOv10, que solo detecta objetos, admite detección de objetos, segmentación de instancias, segmentación semántica, estimación de profundidad, clasificación de imágenes, estimación de pose y cajas delimitadoras orientadas (OBB), con mejoras específicas para cada tarea, como una función de pérdida de segmentación semántica y Residual Log-Likelihood Estimation (RLE) para la pose. La eliminación de Distribution Focal Loss (DFL) también simplifica la exportación y mejora la compatibilidad con dispositivos de bajo consumo.

Facilidad de uso y eficiencia del entrenamiento#

Tanto si trabajas con modelos anteriores como Ultralytics YOLO11 como con el más reciente YOLO26, la API de Python mantiene bajo el consumo de memoria del entrenamiento y agiliza los flujos de trabajo. La misma API también ejecuta YOLOv10 y RT-DETR:

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, con mantenimiento activo, ofrece herramientas para facilitar el ajuste de hiperparámetros y se integra con herramientas de seguimiento de experimentos y opciones de implementación de modelos.

Conclusión#

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

Para obtener un rendimiento equilibrado, versatilidad multitarea y un ecosistema maduro, recomendamos Ultralytics YOLO26. Combina las ideas arquitectónicas de sus predecesores con herramientas fáciles de usar que simplifican la implementación de IA de visión.