Empezar

YOLOv8 frente a RTDETRv2

El panorama de la visión artificial evoluciona constantemente y las nuevas arquitecturas amplían las posibilidades de la detección de objetos en tiempo real. Dos modelos destacados que han despertado un gran interés son Ultralytics YOLOv8 y RTDETRv2 de Baidu. Esta guía ofrece una comparación técnica de ambos modelos y analiza sus arquitecturas, métricas de rendimiento y escenarios de despliegue ideales.

Descripción general de YOLOv8#

Ultralytics YOLOv8 es un hito importante en la familia de modelos YOLO (You Only Look Once), ya que combina velocidad, precisión y facilidad de uso en una amplia variedad de tareas.

Características principales:

Arquitectura y puntos fuertes#

YOLOv8 introduce una arquitectura simplificada que optimiza tanto la extracción de características como la regresión de cajas delimitadoras. Es un detector sin anchors, lo que simplifica la cabeza de predicción y reduce la cantidad de ajustes de hiperparámetros necesarios durante el entrenamiento. Esto proporciona a YOLOv8 un equilibrio sólido entre velocidad de inferencia y precisión media promedio (mAP), por lo que resulta adecuado para despliegues reales tanto en dispositivos edge como en servidores en la nube.

YOLOv8 también tiene menores requisitos de memoria durante el entrenamiento que las arquitecturas basadas en Transformer, por lo que los desarrolladores pueden entrenar modelos en GPU de consumo estándar sin quedarse sin memoria.

Versatilidad#

Una de las principales fortalezas de YOLOv8 es su versatilidad nativa. Mientras que muchos modelos se centran únicamente en las cajas delimitadoras, YOLOv8 ofrece compatibilidad lista para usar con la detección de objetos, la segmentación de instancias, la clasificación de imágenes, la estimación de poses y la detección de cajas delimitadoras orientadas (OBB).

Descripción general de RTDETRv2#

RTDETRv2 (versión 2 de Real-Time Detection Transformer) se basa en el RT-DETR original y busca incorporar los mecanismos de atención de los Vision Transformers a las aplicaciones de detección de objetos en tiempo real.

Características principales:

Arquitectura y puntos fuertes#

RTDETRv2 utiliza una arquitectura híbrida que combina un backbone de red neuronal convolucional (CNN) con una estructura de codificador-decodificador Transformer. Esto permite al modelo captar relaciones espaciales complejas y contexto global mediante mecanismos de autoatención. Al utilizar un conjunto de estrategias de entrenamiento «bag-of-freebies», RTDETRv2 alcanza puntuaciones de mAP competitivas en conjuntos de datos de referencia estándar, como el conjunto de datos COCO.

Puntos débiles#

A pesar de su gran precisión, la naturaleza de RTDETRv2 basada en Transformer implica un mayor consumo de memoria y tiempos de entrenamiento más largos que las arquitecturas basadas únicamente en CNN. Los Transformer suelen necesitar más VRAM, por lo que resulta difícil entrenarlos en hardware con recursos limitados. Además, aunque RTDETRv2 destaca en detección, carece del soporte multitarea —como segmentación y estimación de pose— integrado en el ecosistema de Ultralytics.

Más información sobre RTDETRv2

Comparativa de rendimiento#

Al evaluar modelos para producción, es fundamental encontrar un equilibrio entre el tamaño del modelo, la velocidad de inferencia y la precisión. La tabla siguiente compara directamente las variantes de YOLOv8 y RTDETRv2.

Modelotamaño
(píxeles)
mAPval50-95Velocidad
CPU ONNX
(ms)
Velocidad
T4 TensorRT10
(ms)
parámetros
(M)
FLOPs
(B)
YOLOv8n64037.380.41.473.28.7
YOLOv8s64044.9128.42.6611.228.6
YOLOv8m64050.2234.75.8625.978.9
YOLOv8l64052.9375.29.0643.7165.1
YOLOv8x64053.9479.114.3768.2257.8
RTDETRv2-s64048.1-5.032060
RTDETRv2-m64051.9-7.5136100
RTDETRv2-l64053.4-9.7642136
RTDETRv2-x64054.3-15.0376259
Hardware y métricas

La inferencia con CPU se realizó con ONNX, mientras que la velocidad de la GPU se probó con TensorRT en una GPU NVIDIA T4.

Casos de uso y recomendaciones#

La elección entre YOLOv8 y RT-DETR depende de los requisitos concretos de tu proyecto, las limitaciones de implementación y tus preferencias de ecosistema.

Cuándo elegir YOLOv8#

YOLOv8 es una buena opción para:

  • Implementación versátil y multitarea: Proyectos que necesitan un modelo probado para detección, segmentación, clasificación y estimación de pose dentro del ecosistema Ultralytics.
  • Sistemas de producción consolidados: Entornos de producción existentes basados en la arquitectura YOLOv8, con canalizaciones de implementación estables y bien probadas.
  • Amplio respaldo de la comunidad y del ecosistema: Aplicaciones que se benefician de los numerosos tutoriales de YOLOv8, las integraciones de terceros y los recursos de una comunidad activa.

Cuándo elegir RT-DETR#

RT-DETR está recomendado para:

  • Investigación sobre detección basada en Transformer: proyectos que exploran mecanismos de atención y arquitecturas Transformer para la detección de objetos de extremo a extremo 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 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.

La ventaja de Ultralytics#

Elegir un modelo va más allá de las métricas en bruto: el ecosistema de software que lo rodea es crucial para la productividad de los desarrolladores. El ecosistema de Ultralytics está diseñado para facilitar el uso y ofrece una API unificada de Python que simplifica todo el ciclo de vida del aprendizaje automático.

Desde la gestión de conjuntos de datos hasta el entrenamiento distribuido, Ultralytics se encarga del complejo código repetitivo. Los desarrolladores tienen a su disposición pesos preentrenados e integraciones con plataformas como Hugging Face y herramientas de seguimiento de experimentos. El ecosistema se desarrolla activamente, recibe actualizaciones frecuentes y cuenta con el respaldo de una amplia comunidad.

Los modelos Ultralytics YOLO también están optimizados para converger rápidamente y consumir menos memoria durante el proceso de entrenamiento, lo que acelera la experimentación en comparación con detectores basados en Transformer, como RTDETRv2.

De cara al futuro: el potencial de YOLO26#

YOLOv8 sigue siendo un modelo sólido, pero para los proyectos nuevos Ultralytics recomienda YOLO26, publicado en enero de 2026, que incorpora varias mejoras:

  • Diseño de extremo a extremo sin NMS: La cabeza opcional uno a uno de YOLO26 (nms=False) elimina el posprocesamiento de supresión no máxima (NMS), lo que permite flujos de despliegue más rápidos y deterministas.
  • Eliminación de DFL: La eliminación de Distribution Focal Loss simplifica el modelo y mejora su compatibilidad con dispositivos edge y de bajo consumo.
  • Optimizador MuSGD: Inspirado en el entrenamiento de LLM, MuSGD (una combinación de SGD y Muon) ofrece entrenamientos más estables y una convergencia más rápida.
  • Inferencia en CPU hasta un 43 % más rápida: YOLO26n funciona hasta un 43 % más rápido que YOLO11n durante la inferencia en CPU con ONNX, por lo que resulta adecuado para entornos sin GPU dedicada.
  • ProgLoss + STAL: La pérdida progresiva y la asignación de etiquetas consciente de objetos pequeños ofrecen mejoras notables en el reconocimiento de objetos pequeños, algo esencial en imágenes aéreas y robótica.

Entre las otras alternativas modernas de la suite Ultralytics que merece la pena explorar está YOLO11, que sigue siendo una opción sólida para proyectos existentes, aunque se recomienda YOLO26 para nuevos despliegues.

Ejemplo de código: entrenamiento e inferencia#

La sencillez de la API de Ultralytics permite cargar, entrenar e implementar modelos con solo unas pocas líneas de código Python. Asegúrate de tener PyTorch instalado antes de ejecutar el siguiente ejemplo.

from ultralytics import YOLO

# Carga un modelo YOLOv8 pequeño preentrenado
model = YOLO("yolov8s.pt")

# Entrena el modelo con tu conjunto de datos personalizado
# El entrenamiento eficiente en memoria permite usar tamaños de lote mayores
train_results = model.train(data="coco8.yaml", epochs=50, imgsz=640, batch=16)

# Ejecuta la inferencia en una imagen de prueba
results = model("https://ultralytics.com/images/bus.jpg")

# Muestra los resultados
results[0].show()

# Expórtalo para su despliegue en dispositivos edge
export_path = model.export(format="onnx")
Listo para implementar

Ultralytics permite exportar a numerosos formatos con un solo comando, incluidos ONNX, TensorRT y CoreML, lo que simplifica las opciones de despliegue de modelos en distintas arquitecturas de hardware.

Conclusión#

Tanto YOLOv8 como RTDETRv2 ofrecen capacidades atractivas para la detección de objetos en tiempo real. RTDETRv2 demuestra cómo los Transformer captan el contexto global, por lo que resulta adecuado para tareas complejas de razonamiento espacial en las que la velocidad de inferencia y la sobrecarga de memoria no son las principales limitaciones.

Sin embargo, para los desarrolladores que priorizan el equilibrio entre velocidad, precisión y eficiencia de recursos, los modelos Ultralytics YOLO son la opción más práctica. El diseño ligero de YOLOv8, su facilidad de uso, su compatibilidad con múltiples tareas y su activo ecosistema de código abierto lo hacen adecuado para entornos de producción escalables. Para obtener el máximo rendimiento en edge, YOLO26 incorpora inferencia sin NMS y mayor velocidad en CPU.

Comentarios

Haz una pregunta, comparte tus resultados o ayuda a otra persona.