YOLO Vision 2026:

Comparaciones de modelos#

Elegir la arquitectura de red neuronal adecuada es la piedra angular de cualquier proyecto de éxito de visión por ordenador. ¡Te damos la bienvenida al centro de comparación de modelos de Ultralytics! Esta página centraliza análisis técnicos detallados y comparativas de rendimiento, y examina las ventajas y desventajas entre las arquitecturas más recientes de Ultralytics YOLO26 y otras arquitecturas líderes como YOLO11, YOLOv10, RT-DETR y EfficientDet.

Tanto si tu aplicación necesita la latencia de milisegundos de la IA en el extremo como la precisión de alta fidelidad necesaria para la obtención de imágenes médicas, esta guía proporciona los datos necesarios para tomar una decisión informada. Evaluamos los modelos en función de la precisión media promedio (mAP), la velocidad de inferencia, la eficiencia de los parámetros y la facilidad de implementación.

Comparativas de rendimiento interactivas#

Visualizar la relación entre velocidad y precisión es esencial para identificar la «frontera de Pareto» de la detección de objetos: modelos que ofrecen la mejor precisión para una restricción de velocidad determinada. El gráfico siguiente contrasta métricas clave en conjuntos de datos estándar como COCO.

Este gráfico visualiza las métricas de rendimiento clave, lo que te permite evaluar rápidamente las ventajas y desventajas entre distintos modelos. Comprender estas métricas es fundamental para seleccionar un modelo que se ajuste a tus restricciones específicas de implementación.

Guía rápida para tomar decisiones#

¿No sabes por dónde empezar? Usa este árbol de decisión para acotar la arquitectura que mejor se adapte a tus requisitos de hardware y rendimiento.

graph TD
    A[Start: Define Project Needs]:::start --> B{Deployment Hardware?}:::decide
    B -- "Edge / Mobile (CPU/NPU)" --> C{Latency Priority?}:::decide
    B -- "Cloud / GPU" --> D{Accuracy vs Speed?}:::decide

    C -- "Extreme Speed (Real-time)" --> E[YOLO26n / YOLO26s]:::out
    C -- "Balanced Legacy" --> F[YOLO11s / YOLOv8s]:::out

    D -- "Max Accuracy (SOTA)" --> G[YOLO26x / YOLO26l]:::out
    D -- "Balanced Performance" --> H[YOLO26m / YOLO11m]:::out

    A --> I{Specialized Features?}:::decide
    I -- "NMS-Free Inference" --> J[YOLO26 / YOLOv10]:::out
    I -- "Multitask (Seg/Pose/OBB)" --> K[YOLO26 / YOLO11]:::out
    I -- "Video Analytics" --> L[YOLO26 + Tracking]:::out

    classDef start fill:#4CAF50,color:#fff
    classDef decide fill:#FF9800,color:#fff
    classDef out fill:#9C27B0,color:#fff

El panorama actual: YOLO26 y más allá#

El campo de la detección de objetos evoluciona rápidamente. Aunque los modelos antiguos siguen siendo relevantes para la compatibilidad con sistemas heredados, las nuevas arquitecturas amplían los límites de lo posible.

Ultralytics YOLO26#

Lanzado en enero de 2026, YOLO26 es el modelo de última generación más reciente y el punto de partida recomendado para todos los proyectos nuevos. Introduce innovaciones arquitectónicas revolucionarias, incluido un diseño integral sin NMS que elimina la necesidad del posprocesamiento de supresión no máxima, lo que da lugar a tiempos de inferencia más rápidos y predecibles. YOLO26 es hasta un 43 % más rápido en CPU que las generaciones anteriores, por lo que resulta ideal para la implementación en el extremo.

Entre sus innovaciones clave se incluyen:

  • Integral sin NMS: implementación simplificada sin necesidad de posprocesamiento
  • Eliminación de DFL: exportaciones optimizadas a ONNX, TensorRT y CoreML
  • Optimizador MuSGD: optimizador híbrido SGD/Muon inspirado en el entrenamiento de LLM para lograr una convergencia estable
  • ProgLoss + STAL: mejora del rendimiento en la detección de objetos pequeños
¿Por qué elegir YOLO26?

YOLO26 representa la cumbre de la ingeniería de Ultralytics, ya que combina lo mejor de la eficiencia de las CNN con capacidades integrales similares a las de los Transformer. Admite todas las tareas —detección, segmentación, estimación de pose, clasificación y OBB— y es más pequeño, rápido y fácil de implementar que nunca.

Ultralytics YOLO11#

YOLO11 sigue siendo un modelo muy capaz: ofrece una reducción del 22 % en el número de parámetros con respecto a YOLOv8 y mejora al mismo tiempo la precisión de detección. Cuenta con compatibilidad total y se recomienda a los usuarios que necesitan una estabilidad demostrada o que ya disponen de canalizaciones de YOLO11.

Modelos de la comunidad: una nota sobre YOLO12 y YOLO13#

Es posible que encuentres referencias a YOLO12 o YOLO13 en debates o repositorios de la comunidad.

Precaución para producción

Actualmente no recomendamos YOLO12 ni YOLO13 para su uso en producción.

  • YOLO12: Utiliza capas de atención que suelen provocar inestabilidad durante el entrenamiento, un consumo excesivo de memoria y velocidades de inferencia en CPU considerablemente más lentas.
  • YOLO13: Las comparativas indican mejoras de precisión solo marginales con respecto a YOLO11, además de un mayor tamaño y menor velocidad. Los resultados publicados han mostrado problemas de reproducibilidad.


Watch: YOLO Models Comparison: Ultralytics YOLO11 vs. YOLOv10 vs. YOLOv9 vs. Ultralytics YOLOv8

Comparaciones detalladas de modelos#

Explora nuestras comparaciones técnicas exhaustivas para comprender diferencias arquitectónicas específicas, como la selección del backbone, el diseño de la cabeza y las funciones de pérdida. Las hemos organizado por modelo para facilitar el acceso:

YOLO26 frente a#

YOLO26 es el modelo más reciente de Ultralytics e incorpora detección integral sin NMS, el optimizador MuSGD y una inferencia en CPU hasta un 43 % más rápida. Está optimizado para la implementación en el extremo y ofrece una precisión de última generación.

YOLO11 frente a#

YOLO11 se basa en el éxito de sus predecesores mediante investigación de vanguardia. Incorpora una arquitectura mejorada de backbone y neck para extraer mejor las características y optimizar la eficiencia.

YOLOv10 frente a#

Desarrollado por la Universidad de Tsinghua, YOLOv10 se centra en eliminar el paso de supresión no máxima (NMS) para reducir la variabilidad de la latencia, y ofrece un rendimiento de última generación con una menor carga computacional.

YOLOv9 frente a#

YOLOv9 introduce la Información de Gradiente Programable (PGI) y la Red de Agregación de Capas Eficiente Generalizada (GELAN) para abordar la pérdida de información en las redes neuronales profundas.

YOLOv8 frente a#

Ultralytics YOLOv8 sigue siendo una opción muy popular, con arquitecturas avanzadas de backbone y neck, así como una cabeza dividida sin anchors para lograr un equilibrio óptimo entre precisión y velocidad.

YOLOv7 frente a#

YOLOv7 introdujo el «trainable bag-of-freebies» y la reparametrización del modelo, centrándose en optimizar el proceso de entrenamiento sin aumentar los costes de inferencia.

YOLOv6 frente a#

El YOLOv6 de Meituan está diseñado para aplicaciones industriales e incorpora módulos de concatenación bidireccional (BiC) y estrategias de entrenamiento asistidas por anclas.

YOLOv5 frente a#

Ultralytics YOLOv5 es conocido por su facilidad de uso, estabilidad y velocidad. Sigue siendo una opción sólida para proyectos que requieren una amplia compatibilidad con dispositivos.

RT-DETR frente a#

RT-DETR (Transformer de detección en tiempo real) aprovecha los vision transformers para lograr una alta precisión con rendimiento en tiempo real, y destaca por su comprensión del contexto global.

PP-YOLOE+ frente a#

PP-YOLOE+, desarrollado por Baidu, utiliza el aprendizaje de alineación de tareas (TAL) y una cabeza desacoplada para equilibrar la eficiencia y la precisión.

DAMO-YOLO frente a#

DAMO-YOLO, desarrollado por Alibaba Group, emplea la búsqueda de arquitectura neuronal (NAS) y RepGFPN eficiente para maximizar la precisión en benchmarks estáticos.

YOLOX frente a#

YOLOX, desarrollado por Megvii, es una evolución sin anclas conocida por su cabeza desacoplada y su estrategia de asignación de etiquetas SimOTA.

EfficientDet frente a#

EfficientDet, de Google Brain, utiliza el escalado compuesto y BiFPN para optimizar la eficiencia de los parámetros, y ofrece un abanico de modelos (D0-D7) para distintas restricciones.

Este índice se actualiza continuamente a medida que se publican nuevos modelos y se perfeccionan los benchmarks. Te animamos a explorar estos recursos para encontrar la opción perfecta para tu próximo proyecto de visión por ordenador. Si buscas soluciones de nivel empresarial con licencias privadas, visita nuestra página de licencias. ¡Que disfrutes comparando!

Colaboradores
GLglenn-jocher15PDpderrenger1RIRizwanMunawar1

Comentarios