YOLOv9 frente a RTDETRv2#

El panorama de la detección de objetos en tiempo real ha cambiado considerablemente en los últimos años. Dos enfoques arquitectónicos distintos lideran ahora el campo: las redes neuronales convolucionales (CNN) eficientes y los Transformer de detección en tiempo real (DETR). YOLOv9 y RTDETRv2 son ejemplos destacados de estos dos enfoques.

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

Resumen ejecutivo#

Ambos modelos ofrecen buenos resultados, pero se adaptan a distintas limitaciones de despliegue y ecosistemas de desarrollo.

• Elige YOLOv9 si: Necesitas un uso eficiente de los parámetros y una inferencia rápida en dispositivos periféricos. YOLOv9 se centra en la eficiencia de parámetros de las CNN, por lo que es idóneo en entornos donde los recursos computacionales son muy limitados.
• Elige RTDETRv2 si: Necesitas el modelado del contexto global que ofrecen los Transformer, especialmente en escenas con oclusiones graves o relaciones complejas entre objetos, y dispones del hardware necesario para ejecutar una arquitectura algo más pesada.
• Elige YOLO26 (recomendado) si: Quieres inferencia sin NMS con la eficiencia de las CNN. Como la generación más reciente disponible en Ultralytics Platform, YOLO26 incorpora un diseño de extremo a extremo sin NMS opcional (nms=False, similar al de los modelos DETR), que elimina los cuellos de botella del posprocesamiento; además, YOLO26n ofrece una inferencia en CPU hasta un 43 % más rápida que YOLO11n.

Especificaciones técnicas y autoría#

Comprender los orígenes y el propósito de diseño de estos modelos ayuda a contextualizar 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 principales 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 ayuda a generar gradientes fiables para actualizar los pesos de la red y preservar información crucial de las características incluso en capas muy profundas.
2. Red generalizada de agregación eficiente de capas (GELAN): Una arquitectura 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#

Basado en el RT-DETR original, RTDETRv2 utiliza una arquitectura basada en Transformer que evita de forma inherente la necesidad de supresión no máxima (NMS). Entre sus mejoras se incluyen:

1. Estrategia Bag-of-Freebies: La versión v2 incorpora técnicas de entrenamiento y aumentos de datos adicionales que mejoran la precisión sin añadir latencia de inferencia.
2. Codificador híbrido eficiente: Al procesar características multiescala mediante un mecanismo de atención desacoplado intraescala e interescala, RTDETRv2 gestiona el elevado coste computacional tradicional de los Transformers de visión.

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 ofrece una clara ventaja en eficiencia de parámetros. El modelo YOLOv9c alcanza 53,0 mAP con solo 25,5 M de parámetros.

Por el contrario, RTDETRv2 compite con fuerza en las categorías de modelos medianos y grandes, y RTDETRv2-s es más preciso que YOLOv9s. Sin embargo, esto implica un mayor número de parámetros y más FLOPs, algo habitual en los modelos Transformer. Esta diferencia arquitectónica también afecta al uso de memoria: los modelos YOLO suelen necesitar mucha menos memoria CUDA durante el entrenamiento y la inferencia que sus equivalentes Transformer.

La ventaja de Ultralytics: ecosistema y versatilidad#

Aunque las métricas puramente arquitectónicas son importantes, a menudo el ecosistema de software determina el éxito de un proyecto de IA. Acceder a estos modelos a través de la API de Python de Ultralytics ofrece ventajas prácticas.

Entrenamiento e implementación simplificados#

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

# Exporta modelos a OpenVINO o TensorRT
model_yolo.export(format="openvino")

Versatilidad en las tareas#

Una limitación importante de los modelos especializados como RTDETRv2 es que se centran exclusivamente en la detección de cajas delimitadoras. En cambio, el ecosistema más amplio de Ultralytics, que incluye modelos como YOLO11 y YOLOv8, admite una amplia variedad de tareas de visión artificial. Entre ellas se incluyen la segmentación de instancias a nivel de píxel, la clasificación de imágenes completas, la estimación de pose del esqueleto y la detección de cajas delimitadoras orientadas (OBB) en imágenes aéreas.

Aplicaciones en el mundo real#

Análisis de alta velocidad en el borde#

Para entornos comerciales o líneas de fabricación que requieren reconocimiento de productos en tiempo real en dispositivos edge, YOLOv9 es la mejor opción. Su arquitectura GELAN ofrece 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 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.

El futuro: llega YOLO26#

Aunque YOLOv9 y RTDETRv2 son logros importantes, el campo de la visión artificial avanza rápidamente. Para nuevos proyectos, el modelo recomendado es YOLO26.

Lanzado en enero de 2026, YOLO26 combina la eficiencia de las CNN con la inferencia de extremo a extremo al estilo DETR. Incorpora un diseño de extremo a extremo sin NMS opcional (nms=False) que elimina el posprocesamiento con NMS, un enfoque que YOLOv10 introdujo en los modelos YOLO. YOLO26 también elimina la pérdida focal de distribución (DFL) para mejorar la compatibilidad con dispositivos de borde e incorpora el optimizador MuSGD. Esta combinación de SGD y Muon, inspirada en el entrenamiento de modelos de lenguaje de gran tamaño (en concreto, Kimi K2 de Moonshot AI), mejora la estabilidad del entrenamiento y la velocidad de convergencia.

Junto con ProgLoss y STAL (pérdida progresiva y asignación de etiquetas con conocimiento de objetivos pequeños), que mejoran la detección de objetos pequeños, estos cambios convierten a YOLO26 en una opción sólida para los despliegues de IA modernos: YOLO26n funciona hasta un 43 % más rápido en CPU que YOLO11n.