YOLOX frente a RTDETRv2: Evaluando la evolución de los modelos de detección de objetos en tiempo real

Elegir la arquitectura óptima para aplicaciones de visión artificial requiere un equilibrio cuidadoso entre precisión, velocidad de inferencia y viabilidad de despliegue. En este exhaustivo análisis técnico, exploramos las diferencias fundamentales entre YOLOX, una exitosa arquitectura CNN sin anclas (anchor-free), y RTDETRv2, un transformador de detección en tiempo real de última generación.

Aunque ambos modelos han realizado contribuciones significativas al campo de la detección de objetos, los desarrolladores que crean aplicaciones listas para producción suelen descubrir que alternativas modernas como Ultralytics YOLO26 ofrecen una mayor eficiencia de entrenamiento, menores requisitos de memoria y un ecosistema de despliegue más robusto.

YOLOX: Cerrando la brecha entre la investigación y la industria

YOLOX surgió como una adaptación sin anclas muy popular de la serie YOLO, introduciendo un diseño simplificado que proporcionó mejoras de rendimiento impresionantes en el momento de su lanzamiento.

• Autores: Zheng Ge, Songtao Liu, Feng Wang, Zeming Li y Jian Sun
• Organización: Megvii
• Fecha: 18 de julio de 2021
• Enlaces: Arxiv, GitHub, Documentación

Innovaciones arquitectónicas

YOLOX hizo la transición de la familia YOLO a un paradigma sin anclas, integrando una cabecera desacoplada y la avanzada estrategia de asignación de etiquetas SimOTA. Al eliminar las cajas de anclaje (anchor boxes), la arquitectura redujo significativamente el número de parámetros de diseño y mejoró la generalización a través de diversos conjuntos de datos de referencia. Sus versiones ligeras, YOLOX-Nano y YOLOX-Tiny, se convirtieron en opciones populares para desplegar aplicaciones de visión artificial en dispositivos de borde (edge devices).

Aprende más sobre YOLOX

RTDETRv2: Avanzando en los transformadores de visión en tiempo real

Basándose en los fundamentos de su predecesor, RTDETRv2 aprovecha el poder de los Vision Transformers (ViTs) para alcanzar una precisión altamente competitiva sin sacrificar las velocidades de inferencia en tiempo real.

• Autores: Wenyu Lv, Yian Zhao, Qinyao Chang, Kui Huang, Guanzhong Wang y Yi Liu
• Organización: Baidu
• Fecha: 24-07-2024
• Enlaces: Arxiv, GitHub

Innovaciones arquitectónicas

RTDETRv2 reimagina fundamentalmente el proceso de detección mediante el uso de una arquitectura basada en transformadores que evita nativamente la supresión no máxima (NMS). Esto se logra a través de un codificador híbrido y una selección de consultas (queries) consciente del IoU, lo que mejora la inicialización de las consultas de objetos. El modelo maneja eficazmente características multiescala, lo que le permite capturar detalles complejos en entornos complicados, como la detección de tráfico en video durante la noche.

Sin embargo, los transformadores consumen muchos recursos por naturaleza. Entrenar RTDETRv2 suele exigir mucha más memoria de GPU y ciclos de computación que las alternativas basadas en CNN, lo que puede ser un obstáculo para equipos que operan con restricciones presupuestarias estrictas o aquellos que requieren un ajuste de hiperparámetros frecuente.

Más información sobre RTDETR

Tabla de comparación de rendimiento

Para evaluar objetivamente estas arquitecturas, examinamos su rendimiento en el conjunto de datos COCO. La tabla a continuación ilustra las compensaciones entre precisión (mAP), recuento de parámetros y complejidad computacional.

Aunque RTDETRv2 logra una precisión impresionante, YOLOX mantiene una ventaja en perfiles de parámetros ligeros, particularmente con sus variantes Nano y Tiny.

Casos de uso y recomendaciones

La elección entre YOLOX y RT-DETR depende de los requisitos específicos de tu proyecto, las limitaciones de despliegue y las preferencias de ecosistema.

Cuándo elegir YOLOX

YOLOX es una opción sólida para:

• Investigación de detección sin anclas: Investigación académica que utiliza la arquitectura limpia y sin anclas de YOLOX como base para experimentar con nuevos cabezales de detección o funciones de pérdida.
• Dispositivos de borde ultraligeros: Implementación en microcontroladores o hardware móvil antiguo donde la huella extremadamente pequeña de la variante YOLOX-Nano (0.91M parámetros) es fundamental.
• Estudios de asignación de etiquetas SimOTA: Proyectos de investigación que investigan estrategias de asignación de etiquetas basadas en transporte óptimo y su impacto en la convergencia del entrenamiento.

Cuándo elegir RT-DETR

RT-DETR se recomienda para:

• Investigación en detección basada en Transformer: Proyectos que exploran mecanismos de atención y arquitecturas Transformer para la detección de objetos de extremo a extremo sin NMS.
• Escenarios de alta precisión con latencia flexible: Aplicaciones donde la precisión de detección es la máxima prioridad y se puede aceptar una latencia de inferencia ligeramente superior.
• Detección de objetos grandes: Escenas con objetos principalmente medianos y grandes donde el mecanismo de atención global de los Transformers proporciona 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 el desarrollador:

• Despliegue en borde sin NMS: Aplicaciones que requieren una inferencia consistente y de baja latencia sin la complejidad del posprocesamiento de la supresión de no máximos.
• Entornos solo de CPU: Dispositivos sin aceleración de GPU dedicada, donde la inferencia en CPU hasta un 43% más rápida de YOLO26 proporciona una ventaja decisiva.
• Detección de objetos pequeños: Escenarios desafiantes como imágenes de drones aéreos o análisis de sensores IoT donde ProgLoss y STAL aumentan significativamente la precisión en objetos diminutos.

La ventaja de Ultralytics: YOLO26

Aunque tanto YOLOX como RTDETRv2 ofrecen puntos fuertes distintos, el recién lanzado Ultralytics YOLO26 redefine el estado del arte en visión artificial, resolviendo las compensaciones históricas entre velocidad, precisión y facilidad de despliegue.

Arquitectura end-to-end sin NMS

Inspirándose en modelos de transformadores pero conservando la eficiencia de las CNN, YOLO26 presenta un diseño nativo end-to-end sin NMS. Al eliminar la supresión no máxima (Non-Maximum Suppression) como paso de posprocesamiento, YOLO26 simplifica drásticamente las tuberías de despliegue, garantizando una latencia de inferencia constante en varios dispositivos de borde sin la sobrecarga de un ajuste complejo de umbrales.

Hasta un 43% más rápido en inferencia de CPU

A diferencia de arquitecturas de transformadores como RTDETRv2 que dependen en gran medida de GPUs de gama alta, YOLO26 está específicamente optimizado para entornos de computación de borde (edge computing). Mediante la eliminación de la pérdida focal de distribución (DFL), YOLO26 agiliza la exportación de modelos y alcanza hasta un 43% más de velocidad en la inferencia de CPU, convirtiéndolo en la opción ideal para la integración en hardware como la Raspberry Pi o dispositivos móviles estándar.

Eficiencia de entrenamiento con MuSGD

Entrenar modelos de transformadores a menudo conlleva un consumo excesivo de memoria CUDA y tiempos de entrenamiento prolongados. YOLO26 introduce el novedoso Optimizador MuSGD, un híbrido de descenso de gradiente estocástico y el optimizador Muon inspirado en LLM. Esta innovación ofrece un entrenamiento excepcionalmente estable y una convergencia más rápida, reduciendo significativamente los requisitos de hardware en comparación con RTDETRv2.

Ecosistema y versatilidad inigualables

El ecosistema Ultralytics proporciona una experiencia de desarrollador intuitiva y optimizada. Con una documentación extensa, soporte activo de la comunidad y la Plataforma Ultralytics basada en la nube, gestionar el ciclo de vida completo de la IA nunca ha sido tan fácil. Además, YOLO26 es muy versátil. Mientras que RTDETRv2 se centra en la detección de objetos, YOLO26 admite nativamente segmentación de instancias, estimación de poses, clasificación de imágenes y tareas de cajas delimitadoras orientadas (OBB). Mejorado por las nuevas funciones de pérdida ProgLoss + STAL, YOLO26 también destaca en el reconocimiento de objetos pequeños, una característica crítica para imágenes aéreas y detección de defectos industriales.

Integración perfecta con Ultralytics

El despliegue de modelos no debería requerir lidiar con bases de código complejas y fragmentadas. La API de Python de Ultralytics te permite cargar, entrenar y exportar modelos de vanguardia en solo unas pocas líneas de código.

from ultralytics import YOLO

# Load the latest YOLO26 nano model for optimal edge performance
model = YOLO("yolo26n.pt")

# Train the model on your custom dataset with minimal memory overhead
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Validate the model's performance
metrics = model.val()

# Export seamlessly to ONNX or TensorRT for deployment
model.export(format="onnx", optimize=True)

Al aprovechar Ultralytics, evitas las complicadas configuraciones de entorno generalmente asociadas con los repositorios de investigación, acelerando tu tiempo de comercialización.

Conclusión

YOLOX y RTDETRv2 representan hitos importantes en la progresión de la detección de objetos en tiempo real. YOLOX demostró la viabilidad de las CNN sin anclas altamente eficientes, mientras que RTDETRv2 adaptó con éxito los transformadores a las restricciones de tiempo real.

Sin embargo, para las aplicaciones modernas que van desde análisis de comercio minorista inteligente hasta la robótica embebida, Ultralytics YOLO26 ofrece la solución definitiva. Al fusionar la inferencia sin NMS con velocidades de CPU inigualables, huellas de memoria reducidas y el sólido respaldo de la Plataforma Ultralytics, YOLO26 equipa a los desarrolladores para construir la próxima generación de sistemas de visión artificial fiables y de alto rendimiento.