YOLOv5 frente a RTDETRv2#

El panorama de la visión artificial se ha ampliado considerablemente en los últimos años y ofrece a los desarrolladores una gran variedad de arquitecturas para abordar tareas visuales complejas. Entre los paradigmas más populares se encuentran las redes neuronales convolucionales (CNNs) y los Transformers de detección (DETRs).

Esta guía ofrece una comparativa técnica exhaustiva entre dos modelos clave de estas categorías: Ultralytics YOLOv5, un modelo basado en CNN muy eficiente y ampliamente adoptado, y RTDETRv2, un detector de objetos en tiempo real de última generación basado en Transformer.

Ultralytics YOLOv5: el estándar del sector en eficiencia#

Desde su lanzamiento, Ultralytics YOLOv5 se ha convertido en un pilar de la comunidad de IA y alimenta miles de aplicaciones comerciales y proyectos de investigación en todo el mundo. Desarrollado íntegramente sobre el framework PyTorch, priorizó una experiencia de desarrollo intuitiva sin renunciar al rendimiento en tiempo real.

Características principales:

• Autor: Glenn Jocher
• Organización: Ultralytics
• Fecha: 2020-06-26
• Enlaces: Repositorio de GitHub

Arquitectura y puntos fuertes#

YOLOv5 utiliza una arquitectura CNN optimizada para maximizar la eficiencia de la extracción de características y mantener un consumo de memoria muy bajo. Emplea una red troncal CSPDarknet y un cuello PANet, que juntos permiten fusionar características a varias escalas con gran eficacia.

Una de las principales ventajas de YOLOv5 es su equilibrio del rendimiento. Ofrece un equilibrio excepcional entre velocidad y precisión, por lo que es una opción ideal para el despliegue de modelos en hardware con recursos limitados, como los dispositivos NVIDIA Jetson y los smartphones.

Además, YOLOv5 ofrece una versatilidad incomparable. A diferencia de los modelos limitados estrictamente a predecir cajas delimitadoras, YOLOv5 admite de forma nativa la clasificación de imágenes y la segmentación de instancias, y proporciona un framework unificado para distintas tareas visuales. Su eficiencia de entrenamiento también es notable, ya que necesita mucha menos memoria CUDA durante el entrenamiento que las arquitecturas basadas en Transformer.

Puntos débiles#

Al basarse en un framework CNN más antiguo, YOLOv5 depende necesariamente de la supresión no máxima (NMS) durante el posprocesamiento para eliminar cajas delimitadoras duplicadas. Aunque está muy optimizada en el framework Ultralytics, la NMS puede generar ocasionalmente cuellos de botella en la latencia en NPU edge especializadas.

RTDETRv2: Transformers en tiempo real de Baidu#

RTDETRv2 (Transformer de detección en tiempo real v2) supone un avance considerable en la aplicación de arquitecturas Transformer a la detección de objetos en tiempo real y aborda 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: 2024-07-24
• Enlaces: Artículo de Arxiv, repositorio de GitHub

Arquitectura y puntos fuertes#

RTDETRv2 se basa en su predecesor y utiliza un codificador híbrido y un diseño de decodificador flexible para procesar imágenes. El mecanismo de autoatención del Transformer proporciona al modelo una comprensión global del contexto de la imagen, lo que le permite rendir excepcionalmente bien en escenas complejas con una gran oclusión de objetos.

Una característica definitoria de RTDETRv2 es su diseño integral sin NMS. Al predecir directamente las consultas de objetos sin necesitar cajas de anclaje ni posprocesamiento NMS, simplifica el flujo de inferencia. Esta arquitectura logra un mAP (precisión media promedio) impresionante en conjuntos de datos de referencia como COCO.

Puntos débiles#

A pesar de sus capacidades en tiempo real, RTDETRv2 tiene unos requisitos de memoria notablemente superiores a los de los modelos YOLO. Los mecanismos de atención de los Transformer escalan de forma cuadrática con la longitud de la secuencia, lo que puede provocar errores por falta de memoria durante el entrenamiento a alta resolución, a menos que se utilicen enormes clústeres de GPU. Además, carece de la versatilidad lista para usar del ecosistema Ultralytics y se centra principalmente en la detección de objetos en 2D, sin compatibilidad nativa con la segmentación ni la estimación de pose.

Más información sobre RTDETRv2

Tabla comparativa del rendimiento#

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

La ventaja del ecosistema Ultralytics#

Al pasar un modelo de 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 enormemente el ciclo de desarrollo.

Facilidad de uso inigualable#

Los modelos de Ultralytics priorizan una experiencia de usuario increíblemente sencilla. Tanto si quieres entrenar un modelo personalizado, ejecutar una validación o exportarlo a formatos específicos de hardware como TensorRT o ONNX, la API de Python de Ultralytics te permite hacerlo con solo unas pocas líneas de código.

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

from ultralytics import YOLO

# Inicializa el modelo (descarga automáticamente los pesos)
model = YOLO("yolov5su.pt")  # YOLOv5u: pesos de YOLOv5 sin anclajes para el paquete ultralytics

# Entrena el modelo con el conjunto de datos COCO8
results = model.train(data="coco8.yaml", epochs=50, imgsz=640, device="cpu")

# Ejecuta inferencias en una imagen en línea
inference_results = model.predict("https://ultralytics.com/images/bus.jpg")

# Muestra la imagen resultante con cuadros delimitadores
inference_results[0].show()

Esta API unificada y sencilla admite de forma nativa integraciones de seguimiento de experimentos con herramientas como Weights & Biases y Comet, lo que permite a los desarrolladores registrar métricas fácilmente sin escribir código auxiliar complejo.

Casos de uso y recomendaciones#

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

Cuándo elegir YOLOv5#

YOLOv5 es una buena opción para:

• Sistemas de producción probados: despliegues existentes en los que se valoran la larga trayectoria de estabilidad de YOLOv5, su amplia documentación y el enorme apoyo de la comunidad.
• Entrenamiento con recursos limitados: entornos con recursos de GPU limitados, donde el pipeline de entrenamiento eficiente de YOLOv5 y sus menores requisitos de memoria suponen una ventaja.
• Amplia compatibilidad con formatos de exportación: proyectos que requieren despliegues en muchos formatos, como ONNX, TensorRT, CoreML y LiteRT.

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.

El futuro: YOLO11 y YOLO26#

Si hoy empiezas un nuevo proyecto de visión artificial, te recomendamos encarecidamente explorar las últimas generaciones de modelos de Ultralytics.

Aunque YOLOv5 sigue siendo increíblemente fiable, YOLO11 ofrece una mayor precisión y un conjunto ampliado de tareas, incluida la detección de cajas delimitadoras orientadas (OBB).

Y, aún más importante, el vanguardista YOLO26 combina lo mejor de ambos mundos. Incorpora un diseño integral sin NMS (que se estrenó en YOLOv10), elimina la sobrecarga del posprocesamiento y mantiene la eficiencia de una CNN. YOLO26 también incorpora el optimizador MuSGD, inspirado en innovaciones del entrenamiento de LLM, para lograr una convergencia más rápida. Al eliminar DFL (eliminación de DFL, es decir, de Distribution Focal Loss, para simplificar la exportación y mejorar la compatibilidad con dispositivos perimetrales y de bajo consumo), YOLO26 ofrece una inferencia en CPU hasta un 43 % más rápida, lo que lo convierte en la mejor opción para la IA en el edge. Además, ProgLoss + STAL proporciona funciones de pérdida mejoradas, con avances notables en el reconocimiento de objetos pequeños, fundamental para el IoT, la robótica y las imágenes aéreas.

Conclusión#

La elección entre YOLOv5 y RTDETRv2 depende en gran medida de las limitaciones de despliegue. RTDETRv2 amplía los límites de mAP mediante potentes mecanismos de atención Transformer, pero requiere mucha memoria y conlleva una elevada carga computacional.

En cambio, Ultralytics YOLOv5 ofrece una solución probada, muy optimizada y versátil que funciona sin problemas en cualquier entorno, desde servidores en la nube hasta microcontroladores. Para los equipos que buscan la máxima precisión posible junto con herramientas de despliegue sencillas, actualizar a YOLO26 dentro del ecosistema de Ultralytics es la solución de vanguardia definitiva para las aplicaciones modernas de IA de visión.