YOLOX frente a RTDETRv2
Elegir la arquitectura óptima para aplicaciones de visión artificial requiere equilibrar cuidadosamente la precisión, la velocidad de inferencia y la viabilidad de implementación. Este análisis técnico explora las diferencias clave entre YOLOX, una arquitectura CNN sin anclajes muy utilizada, y RTDETRv2, un Transformer de detección en tiempo real.
Aunque ambos modelos han contribuido significativamente al campo de la detección de objetos, los desarrolladores que crean aplicaciones listas para producción suelen comprobar que alternativas más recientes, como Ultralytics YOLO26, ofrecen mayor eficiencia de entrenamiento, menores requisitos de memoria y un ecosistema de implementación más maduro.
YOLOX: cerrar la brecha entre la investigación y la industria#
YOLOX surgió como una popular adaptación de la serie YOLO sin anclajes e introdujo un diseño simplificado que, en el momento de su lanzamiento, ofrecía mejoras de rendimiento notables.
- 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 llevó la familia YOLO al paradigma sin anclajes e integró una cabeza desacoplada y la estrategia de asignación de etiquetas SimOTA. Al eliminar las cajas de anclaje, la arquitectura redujo significativamente el número de parámetros de diseño y mejoró la generalización en diversos conjuntos de datos de referencia. Sus versiones ligeras, YOLOX-Nano y YOLOX-Tiny, se hicieron populares para implementar aplicaciones de IA visual en dispositivos edge.
Aunque YOLOX aportó avances notables, su dependencia del posprocesamiento tradicional de supresión no máxima (NMS) puede provocar una latencia mayor que la de los modelos nativamente de extremo a extremo.
RTDETRv2: avances en los Transformers de visión en tiempo real#
A partir de su predecesor, RT-DETR, RTDETRv2 utiliza Vision Transformers (ViT) para lograr una precisión competitiva y mantener velocidades de inferencia en tiempo real.
- Autores: Wenyu Lv, Yian Zhao, Qinyao Chang, Kui Huang, Guanzhong Wang y Yi Liu
- Organización: Baidu
- Fecha: 2024-07-24
- Enlaces: arXiv, GitHub
Innovaciones arquitectónicas#
RTDETRv2 replantea el pipeline de detección con una arquitectura basada en Transformer que evita NMS de forma nativa. Lo consigue mediante un codificador híbrido y una selección de consultas consciente de IoU, que mejora la inicialización de las consultas de objetos. El modelo gestiona eficazmente las características multiescala y puede captar detalles complejos en entornos difíciles, como la detección de tráfico en vídeo nocturno.
Sin embargo, los Transformer consumen muchos recursos. Entrenar RTDETRv2 suele exigir mucha más memoria GPU y capacidad de cálculo que las alternativas basadas en CNN, lo que puede suponer un obstáculo para los equipos con presupuestos muy ajustados o que necesitan ajustar modelos con frecuencia.
Más información sobre RTDETRv2
Tabla comparativa del rendimiento#
Para evaluar objetivamente estas arquitecturas, analizamos su rendimiento en el conjunto de datos COCO. La tabla siguiente muestra el equilibrio entre precisión (mAP), número de parámetros y complejidad computacional.
| Modelo | tamaño (píxeles) | mAPval50-95 | Velocidad CPU ONNX (ms) | Velocidad T4 TensorRT10 (ms) | parámetros (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOXnano | 416 | 25.8 | - | - | 0.91 | 1.08 |
| YOLOXtiny | 416 | 32.8 | - | - | 5.06 | 6.45 |
| YOLOXs | 640 | 40.5 | - | 2.56 | 9.0 | 26.8 |
| YOLOXm | 640 | 46.9 | - | 5.43 | 25.3 | 73.8 |
| YOLOXl | 640 | 49.7 | - | 9.04 | 54.2 | 155.6 |
| YOLOXx | 640 | 51.1 | - | 16.1 | 99.1 | 281.9 |
| RTDETRv2-s | 640 | 48.1 | - | 5.03 | 20 | 60 |
| RTDETRv2-m | 640 | 51.9 | - | 7.51 | 36 | 100 |
| RTDETRv2-l | 640 | 53.4 | - | 9.76 | 42 | 136 |
| RTDETRv2-x | 640 | 54.3 | - | 15.03 | 76 | 259 |
RTDETRv2 alcanza mayor precisión con una latencia similar (por ejemplo, 54,3 mAP a 15,03 ms para RTDETRv2-x frente a 51,1 mAP a 16,1 ms para YOLOXx), mientras que YOLOX mantiene una ventaja en perfiles con pocos parámetros, especialmente 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 implementación y tus preferencias de ecosistema.
Cuándo elegir YOLOX#
YOLOX es una buena opción para:
- Investigación sobre detección sin anclajes: Investigación académica que utiliza la arquitectura limpia y sin anclajes 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 heredado, donde el tamaño extremadamente reducido de la variante YOLOX-Nano (0,91 M de parámetros) es fundamental.
- Estudios de asignación de etiquetas SimOTA: Proyectos de investigación que analizan estrategias de asignación de etiquetas basadas en el transporte óptimo y su impacto en la convergencia del entrenamiento.
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.
La ventaja de Ultralytics: YOLO26#
Aunque YOLOX y RTDETRv2 tienen fortalezas distintas, Ultralytics YOLO26, lanzado en enero de 2026, aborda muchas de las concesiones históricas entre velocidad, precisión y facilidad de implementación.
1. Arquitectura de extremo a extremo sin NMS#
Inspirado en modelos Transformer, pero sin renunciar a la eficiencia de las CNN, YOLO26 incorpora un diseño opcional de extremo a extremo sin NMS (nms=False). Al eliminar la supresión no máxima como etapa de posprocesamiento, YOLO26 simplifica los pipelines de implementación y garantiza una latencia de inferencia uniforme en distintos dispositivos edge, sin la carga de ajustar umbrales complejos.
2. Inferencia en CPU hasta un 43 % más rápida#
A diferencia de arquitecturas Transformer como RTDETRv2, que suelen depender de GPU, YOLO26 está optimizado para entornos de computación edge. Al eliminar Distribution Focal Loss (DFL), YOLO26 simplifica la exportación de modelos, y YOLO26n logra una inferencia en CPU hasta un 43 % más rápida que YOLO11n, lo que lo convierte en una opción sólida para integrarlo en hardware como Raspberry Pi o en dispositivos móviles estándar.
3. Eficiencia de entrenamiento con MuSGD#
El entrenamiento de modelos Transformer suele provocar un consumo excesivo de memoria CUDA y alargar los tiempos de entrenamiento. YOLO26 incorpora el optimizador MuSGD, una combinación de Stochastic Gradient Descent y el optimizador Muon, inspirado en los LLM, para ofrecer un entrenamiento estable y una convergencia más rápida. Junto con su arquitectura CNN, esto reduce los requisitos de hardware de entrenamiento frente a RTDETRv2.
4. Ecosistema y versatilidad#
El ecosistema Ultralytics ofrece una experiencia de desarrollo intuitiva y optimizada. Con documentación amplia, una comunidad activa y la plataforma Ultralytics, basada en la nube, gestionar todo el ciclo de vida de la IA es sencillo. YOLO26 también es versátil: mientras que RTDETRv2 se centra en la detección de objetos, YOLO26 admite de forma nativa tareas de segmentación de instancias, clasificación de imágenes, estimación de pose y cajas delimitadoras orientadas (OBB). Gracias a ProgLoss + STAL (pérdida progresiva y asignación de etiquetas con atención a objetos pequeños), YOLO26 también mejora la detección de objetos pequeños, una característica fundamental para las imágenes aéreas y la detección de defectos industriales.
Integración con Ultralytics#
Implementar modelos no debería obligarte a lidiar con bases de código complejas y fragmentadas. La API de Python de Ultralytics te permite cargar, entrenar y exportar modelos de última generación con solo unas pocas líneas de código.
from ultralytics import YOLO
# Cargar el último modelo YOLO26 nano para obtener un rendimiento óptimo en dispositivos periféricos
model = YOLO("yolo26n.pt")
# Entrenar el modelo con tu conjunto de datos personalizado y un consumo mínimo de memoria
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Valida el rendimiento del modelo
metrics = model.val()
# Exporta a ONNX o TensorRT para la implementación
model.export(format="onnx")Al utilizar Ultralytics, evitas las complicadas configuraciones de entorno que suelen asociarse a los repositorios de investigación y aceleras la llegada de tu producto al mercado.
Conclusión#
YOLOX y RTDETRv2 son hitos importantes en la evolución de la detección de objetos en tiempo real. YOLOX demostró la viabilidad de las CNN eficientes sin anclajes, mientras que RTDETRv2 adaptó con éxito los Transformer a las limitaciones del tiempo real.
Sin embargo, para aplicaciones modernas que van desde el análisis inteligente del comercio minorista hasta la robótica integrada, la opción recomendada es Ultralytics YOLO26. Al combinar inferencia sin NMS con alta velocidad en CPU, una menor huella de memoria y la compatibilidad con la plataforma Ultralytics, YOLO26 ayuda a los desarrolladores a crear sistemas de visión artificial fiables y de alto rendimiento.
Comentarios
Haz una pregunta, comparte tus resultados o ayuda a otra persona.