YOLOv5 frente a RTDETRv2#

El campo 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 (CNN) y los Transformers de detección (DETR), ambos tratados en una guía general sobre los mejores modelos de detección de objetos.

Esta guía ofrece una comparación técnica de dos modelos influyentes de estas categorías: Ultralytics YOLOv5, un modelo basado en CNN muy eficiente y ampliamente adoptado, y RTDETRv2, un detector de objetos en tiempo real 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 buen compromiso entre velocidad y precisión, por lo que es una opción ideal para la implementación de modelos en hardware con recursos limitados, como los dispositivos NVIDIA Jetson y los smartphones.

YOLOv5 también ofrece una gran versatilidad. A diferencia de los modelos limitados estrictamente a predecir cajas delimitadoras, el repositorio original de YOLOv5 admite la segmentación de instancias y la clasificación de imágenes, y proporciona un framework unificado para distintas tareas visuales. También destaca por su eficiencia de entrenamiento: necesita mucha menos memoria CUDA durante el entrenamiento que las arquitecturas basadas en Transformer.

Puntos débiles#

Como detector basado en anchors, YOLOv5 depende de la supresión no máxima (NMS) durante el posprocesamiento para eliminar las cajas delimitadoras duplicadas. Aunque está muy optimizada en el framework Ultralytics, NMS puede introducir ocasionalmente cuellos de botella de latencia en NPU edge especializadas.

RTDETRv2: Transformers en tiempo real de Baidu#

RTDETRv2 (Transformer de detección en tiempo real v2) aplica 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 funcionar bien en escenas complejas con una gran oclusión de objetos.

Una característica distintiva de RTDETRv2 es su diseño de extremo a extremo sin NMS. Al predecir directamente consultas de objetos sin necesitar cajas anchor ni posprocesamiento NMS, simplifica la canalización de inferencia. Esta arquitectura alcanza un mAP (precisión media) elevado en conjuntos de datos de referencia como COCO.

Puntos débiles#

Pese a sus capacidades en tiempo real, RTDETRv2 necesita muchos más recursos de memoria que los modelos YOLO. Los mecanismos de atención de los Transformer escalan cuadráticamente con la longitud de la secuencia, lo que puede provocar errores de falta de memoria durante el entrenamiento de alta resolución en GPU con memoria limitada. Además, no ofrece la versatilidad lista para usar del ecosistema Ultralytics y se centra principalmente en la detección de objetos 2D, sin compatibilidad nativa con la segmentación ni la estimación de poses.

Más información sobre RTDETRv2

Tabla comparativa del rendimiento#

La tabla siguiente compara las métricas de rendimiento de ambas arquitecturas. Los valores resaltados en negrita corresponden a 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 lo rodea es tan importante como la arquitectura de la red neuronal. El ecosistema bien mantenido de Ultralytics acelera el ciclo de desarrollo.

Facilidad de uso#

Los modelos de Ultralytics priorizan una experiencia de usuario 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 sencilla y unificada admite de forma nativa integraciones de seguimiento de experimentos con herramientas como Weights & Biases y Comet, lo que permite a los desarrolladores registrar métricas sin escribir código repetitivo.

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 consolidados: Implementaciones existentes en las que se valoran la larga trayectoria de estabilidad de YOLOv5, su extensa documentación y su amplia 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 solo con CPU: dispositivos sin aceleración GPU dedicada, donde YOLO26n funciona hasta un 43 % más rápido en CPU que YOLO11n.
• Detección de objetos pequeños: situaciones complejas, como las imágenes aéreas captadas con drones o el análisis de sensores IoT, en las que ProgLoss y STAL mejoran la precisión con objetos diminutos.

El futuro: YOLO11 y YOLO26#

Si hoy empiezas un nuevo proyecto de visión, plantéate usar las últimas generaciones de modelos de Ultralytics.

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

YOLO26 va más allá al combinar los puntos fuertes de ambos enfoques. Ofrece un diseño integral opcional sin NMS (nms=False, introducido en los modelos YOLO por YOLOv10) que elimina el paso de posprocesamiento de NMS y mantiene la eficiencia de una CNN. YOLO26 también incorpora el optimizador MuSGD, inspirado en las innovaciones del entrenamiento de LLM, para lograr una convergencia más rápida. Gracias a la eliminación de DFL (se elimina Distribution Focal Loss para simplificar la exportación y mejorar la compatibilidad con dispositivos periféricos y de bajo consumo), YOLO26n ofrece una inferencia en CPU hasta un 43 % más rápida que YOLO11n, lo que convierte a YOLO26 en una excelente opción para la IA en el edge. Además, ProgLoss + STAL (pérdida progresiva y asignación de etiquetas adaptada a objetos pequeños) mejora notablemente el reconocimiento de objetos pequeños, algo 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 tu implementación. RTDETRv2 alcanza un mAP elevado mediante mecanismos de atención Transformer, pero requiere más memoria y recursos computacionales.

Por el contrario, Ultralytics YOLOv5 ofrece una solución versátil, muy optimizada y de eficacia probada, que funciona con eficiencia tanto en servidores en la nube como en dispositivos periféricos. Para los equipos que buscan una mayor precisión junto con herramientas de implementación maduras, la opción recomendada para las aplicaciones modernas de IA visual es actualizar a YOLO26 dentro del ecosistema de Ultralytics.