YOLOv9 frente a RTDETRv2#

El panorama de la detección de objetos en tiempo real ha experimentado un cambio de paradigma en los últimos años. Dos filosofías arquitectónicas distintas han surgido para dominar el campo: las redes neuronales convolucionales (CNN) altamente optimizadas y los Transformers de detección en tiempo real (DETR). YOLOv9 y RTDETRv2 representan la culminación de ambos enfoques.

Esta guía completa compara estos dos potentes modelos y analiza sus innovaciones arquitectónicas, sus métricas de rendimiento y sus escenarios de despliegue ideales para ayudarte a elegir el modelo adecuado para tu cadena de trabajo de visión artificial.

Resumen ejecutivo#

Ambos modelos ofrecen resultados de vanguardia, pero responden a limitaciones de despliegue y ecosistemas de desarrollo ligeramente diferentes.

• Elige YOLOv9 si: necesitas un uso muy eficiente de los parámetros y una inferencia rápida en dispositivos edge. YOLOv9 lleva al límite la eficiencia teórica de las CNN, por lo que resulta ideal en entornos con recursos computacionales muy limitados.
• Elige RTDETRv2 si: necesitas la comprensión contextual matizada que ofrecen los Transformers, especialmente en escenas con oclusiones graves o relaciones complejas entre objetos, y dispones de hardware capaz de ejecutar una arquitectura algo más pesada.
• Elige YOLO26 (recomendado) si: quieres lo mejor de ambos mundos. Como la generación más reciente disponible en la plataforma Ultralytics, YOLO26 cuenta con un diseño opcional de extremo a extremo sin NMS (nms=False, similar a los modelos DETR, pero mucho más rápido), que elimina los cuellos de botella del posprocesamiento y ofrece hasta un 43 % más de velocidad de inferencia en CPU que las generaciones anteriores.

Especificaciones técnicas y autoría#

Comprender los orígenes y el propósito de diseño de estos modelos proporciona un contexto fundamental para entender sus decisiones arquitectónicas.

YOLOv9#

• Autores: Chien-Yao Wang y Hong-Yuan Mark Liao
• Organización: Instituto de Ciencias de la Información, Academia Sinica
• Fecha: 2024-02-21
• Arxiv: https://arxiv.org/abs/2402.13616
• GitHub: WongKinYiu/yolov9

Más información sobre YOLOv9

RTDETRv2#

• 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

Más información sobre RTDETRv2

Innovaciones arquitectónicas#

YOLOv9: resolver el cuello de botella de información#

YOLOv9 introduce dos innovaciones importantes diseñadas para abordar la pérdida de información a medida que los datos pasan por redes neuronales profundas:

1. Información de gradiente programable (PGI): Este marco de supervisión auxiliar garantiza que se generen gradientes fiables para actualizar los pesos de la red y preservar información crucial sobre las características incluso en las capas más profundas de la red.
2. Red generalizada de agregación eficiente de capas (GELAN): Una arquitectura novedosa que combina las ventajas de CSPNet y ELAN. GELAN optimiza la eficiencia de los parámetros, lo que permite a YOLOv9 alcanzar una mayor precisión con menos FLOPs que las CNN tradicionales.

RTDETRv2: mejora de los Transformers en tiempo real#

A partir del éxito del RT-DETR original, RTDETRv2 utiliza una arquitectura basada en Transformer que evita por diseño la necesidad de la supresión no máxima (NMS). Entre sus mejoras se incluyen:

1. Estrategia Bag-of-Freebies: La versión v2 incorpora técnicas avanzadas de entrenamiento y aumentos de datos que mejoran significativamente la precisión sin añadir ningún coste a la latencia de inferencia.
2. Codificador híbrido eficiente: Al procesar características a varias escalas mediante un mecanismo de atención desacoplado, tanto intraescala como entre escalas, RTDETRv2 gestiona eficientemente el elevado coste computacional que suelen tener los Vision Transformers.

Comparativa de rendimiento#

Al evaluar modelos para producción, el equilibrio entre la precisión y los requisitos computacionales es fundamental. La tabla siguiente muestra el rendimiento de distintos tamaños de modelo en pruebas de referencia estándar.

Análisis#

Como muestran los datos, YOLOv9 mantiene una clara ventaja en eficiencia de parámetros. El modelo YOLOv9c alcanza unos impresionantes 53,0 mAP con solo 25,5 M de parámetros, por lo que es increíblemente ligero.

Por el contrario, RTDETRv2 ofrece una competencia sólida en las categorías de modelos medianos y grandes. Sin embargo, esto implica un mayor número de parámetros y muchos más FLOPs, algo habitual en los modelos Transformer. Esta diferencia arquitectónica también se refleja en el uso de memoria: los modelos YOLO suelen necesitar mucha menos memoria CUDA durante el entrenamiento y la inferencia que sus equivalentes basados en Transformer.

La ventaja de Ultralytics: ecosistema y versatilidad#

Aunque las métricas puramente arquitectónicas son importantes, el ecosistema de software suele determinar el éxito de un proyecto de IA. Acceder a estos modelos avanzados mediante la API de Python de Ultralytics ofrece ventajas incomparables.

Entrenamiento e implementación simplificados#

Entrenar un Transformer de detección suele requerir archivos de configuración complejos y GPU de alta gama. Con el marco de Ultralytics, los desarrolladores pueden entrenar modelos YOLOv9 y RT-DETR con la misma sintaxis sencilla y beneficiarse de procesos de entrenamiento muy eficientes y de pesos preentrenados disponibles.

from ultralytics import RTDETR, YOLO

# Entrenar un modelo YOLOv9
model_yolo = YOLO("yolov9c.pt")
model_yolo.train(data="coco8.yaml", epochs=100, imgsz=640)

# Entrenar un modelo RTDETR con exactamente la misma API
model_rtdetr = RTDETR("rtdetr-l.pt")
model_rtdetr.train(data="coco8.yaml", epochs=100, imgsz=640)

# Exportar modelos a OpenVINO o TensorRT sin complicaciones
model_yolo.export(format="openvino")

Versatilidad multitarea sin igual#

Una limitación importante de los modelos especializados como RTDETRv2 es que se centran exclusivamente en la detección de cuadros delimitadores. En cambio, el amplio ecosistema de Ultralytics, que incluye modelos como YOLO11 y YOLOv8, admite una gran variedad de tareas de visión por computador. Esto incluye la segmentación de instancias con precisión a nivel de píxel, la estimación de poses esqueléticas, la clasificación de imágenes completas y la detección de cuadros delimitadores orientados (OBB) en imágenes aéreas.

Aplicaciones en el mundo real#

Análisis de alta velocidad en el borde#

Para entornos comerciales o líneas de fabricación que necesitan reconocer productos en tiempo real en dispositivos de borde, YOLOv9 es la opción superior. Su arquitectura GELAN garantiza un alto rendimiento en hardware limitado, como la serie NVIDIA Jetson, y permite automatizar el control de calidad sin retrasos significativos.

Análisis de escenas complejas#

En situaciones como la vigilancia de multitudes densas o intersecciones de tráfico complejas, donde los objetos suelen ocultarse unos a otros, destacan los mecanismos de atención global de RTDETRv2. La capacidad del modelo para razonar de forma nativa sobre el contexto de toda la imagen le permite mantener una detección y un seguimiento robustos incluso cuando los objetos están parcialmente ocultos.

Casos de uso y recomendaciones#

Elegir entre YOLOv9 y RT-DETR depende de los requisitos específicos de tu proyecto, las limitaciones de implementación y tus preferencias de ecosistema.

Cuándo elegir YOLOv9#

YOLOv9 es una buena opción para:

• Investigación sobre cuellos de botella de información: Proyectos académicos que estudian las arquitecturas de información de gradiente programable (PGI) y de red de agregación de capas eficiente generalizada (GELAN).
• Estudios de optimización del flujo de gradiente: Investigaciones centradas en comprender y mitigar la pérdida de información en las capas profundas de la red durante el entrenamiento.
• Evaluación comparativa de detección de alta precisión: Situaciones en las que el sólido rendimiento de YOLOv9 en las pruebas de referencia de COCO sirve como referencia para comparar arquitecturas.

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: llega YOLO26#

Aunque YOLOv9 y RTDETRv2 representan logros enormes, el campo de la visión por computador evoluciona rápidamente. Para los desarrolladores que quieran iniciar proyectos nuevos, YOLO26 es la solución de vanguardia recomendada.

Lanzado en 2026, YOLO26 incorpora las mejores características de las CNN y los DETR. Incluye un diseño nativo opcional de extremo a extremo sin NMS (nms=False) que elimina el posprocesamiento NMS, una técnica pionera introducida en YOLOv10. Además, YOLO26 elimina Distribution Focal Loss (DFL) para mejorar la compatibilidad con dispositivos de borde e introduce el revolucionario optimizador MuSGD. Inspirado en el entrenamiento de modelos de lenguaje grandes (en concreto, en Kimi K2 de Moonshot AI), este optimizador híbrido garantiza una estabilidad de entrenamiento sin precedentes y una convergencia más rápida.

Junto con ProgLoss y STAL (pérdida progresiva y asignación de etiquetas consciente de los objetos pequeños), que ofrecen un reconocimiento excepcional de objetos pequeños, YOLO26 proporciona una inferencia en CPU hasta un 43 % más rápida, lo que consolida su posición como el modelo definitivo para las implementaciones modernas de IA.