YOLOv5 frente a RTDETRv2#

El panorama de la computer vision se ha expandido significativamente en los últimos años, ofreciendo a los desarrolladores una amplia gama de arquitecturas para abordar tareas visuales complejos. Entre los paradigmas más populares se encuentran las Redes Neuronales Convolucionales (CNNs) y los Transformers de Detección (DETRs).

Esta guía ofrece una comparación técnica detallada entre dos modelos fundamentales en estas categorías: Ultralytics YOLOv5, un modelo basado en CNN altamente eficiente y ampliamente adoptado, y RTDETRv2, un detector de objetos en tiempo real basado en transformer de última generación.

Ultralytics YOLOv5: El estándar de la industria para la eficiencia#

Desde su lanzamiento, Ultralytics YOLOv5 se ha convertido en un pilar de la comunidad de IA, impulsando miles de aplicaciones comerciales y proyectos de investigación a nivel mundial. Construido enteramente sobre el framework PyTorch, priorizó una experiencia de desarrollo intuitiva sin comprometer el rendimiento en tiempo real.

Características principales:

• Autor: Glenn Jocher
• Organización: Ultralytics
• Fecha: 2020-06-26
• Links: GitHub Repository

Arquitectura y puntos fuertes#

YOLOv5 utiliza una arquitectura CNN optimizada diseñada para maximizar la eficiencia de la feature extraction mientras mantiene una huella de memoria extremadamente baja. Emplea un backbone CSPDarknet y un cuello PANet, creando una combinación potente para la fusión de características multi-escala.

Una de las principales ventajas de YOLOv5 es su Performance Balance. Logra un equilibrio excepcional entre velocidad y precisión, convirtiéndolo en una opción ideal para el model deployment en hardware con recursos limitados como dispositivos NVIDIA Jetson y smartphones.

Además, YOLOv5 presume de una Versatility inigualable. A diferencia de los modelos estrictamente limitados a predicciones de cuadros delimitadores, YOLOv5 admite de forma nativa la image classification y la instance segmentation, proporcionando un framework unificado para diversas tareas visuales. Su training efficiency también es notable, requiriendo significativamente menos memoria CUDA durante el entrenamiento en comparación con arquitecturas basadas en transformers.

Debilidades#

Debido a que se basa en un framework CNN anterior, YOLOv5 depende intrínsecamente de Non-Maximum Suppression (NMS) durante el post-procesamiento para eliminar cuadros delimitadores duplicados. Aunque está altamente optimizado dentro del framework Ultralytics, el NMS puede introducir ocasionalmente cuellos de botella de latencia en NPU de borde especializadas.

Más información sobre YOLOv5

RTDETRv2: Transformers en tiempo real de Baidu#

RTDETRv2 (Real-Time Detection Transformer v2) representa un salto sustancial en la aplicación de arquitecturas Transformer a la detección de objetos en tiempo real, abordando las ineficiencias computacionales que históricamente afectaban a los DETR estándar.

Características principales:

• Autores: Wenyu Lv, Yian Zhao, Qinyao Chang, Kui Huang, Guanzhong Wang y Yi Liu
• Organización: Baidu
• Fecha: 24-07-2024
• Enlaces: Artículo de Arxiv, Repositorio de GitHub

Arquitectura y puntos fuertes#

RTDETRv2 se basa en su predecesor utilizando un codificador híbrido y un diseño de decodificador flexible para procesar imágenes. El mecanismo de auto-atención del Transformer proporciona al modelo una comprensión global del contexto de la imagen, permitiéndole funcionar excepcionalmente bien en escenas complejas con una oclusión de objetos severa.

Una característica definitoria de RTDETRv2 es su diseño de extremo a extremo sin NMS. Al predecir consultas de objetos directamente sin requerir anchor boxes o post-procesamiento NMS, simplifica el pipeline de inferencia. Esta arquitectura logra un impresionante mAP (mean Average Precision) en datasets de referencia como COCO.

Debilidades#

A pesar de sus capacidades en tiempo real, RTDETRv2 tiene memory requirements notablemente más altos en comparación con los modelos YOLO. Los mecanismos de atención en los transformers escalan cuadráticamente con la longitud de la secuencia, lo que puede provocar errores de falta de memoria durante el entrenamiento de alta resolución a menos que se utilicen clústeres de GPU masivos. Además, carece de la versatilidad inmediata del ecosistema Ultralytics, centrándose principalmente solo en la object detection 2D sin soporte nativo para segmentación o estimación de poses.

Más información sobre RTDETR

Tabla de comparación de rendimiento#

Para evaluar objetivamente estas arquitecturas, hemos recopilado sus métricas de rendimiento. Los valores resaltados en negrita representan las métricas más eficientes o de mayor rendimiento en las escalas probadas.

La ventaja del ecosistema Ultralytics#

Al mover un modelo desde un cuaderno de investigación a un entorno de producción, el software que rodea al modelo es tan importante como la arquitectura de la red neuronal. El ecosistema bien mantenido que proporciona Ultralytics acelera drásticamente el ciclo de vida del desarrollo.

Facilidad de uso inigualable#

Los modelos de Ultralytics priorizan una experiencia de usuario increíblemente optimizada. Ya sea que quieras entrenar un modelo personalizado, ejecutar validación o exportar a formatos específicos de hardware como TensorRT o ONNX, la Ultralytics Python API lo hace posible en solo unas pocas líneas de código.

Aquí tienes un ejemplo de código práctico que demuestra lo sencillo que es entrenar y ejecutar inferencias con un modelo de Ultralytics:

from ultralytics import YOLO

# Initialize the model (automatically downloads the weights)
model = YOLO("yolov5s.pt")

# Train the model on the COCO8 dataset
results = model.train(data="coco8.yaml", epochs=50, imgsz=640, device="cpu")

# Perform inference on an online image
inference_results = model.predict("https://ultralytics.com/images/bus.jpg")

# Display the resulting image with bounding boxes
inference_results[0].show()

Esta API simple y unificada admite de forma nativa integraciones de experiment tracking con herramientas como Weights & Biases y Comet, permitiendo a los desarrolladores registrar métricas sin problemas ni escribir código repetitivo complejo.

Casos de uso y recomendaciones#

Elegir entre YOLOv5 y RT-DETR depende de los requisitos específicos de tu proyecto, las restricciones de despliegue y tus preferencias de ecosistema.

Cuándo elegir YOLOv5#

YOLOv5 es una opción sólida para:

• Sistemas de producción probados: Despliegues existentes donde se valora la larga trayectoria de estabilidad, la extensa documentación y el enorme soporte de la comunidad de YOLOv5.
• Entrenamiento con recursos limitados: Entornos con recursos de GPU limitados donde la eficiente canalización de entrenamiento de YOLOv5 y sus menores requisitos de memoria son ventajosos.
• Amplio soporte de formatos de exportación: Proyectos que requieren despliegue en muchos formatos, incluidos ONNX, TensorRT, CoreML y TFLite.

Cuándo elegir RT-DETR#

RT-DETR se recomienda para:

• Investigación en detección basada en Transformer: Proyectos que exploran mecanismos de atención y arquitecturas transformer para detección de objetos de extremo a extremo sin NMS.
• Escenarios de alta precisión con latencia flexible: Aplicaciones donde la precisión de detección es la prioridad máxima 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 transformers 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 de desarrollo:

• Implementación en el borde sin NMS: Aplicaciones que requieren una inferencia consistente y de baja latencia sin la complejidad del posprocesamiento de supresión de no máximos.
• Entornos solo de CPU: Dispositivos sin aceleración de GPU dedicada, donde la inferencia en CPU hasta un 43% más rápida de YOLO26 proporciona una ventaja decisiva.
• Detección de objetos pequeños: Escenarios desafiantes como la aerial drone imagery o el análisis con sensores IoT donde ProgLoss y STAL mejoran significativamente la precisión en objetos diminutos.

Mirando hacia el futuro: YOLO11 y YOLO26#

Si comienzas un nuevo proyecto de visión hoy, es altamente recomendable explorar las últimas generaciones de modelos de Ultralytics.

Mientras que YOLOv5 sigue siendo increíblemente fiable, YOLO11 ofrece mayor precisión y un conjunto ampliado de tareas que incluyen la detección Oriented Bounding Box (OBB).

Aún más significativo, el vanguardista YOLO26 fusiona lo mejor de ambos mundos. Implementa un End-to-End NMS-Free Design (pionero por primera vez en YOLOv10), eliminando la sobrecarga de post-procesamiento mientras mantiene la eficiencia de una CNN. YOLO26 también introduce el MuSGD Optimizer, inspirado en innovaciones de entrenamiento de LLMs, para una convergencia más rápida. Con la DFL Removal (eliminación de Distribution Focal Loss para una exportación simplificada y mejor compatibilidad con dispositivos de borde/baja potencia), YOLO26 ofrece Up to 43% Faster CPU Inference, convirtiéndolo en la mejor opción absoluta para la IA de borde. Además, ProgLoss + STAL proporciona funciones de pérdida mejoradas con notables mejoras en el reconocimiento de objetos pequeños, crítico para IoT, robótica e imágenes aéreas.

Conclusión#

Elegir entre YOLOv5 y RTDETRv2 depende en gran medida de tus restricciones de despliegue. RTDETRv2 supera los límites del mAP utilizando potentes mecanismos de atención de Transformer, pero conlleva un alto coste en memoria y sobrecarga computacional.

Por el contrario, Ultralytics YOLOv5 ofrece una solución probada, altamente optimizada y versátil que funciona sin problemas en todas partes, desde servidores en la nube hasta microcontroladores. Para los equipos que buscan la mayor precisión posible junto con herramientas de implementación fluidas, actualizar dentro del ecosistema de Ultralytics a YOLO26 proporciona la solución definitiva de última generación para aplicaciones modernas de vision AI.