Empezar

DAMO-YOLO frente a EfficientDet

La investigación en visión artificial ha producido numerosas arquitecturas adaptadas a distintas necesidades del mundo real. Algunos frameworks priorizan la escalabilidad, mientras que otros se centran en la velocidad de inferencia en tiempo real. Esta comparación abarca DAMO-YOLO y EfficientDet, dos modelos influyentes con enfoques distintos para la detección de objetos. Analiza sus arquitecturas, compara su rendimiento en benchmarks y explica por qué Ultralytics YOLO26 es una opción sólida para los despliegues de producción modernos.

Descripción general de la arquitectura#

Ambos modelos se diseñaron para abordar el equilibrio entre eficiencia y precisión, pero se basan en mecanismos fundamentalmente distintos para alcanzar sus objetivos.

Desarrollado para ampliar los límites de la detección en tiempo real, DAMO-YOLO aprovecha técnicas de búsqueda automatizada para crear redes muy eficientes, adaptadas a entornos de baja latencia.

Detalles de DAMO-YOLO:

DAMO-YOLO se basa en una red troncal de búsqueda de arquitectura neuronal (NAS) que optimiza tanto la velocidad como la precisión. Incorpora RepGFPN (red piramidal de características generalizada reparametrizada), que mejora la fusión de características y mantiene una alta velocidad de inferencia. Además, su diseño ZeroHead minimiza la sobrecarga computacional que suelen generar los cabezales de detección. El modelo también utiliza la asignación de etiquetas AlignedOTA (asignación de transporte óptimo alineado) y la destilación de conocimiento, de modo que incluso las variantes más pequeñas aprenden representaciones ricas de modelos más grandes.

Más información sobre DAMO-YOLO

EfficientDet: escalabilidad mediante escalado compuesto#

A diferencia del enfoque centrado primero en la velocidad, EfficientDet se centra en la escalabilidad sistemática con distintos presupuestos de cómputo.

Detalles de EfficientDet:

EfficientDet incorpora BiFPN (red piramidal de características bidireccional), que permite una fusión rápida de características a múltiples escalas. A diferencia de los métodos tradicionales, que amplían las arquitecturas añadiendo capas o canales de forma arbitraria, EfficientDet utiliza un método de escalado compuesto que amplía uniformemente y de forma simultánea la resolución, la profundidad y la anchura de la red troncal, la red de características y las redes de predicción de cajas y clases. Así logró una precisión puntera en hardware de gama alta en el momento de su lanzamiento y ofreció variantes más pequeñas para entornos con recursos limitados.

Más información sobre EfficientDet

Comparativa de rendimiento y métricas#

La comparación directa deja claro el equilibrio entre precisión y velocidad de inferencia. La tabla siguiente presenta las principales métricas de rendimiento y muestra cómo se comparan las capacidades de inferencia de DAMO-YOLO con la familia de modelos EfficientDet.

Modelotamaño
(píxeles)
mAPval50-95Velocidad
CPU ONNX
(ms)
Velocidad
T4 TensorRT10
(ms)
parámetros
(M)
FLOPs
(B)
DAMO-YOLOt64042.0-2.328.518.1
DAMO-YOLOs64046.0-3.4516.337.8
DAMO-YOLOm64049.2-5.0928.261.8
DAMO-YOLOl64050.8-7.1842.197.3
EfficientDet-d051234.6-3.923.92.54
EfficientDet-d164040.5-7.316.66.1
EfficientDet-d276843.0-10.928.111.0
EfficientDet-d389647.5-19.5912.024.9
EfficientDet-d4102449.7-33.5520.755.2
EfficientDet-d5128051.5-67.8633.7130.0
EfficientDet-d6128052.6-89.2951.9226.0
EfficientDet-d7153653.7-128.0751.9325.0

EfficientDet-d7 alcanza la máxima precisión general, por lo que es adecuado para aplicaciones exigentes basadas en la nube. La serie DAMO-YOLO ofrece una precisión competitiva con mucha menos latencia en GPU, lo que la convierte en una opción más sólida para despliegues edge en tiempo real.

Casos de uso y recomendaciones#

La elección entre DAMO-YOLO y EfficientDet depende de los requisitos concretos de tu proyecto, las limitaciones de implementación y tus preferencias de ecosistema.

Cuándo elegir DAMO-YOLO#

DAMO-YOLO es una buena opción para:

  • Analítica de vídeo de alto rendimiento: Procesamiento de flujos de vídeo con FPS elevados en una infraestructura fija de GPU NVIDIA, donde el rendimiento con lotes de tamaño 1 es la métrica principal.
  • Líneas de fabricación industrial: Escenarios con estrictas limitaciones de latencia de GPU en hardware dedicado, como la inspección de calidad en tiempo real en líneas de montaje.
  • Investigación sobre búsqueda de arquitecturas neuronales: Estudio de los efectos de la búsqueda automatizada de arquitecturas (MAE-NAS) y de las redes troncales reparametrizadas eficientes en el rendimiento de detección.

Cuándo elegir EfficientDet#

Se recomienda EfficientDet para:

  • Google Cloud y procesos con TPU: Sistemas basados en TensorFlow sobre la infraestructura Google Cloud TPU, donde la implementación de referencia de EfficientDet es compatible con el entrenamiento en TPU.
  • Investigación sobre el escalado compuesto: Evaluaciones comparativas académicas centradas en estudiar los efectos del escalado equilibrado de la profundidad, la anchura y la resolución de la red.
  • Implementación móvil mediante LiteRT: Proyectos que requieren específicamente exportar a LiteRT (antes TensorFlow Lite) para Android o dispositivos Linux integrados.

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 requieren una inferencia constante y de baja latencia, sin la complejidad del posprocesamiento de supresión no máxima (NMS).
  • Entornos solo con CPU: dispositivos sin aceleración de GPU dedicada, donde la inferencia en CPU hasta un 43 % más rápida de YOLO26n frente a YOLO11n supone una clara ventaja.
  • Detección de objetos pequeños: Casos exigentes, como las imágenes aéreas tomadas con drones o el análisis de sensores IoT, donde ProgLoss y STAL mejoran notablemente la precisión al detectar objetos diminutos.

La alternativa moderna: Ultralytics YOLO26#

Aunque DAMO-YOLO y EfficientDet son hitos académicos importantes, los despliegues en el mundo real suelen requerir un enfoque más equilibrado, completo y fácil de usar para los desarrolladores. Ultralytics YOLO26 está diseñado precisamente para eso.

Publicado en enero de 2026, YOLO26 se basa en el legado de sus predecesores, como Ultralytics YOLO11 y YOLOv8, y simplifica el entrenamiento y el despliegue de modelos de detección de objetos.

Simplicidad integral

YOLO26 incorpora un diseño integral nativo sin NMS (nms=False). Al eliminar la supresión no máxima (NMS) del posprocesamiento, un cuello de botella persistente en el despliegue de detectores de objetos, YOLO26 ofrece un pipeline de despliegue más sencillo y rápido, especialmente en hardware edge.

Rendimiento y versatilidad#

YOLO26 mejora la estabilidad y la precisión del entrenamiento, además de la velocidad. Incorpora el optimizador MuSGD, un híbrido de SGD y Muon inspirado en el entrenamiento de LLM, para lograr una convergencia más rápida y un entrenamiento más eficiente. A diferencia de alternativas más pesadas basadas en Transformer, como RT-DETR, YOLO26 requiere poca memoria, por lo que puedes entrenarlo en hardware de consumo.

YOLO26 también incorpora ProgLoss + STAL, que mejora el reconocimiento de objetos pequeños en casos de uso como las imágenes aéreas captadas por drones y la robótica. Para optimizarlo para dispositivos de bajo consumo, YOLO26 elimina la pérdida focal de distribución (DFL), lo que permite una inferencia en CPU hasta un 43 % más rápida en YOLO26n que en YOLO11n.

Ecosistema y facilidad de uso#

Uno de los mayores obstáculos de modelos como EfficientDet es la complejidad del proceso de integración. En cambio, la plataforma Ultralytics ofrece un ecosistema integral y bien mantenido. Con una API unificada, los usuarios pueden alternar fácilmente entre la detección, la segmentación de instancias, la clasificación de imágenes, la estimación de pose y las cajas delimitadoras orientadas (OBB).

Entrenar y ejecutar inferencias con YOLO26 solo requiere unas pocas líneas con el paquete Python de Ultralytics:

from ultralytics import YOLO

# Carga el modelo nano YOLO26
model = YOLO("yolo26n.pt")

# Entrena el modelo con tu conjunto de datos personalizado y un consumo mínimo de memoria
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

# Ejecuta inferencias ultrarrápidas sin NMS
predictions = model.predict("https://ultralytics.com/images/bus.jpg", nms=False)

Conclusión#

La comparación entre DAMO-YOLO y EfficientDet pone de relieve las ventajas e inconvenientes de la búsqueda de arquitectura neuronal y el escalado compuesto, pero el trabajo en producción también requiere herramientas que conecten la investigación académica con el despliegue.

Para los desarrolladores que priorizan la facilidad de uso, una comunidad activa de código abierto y un sólido equilibrio entre velocidad y precisión, Ultralytics YOLO26 es la opción recomendada. Su arquitectura sin NMS, la baja sobrecarga de entrenamiento y la integración con el ecosistema Ultralytics lo convierten en una base práctica para tu próximo proyecto de visión artificial.

Comentarios2

Haz una pregunta, comparte tus resultados o ayuda a otra persona.

  1. UltralyticsAssistantGitHubUltralytics

    👋 Hello, thank you for starting this discussion and for your interest in Ultralytics 🚀! For more details on model comparisons and best practices, we recommend checking out the Docs where you’ll find further insights on different architectures, metrics, and use cases.

    If this is a 🐛 Bug Report, please provide a minimum reproducible example to help us investigate.

    If you have a custom training ❓ Question, please include all relevant information such as dataset examples, training logs, and verify you are following our Tips for Best Training Results.

    Join our vibrant community! For real-time chat, visit Discord 🎧. For more in-depth discussions, check out Discourse, or join our Subreddit to connect with fellow users.

    Upgrade

    Please upgrade to the latest ultralytics package and all requirements in a Python>=3.8 environment with PyTorch>=1.8 to ensure you’re using the most up-to-date features:

    pip install -U ultralytics

    Environments

    YOLO runs in the following up-to-date verified environments (all dependencies including CUDA/CUDNN, Python, and PyTorch preinstalled):

    Status

    Ultralytics CI

    If this badge is green, all Ultralytics CI tests are currently passing. CI tests verify correct operation of all YOLO Modes and Tasks on macOS, Windows, and Ubuntu every 24 hours and on every commit.

    This is an automated response to help guide you. An Ultralytics engineer will also review your discussion and assist you soon! 😊

    1. Glenn JocherUltralytics(editado)

      Welcome to the discussion about DAMO-YOLO vs. EfficientDet! This is a great place to ask questions or share your experiences with either model.

      The comparison highlights how DAMO-YOLO generally achieves higher mAP with faster TensorRT speeds, while EfficientDet offers strong CPU performance and parameter efficiency. For most users seeking a balance of performance, ease of use and versatility, Ultralytics models like YOLO26 provide significant advantages with our well-maintained ecosystem.

      If you have specific questions about implementation details, performance in certain scenarios, or need guidance choosing between these architectures for your specific use case, please drop them here. The Ultralytics team regularly monitors these discussions and is happy to provide insights.