YOLOv7 frente a RTDETRv2#

La visión artificial sigue evolucionando rápidamente, impulsada por la competencia entre las redes neuronales convolucionales (CNN) y los Transformers de visión (ViT). Esta comparación técnica examina dos arquitecturas destacadas: YOLOv7, un detector de objetos basado en CNN altamente optimizado, y RTDETRv2, un Transformer de detección en tiempo real de última generación.

Al analizar sus diferencias arquitectónicas, métricas de rendimiento y escenarios de implementación ideales, los desarrolladores pueden tomar decisiones fundamentadas al integrar estos modelos de IA visual en sus flujos de producción.

YOLOv7: arquitectura CNN con «bag-of-freebies»#

YOLOv7 introdujo varias optimizaciones estructurales en la familia YOLO tradicional y llevó al límite la detección de objetos en tiempo real mediante una serie de «recursos gratuitos entrenables».

Características principales:

• Autores: Chien-Yao Wang, Alexey Bochkovskiy y Hong-Yuan Mark Liao
• Organización: Instituto de Ciencias de la Información, Academia Sinica
• Fecha: 2022-07-06
• arXiv: https://arxiv.org/abs/2207.02696
• GitHub: WongKinYiu/yolov7

Arquitectura y puntos fuertes#

YOLOv7 se basa en la arquitectura Extended Efficient Layer Aggregation Network (E-ELAN). Este diseño estructural permite que el modelo aprenda características más diversas sin destruir la ruta de gradiente original. Además, incorpora convoluciones con reparametrización planificada, que optimizan la velocidad de inferencia sin reducir la precisión. Su enfoque de recursos gratuitos entrenables le permite lograr un sólido equilibrio entre velocidad y precisión, por lo que resulta muy adecuado para tareas de detección de objetos en tiempo real en GPU de servidor.

YOLOv7 también es muy versátil. Además de la detección estándar de cajas delimitadoras, el repositorio ofrece variantes para la segmentación de instancias y la estimación de poses, lo que demuestra su adaptabilidad.

Limitaciones#

Como muchos modelos CNN anteriores, YOLOv7 depende de la supresión no máxima (NMS) para el posprocesamiento. NMS introduce una latencia variable, sobre todo en escenas con mucha densidad de objetos, lo que puede dificultar las garantías estrictas de tiempo real en dispositivos edge.

Más información sobre YOLOv7

RTDETRv2: la evolución de los Transformers en tiempo real#

RTDETRv2 se basa en el marco original RT-DETR y demuestra aún más que los Transformers pueden competir con las arquitecturas YOLO en latencia en tiempo real sin renunciar a una alta precisión espacial.

Características principales:

• Autores: Wenyu Lv, Yian Zhao, Qinyao Chang, Kui Huang, Guanzhong Wang y Yi Liu
• Organización: Baidu
• Fecha: 2024-07-24
• arXiv: https://arxiv.org/abs/2407.17140
• GitHub: lyuwenyu/RT-DETR

Arquitectura y puntos fuertes#

RTDETRv2 supone un importante avance para los Transformers de visión. Aprovecha un proceso flexible de selección de consultas y un codificador híbrido eficiente para procesar rápidamente características multiescala. Al introducir un nuevo conjunto de «recursos gratuitos» diseñado específicamente para los Transformers de detección (DETR), mejora la precisión sin aumentar el coste de inferencia. Al no utilizar NMS, ofrece tiempos de inferencia más predecibles, lo que resulta útil en las aplicaciones de ciudades inteligentes y la conducción autónoma.

Limitaciones#

A pesar de sus avances, RTDETRv2 arrastra las limitaciones tradicionales de las arquitecturas basadas en Transformers. Exige mucha más memoria CUDA durante el entrenamiento y la inferencia que las CNN. Además, converge notablemente más despacio durante el entrenamiento, por lo que requiere grandes cantidades de datos anotados de alta calidad (como el conjunto de datos COCO) y abundantes recursos computacionales.

Más información sobre RTDETRv2

Comparativa de rendimiento#

Al comparar estos modelos, conviene tener en cuenta conjuntamente la precisión, la velocidad bruta de inferencia y la huella computacional. A continuación se muestra una tabla comparativa directa.

La ventaja de Ultralytics: ecosistema y evolución#

Aunque YOLOv7 y RTDETRv2 ofrecen capacidades sólidas, su implementación en entornos de producción suele sacar a la luz dificultades operativas. El ecosistema Ultralytics está diseñado para reducirlas y ofrece a los desarrolladores una API unificada que abstrae las complejidades habituales de los pipelines de visión artificial.

Versatilidad y eficiencia de memoria#

A diferencia de los modelos Transformer, que necesitan grandes cantidades de VRAM, los modelos Ultralytics YOLO son eficientes en el uso de memoria. Esto permite un entrenamiento de modelos rápido con hardware accesible. El ecosistema admite de forma nativa varias tareas de visión artificial desde una única base de código, como la clasificación de imágenes y la detección de cajas delimitadoras orientadas (OBB), con una flexibilidad de la que RTDETRv2 aún carece.

Despliegue#

Pasar de la investigación a producción exige opciones de implementación sólidas. La API de Ultralytics gestiona la exportación de modelos a formatos estándar del sector con una sola llamada. Tanto si quieres usar ONNX para la compatibilidad multiplataforma como TensorRT para maximizar la aceleración de GPU, la conversión se automatiza.

Actualización a Ultralytics YOLO26#

Para los desarrolladores que dudan entre YOLOv7 y RTDETRv2, la opción recomendada es Ultralytics YOLO26. Lanzado en enero de 2026, YOLO26 combina la velocidad de las CNN con la inferencia integral de los Transformers y, al mismo tiempo, aborda muchas de las limitaciones de ambos.

YOLO26 incorpora varias innovaciones para implementaciones tanto en servidores como en dispositivos edge:

• Diseño integral sin NMS: A partir del entrenamiento sin NMS que YOLOv10 introdujo en los modelos YOLO, YOLO26 ofrece una cabeza opcional sin NMS (nms=False) que omite el posprocesamiento de NMS. Esto proporciona una latencia predecible como la de RTDETRv2 sin la sobrecarga computacional de un transformer.
• Optimizador MuSGD: Inspirado en técnicas de entrenamiento de modelos de lenguaje grandes (como Kimi K2 de Moonshot AI), YOLO26 utiliza una combinación híbrida de SGD y Muon. Esto mejora la estabilidad del entrenamiento y la velocidad de convergencia frente a las configuraciones estándar de AdamW que usan muchos ViT.
• ProgLoss + STAL: La pérdida progresiva y la asignación de etiquetas consciente de los objetos pequeños mejoran su reconocimiento y compiten directamente con las ventajas de características multiescala de RTDETRv2, algo crucial para la automatización robótica.
• Optimización para edge y eliminación de DFL: Al eliminar Distribution Focal Loss (DFL), YOLO26 simplifica el cabezal de salida; además, YOLO26n funciona hasta un 43 % más rápido en CPU que YOLO11n. Así, resulta mucho más fácil implementar YOLO26 en dispositivos edge que los pesados modelos Transformer.

Ejemplo de entrenamiento con Ultralytics#

La sencillez de la API de Python de Ultralytics te permite entrenar un modelo YOLO26s con solo unas líneas de código:

from ultralytics import YOLO

# Carga el modelo pequeño YOLO26
model = YOLO("yolo26s.pt")

# Entrena el modelo con el conjunto de datos COCO8
# El framework gestiona automáticamente la ampliación de datos y la selección del optimizador
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device="0")

# Exporta a TensorRT para la implementación
model.export(format="engine", dynamic=True)

Casos de uso ideales#

La elección de la arquitectura adecuada depende en gran medida de las limitaciones de implementación y del hardware disponible:

Cuándo tener en cuenta YOLOv7:

• Proyectos de investigación heredados en los que YOLOv7 es una referencia consolidada.
• Entornos con abundante aceleración bruta de GPU en los que se acepta la variabilidad de latencia de NMS.

Cuándo considerar RTDETRv2:

• Implementaciones en servidores de alta gama que necesitan el mAP más alto.
• Escenarios que exigen estrictamente una latencia de inferencia predecible y sin NMS, siempre que dispongas de VRAM suficiente para su arquitectura Transformer.

Cuándo elegir Ultralytics YOLO26:

• La mayoría de los proyectos nuevos. Ofrece inferencia opcional sin NMS, como RTDETRv2; supera a YOLOv7 en velocidad y precisión, usa menos VRAM y está totalmente integrado en la plataforma Ultralytics para gestionar conjuntos de datos, entrenar e implementar modelos.