Ultralytics YOLO27:
Get Started

Comparativas de modelos#

Elegir la arquitectura de red neuronal adecuada es la piedra angular de cualquier proyecto exitoso de visión artificial. ¡Te damos la bienvenida al Centro de comparativas de modelos de Ultralytics! Esta página reúne análisis técnicos detallados y evaluaciones comparativas del rendimiento, y examina las ventajas e inconvenientes de la más reciente Ultralytics YOLO26 frente a otras arquitecturas destacadas, como YOLO11, YOLOv10, RT-DETR y EfficientDet.

Tanto si tu aplicación necesita la latencia de milisegundos de la IA en el borde como la precisión de alta fidelidad necesaria para el diagnóstico por imagen, esta guía proporciona los datos y análisis que necesitas para tomar una decisión informada. Evaluamos los modelos en función de la precisión media (mAP), la velocidad de inferencia, la eficiencia en el uso de parámetros y la facilidad de implementación.

Evaluaciones interactivas del rendimiento#

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

Este gráfico muestra las métricas de rendimiento clave para que puedas evaluar rápidamente las ventajas e inconvenientes de los distintos modelos. Comprender estas métricas es fundamental para elegir un modelo que se ajuste a tus requisitos específicos de implementación.

Guía rápida para tomar una decisión#

¿No sabes por dónde empezar? Usa este árbol de decisión para acotar las arquitecturas que mejor se ajustan a tu hardware y a tus requisitos de rendimiento.

Panorama actual: YOLO26 y más allá#

El campo de la detección de objetos evoluciona rápidamente. Aunque los modelos anteriores siguen siendo relevantes para mantener 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 más avanzado hasta la fecha y el punto de partida recomendado para todos los proyectos nuevos. Incorpora innovaciones arquitectónicas revolucionarias, como un diseño opcional de extremo a extremo sin NMS (nms=False), que elimina la necesidad del posprocesamiento de supresión no máxima y 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 es ideal para el despliegue en el borde.

Principales innovaciones:

  • Extremo a extremo sin NMS: Despliegue simplificado sin necesidad de posprocesamiento con NMS (nms=False)
  • Eliminación de DFL: Exportaciones simplificadas 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 cúspide de la ingeniería de Ultralytics y combina lo mejor de la eficiencia de las CNN con capacidades de extremo a extremo similares a las de los Transformer. Admite todas las tareas —detección, segmentación de instancias y semántica, estimación de profundidad, clasificación, estimación de pose y OBB— y es más pequeño, rápido y fácil de desplegar que nunca.

Ultralytics YOLO11#

YOLO11 sigue siendo un modelo muy capaz: YOLO11m utiliza un 22 % menos de parámetros que YOLOv8m y, al mismo tiempo, logra una mayor precisión de detección. Cuenta con soporte completo y se recomienda a quienes necesitan una estabilidad demostrada o ya tienen flujos de trabajo con YOLO11.

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

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

Precaución para producción

Actualmente, no recomendamos utilizar YOLO12 ni YOLO13 en producción.

  • YOLO12: Utiliza capas de atención que suelen provocar inestabilidad durante el entrenamiento, un consumo excesivo de memoria y una inferencia en CPU considerablemente más lenta.
  • YOLO13: Las evaluaciones comparativas indican que apenas mejora la precisión con respecto a YOLO11, pese a ser más grande y lento. Los resultados publicados han mostrado problemas de reproducibilidad.


Ver: Comparativa de modelos YOLO: Ultralytics YOLO11 frente a YOLOv10, YOLOv9 y Ultralytics YOLOv8

Comparativas detalladas de modelos#

Explora nuestras comparativas técnicas en profundidad para comprender diferencias arquitectónicas concretas, como la selección del backbone, el diseño de la cabeza y las funciones de pérdida. Las hemos organizado por modelo para que accedas fácilmente a ellas:

YOLO26 frente a#

YOLO26 es el modelo más reciente de Ultralytics e incorpora detección de extremo a extremo sin NMS, el optimizador MuSGD y una inferencia en CPU hasta un 43 % más rápida. Está optimizado para el despliegue en el borde y ofrece una precisión de vanguardia.

YOLO11 frente a#

YOLO11 se basa en los éxitos de sus predecesores y en la investigación más avanzada. Cuenta con 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 ofrecer un rendimiento de vanguardia con menos carga computacional.

YOLOv9 frente a#

YOLOv9 incorpora información de gradiente programable (PGI) y la red generalizada eficiente de agregación de capas (GELAN) para abordar la pérdida de información en las redes neuronales profundas.

YOLOv8 frente a#

Ultralytics YOLOv8 sigue siendo una opción muy popular. Cuenta con arquitecturas avanzadas de backbone y neck, además de una cabeza dividida sin anclajes que ofrece un equilibrio óptimo entre precisión y velocidad.

YOLOv7 frente a#

YOLOv7 introdujo las «ventajas gratuitas entrenables» y la reparametrización del modelo, con el objetivo de optimizar el proceso de entrenamiento sin aumentar los costes de inferencia.

YOLOv6 frente a#

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

YOLOv5 frente a#

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

RT-DETR frente a#

RT-DETR (transformador de detección en tiempo real) aprovecha los transformers de visión para lograr una gran precisión con rendimiento en tiempo real y destaca por su capacidad para comprender el 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, de Alibaba Group, emplea la búsqueda de arquitectura neuronal (NAS) y RepGFPN eficiente para maximizar la precisión en pruebas de referencia estáticas.

YOLOX frente a#

YOLOX, desarrollado por Megvii, es una evolución sin anchors 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 una gama de modelos (D0-D7) para distintas limitaciones.

Este índice se actualiza continuamente a medida que se publican nuevos modelos y se perfeccionan las evaluaciones comparativas. Te animamos a explorar estos recursos para encontrar el modelo ideal para tu próximo proyecto de visión artificial. Si buscas soluciones de nivel empresarial con licencias privadas, visita nuestra página de licencias. ¡Que disfrutes comparando!

Colaboradores
GLglenn-jocher17PDpderrenger1RIRizwanMunawar1

Comentarios