DAMO-YOLO frente a YOLOv5
La evolución de la visión artificial se ha caracterizado por la innovación continua en la detección de objetos en tiempo real. Los desarrolladores e investigadores disponen ahora de numerosas opciones arquitectónicas para diseñar canalizaciones de visión. Esta comparación técnica examina DAMO-YOLO y Ultralytics YOLOv5, y abarca sus arquitecturas, métodos de entrenamiento, métricas de rendimiento y escenarios de despliegue más adecuados.
Introducción a DAMO-YOLO#
DAMO-YOLO, publicado por el Grupo Alibaba, introdujo varias técnicas novedosas destinadas a mejorar la velocidad y la precisión de detección.
- Autores: Xianzhe Xu, Yiqi Jiang, Weihua Chen, Yilun Huang, Yuan Zhang y Xiuyu Sun
- Organización: Alibaba Group
- Fecha: 23 de noviembre de 2022
- arXiv: 2211.15444v2
- GitHub: tinyvision/DAMO-YOLO
- Documentación: README.md
Más información sobre DAMO-YOLO
Innovaciones arquitectónicas#
DAMO-YOLO se basa en la búsqueda de arquitecturas neuronales (NAS). Sus autores utilizaron MAE-NAS para diseñar automáticamente redes troncales que equilibran la latencia y la precisión. El modelo presenta una RepGFPN eficiente (red piramidal de características generalizada reparametrizada) que mejora la fusión de características entre distintas escalas. DAMO-YOLO también incorpora el diseño «ZeroHead», que elimina las complejas cabezas de predicción con varias ramas en favor de una estructura más sencilla y eficiente, basada en gran medida en la reparametrización durante la inferencia.
Para mejorar el entrenamiento, el modelo utiliza AlignedOTA para la asignación de etiquetas y un proceso intensivo de mejora mediante destilación de conocimiento, en el que un modelo «profesor» más grande guía al modelo «estudiante» más pequeño para que alcance una mayor precisión.
Introducción a Ultralytics YOLOv5#
Ultralytics YOLOv5 es una de las arquitecturas de visión más utilizadas del mundo, conocida por su estabilidad, facilidad de uso y amplio ecosistema de despliegue.
- Autores: Glenn Jocher
- Organización: Ultralytics
- Fecha: 26 de junio de 2020
- GitHub: ultralytics/yolov5
- Documentación: Documentación de YOLOv5
El estándar del ecosistema#
YOLOv5 marcó un nuevo estándar de facilidad de uso. Creado de forma nativa en PyTorch, utiliza una red troncal CSPNet optimizada y una sección intermedia PANet para agregar características de forma robusta. Aunque precedió a la tendencia hacia los modelos sin anclajes que llegó después, su enfoque perfeccionado basado en anclajes, junto con el aprendizaje automático de anclajes, ofrece buenos resultados desde el primer momento.
La principal fortaleza de YOLOv5 reside en su ecosistema bien mantenido. Se integra con herramientas de seguimiento como Comet y Weights & Biases, y admite exportaciones con un solo comando a formatos como ONNX, TensorRT y CoreML.
YOLOv5 se entrena fácilmente con conjuntos de datos personalizados. Su API optimizada reduce las dificultades para pasar del prototipo a producción, por lo que es uno de los favoritos de los equipos de ingeniería ágiles.
Comparativa de rendimiento y métricas#
Al comparar estos modelos, es fundamental tener en cuenta el equilibrio entre la precisión media (mAP), la velocidad de inferencia y el número de parámetros.
| Modelo | tamaño (píxeles) | mAPval50-95 | Velocidad CPU ONNX (ms) | Velocidad T4 TensorRT10 (ms) | parámetros (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| DAMO-YOLOt | 640 | 42.0 | - | 2.32 | 8.5 | 18.1 |
| DAMO-YOLOs | 640 | 46.0 | - | 3.45 | 16.3 | 37.8 |
| DAMO-YOLOm | 640 | 49.2 | - | 5.09 | 28.2 | 61.8 |
| DAMO-YOLOl | 640 | 50.8 | - | 7.18 | 42.1 | 97.3 |
| YOLOv5n | 640 | 28.0 | - | 1.12 | 1.9 | 4.5 |
| YOLOv5s | 640 | 37.4 | - | 1.92 | 7.2 | 16.5 |
| YOLOv5m | 640 | 45.4 | - | 4.03 | 21.2 | 49.0 |
| YOLOv5l | 640 | 49.0 | - | 6.61 | 46.5 | 109.1 |
| YOLOv5x | 640 | 50.7 | - | 11.89 | 86.7 | 205.7 |
Análisis de las ventajas e inconvenientes#
DAMO-YOLO consigue puntuaciones mAP altas para su número de parámetros, en gran medida gracias a la fase de entrenamiento con destilación. Sin embargo, esto tiene un coste en eficiencia de entrenamiento. El proceso de destilación de varias etapas requiere entrenar primero un modelo profesor de gran tamaño, lo que aumenta considerablemente el tiempo de cálculo de GPU y la VRAM necesarios.
Por el contrario, YOLOv5 ofrece unos requisitos de memoria excelentes. Los modelos YOLO de Ultralytics son conocidos por consumir menos memoria durante el entrenamiento y la inferencia que los complejos procesos de destilación o los modelos basados en Transformer, como RT-DETR. Esto permite entrenar YOLOv5 de manera eficiente en hardware de consumo o en entornos de nube accesibles, como Google Colab.
Aplicaciones reales y versatilidad#
La elección de la arquitectura adecuada suele depender del entorno de implementación.
En qué destaca DAMO-YOLO#
DAMO-YOLO es estrictamente un modelo de detección de objetos. Es una buena opción para la investigación académica, sobre todo para equipos que estudian la búsqueda de arquitecturas neuronales o que quieren reproducir las técnicas de reparametrización descritas en el artículo. Si un proyecto dispone de amplios recursos computacionales para ejecutar la fase de entrenamiento con destilación y se centra exclusivamente en exprimir hasta el último ápice de precisión en cuadros delimitadores 2D, DAMO-YOLO es una opción sólida.
La ventaja de Ultralytics#
Para la producción en entornos reales, la facilidad de uso y la versatilidad de los modelos de Ultralytics los convierten en la opción preferida. YOLOv5 admite la detección, la segmentación de instancias y la clasificación de imágenes, y el ecosistema más amplio de Ultralytics permite a los desarrolladores cambiar de tarea fácilmente.
Por ejemplo, las iteraciones más recientes de la familia Ultralytics también admiten de forma nativa la estimación de pose y la detección de cuadros delimitadores orientados (OBB). Esta capacidad multitarea permite a los equipos utilizar una única API unificada de Python en canalizaciones complejas, como la combinación del reconocimiento automático de matrículas con la segmentación de vehículos.
Casos de uso y recomendaciones#
La elección entre DAMO-YOLO y YOLOv5 depende de los requisitos específicos 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 YOLOv5#
Se recomienda YOLOv5 para:
- Sistemas de producción consolidados: Implementaciones existentes en las que se valoran la larga trayectoria de estabilidad de YOLOv5, su extensa documentación y su amplia comunidad.
- Entrenamiento con recursos limitados: entornos con recursos de GPU limitados, donde el pipeline de entrenamiento eficiente de YOLOv5 y sus menores requisitos de memoria suponen una ventaja.
- Amplia compatibilidad con formatos de exportación: proyectos que requieren despliegues en muchos formatos, como ONNX, TensorRT, CoreML y LiteRT.
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 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.
El futuro: dar el salto a YOLO26#
Aunque YOLOv5 sigue utilizándose ampliamente y DAMO-YOLO ofrece ideas académicas interesantes, el estado del arte ha evolucionado. Ultralytics YOLO26, publicado en enero de 2026, supone un gran avance para la comunidad de visión artificial.
YOLO26 aborda los cuellos de botella tradicionales de la implementación en edge y la inestabilidad del entrenamiento:
- Diseño integral sin NMS: La cabeza integral opcional de YOLO26 (
nms=False) elimina el posprocesamiento de la supresión no máxima (NMS). Esto simplifica la lógica de despliegue y reduce la variabilidad de la latencia, por lo que resulta muy adecuado para la robótica de alta velocidad y los sistemas autónomos. - Optimizador MuSGD: Inspirado en innovaciones del entrenamiento de LLM (como Kimi K2 de Moonshot AI), YOLO26 utiliza el optimizador MuSGD (una combinación de SGD y Muon) para lograr entrenamientos estables y una convergencia más rápida.
- Inferencia en CPU hasta un 43 % más rápida: Al eliminar la pérdida focal de distribución (DFL), YOLO26n funciona hasta un 43 % más rápido que YOLO11n en CPU con ONNX.
- ProgLoss + STAL: La pérdida progresiva y la asignación de etiquetas consciente de los objetos pequeños mejoran notablemente el reconocimiento de objetos pequeños, algo esencial para analizar imágenes aéreas de drones y flujos de datos de sensores de IoT.
Ejemplo de código: la sencillez en acción#
El paquete de Ultralytics te permite entrenar e implementar modelos con solo unas pocas líneas de código. Tanto si utilizas YOLOv5 como si te pasas al recomendado YOLO26, la interfaz sigue siendo coherente e intuitiva.
from ultralytics import YOLO
# Carga el modelo pequeño YOLO26
model = YOLO("yolo26s.pt")
# Entrena con un conjunto de datos personalizado
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Ejecuta la inferencia en una imagen y muestra los resultados
predictions = model("https://ultralytics.com/images/bus.jpg")
predictions[0].show()
# Exporta el modelo para implementarlo en dispositivos edge
model.export(format="onnx")Conclusión#
DAMO-YOLO y YOLOv5 han contribuido de forma significativa al campo de la visión artificial. DAMO-YOLO demuestra el potencial de la búsqueda de arquitecturas neuronales y la destilación, por lo que resulta interesante para los investigadores. Sin embargo, YOLOv5 sigue siendo una opción práctica gracias a su equilibrio de rendimiento, sus bajos requisitos de memoria y su facilidad de uso.
Para los desarrolladores que empiezan proyectos nuevos hoy, la recomendación es utilizar la plataforma Ultralytics y adoptar YOLO26. Combina el ecosistema fácil de usar de YOLOv5 con avances arquitectónicos más recientes, y ofrece una gran precisión y una inferencia rápida para aplicaciones de IA tanto en la nube como en dispositivos periféricos. Según las limitaciones específicas del hardware heredado, los desarrolladores también pueden explorar otros modelos eficientes, como YOLOv6 o YOLOX.
Comentarios
Haz una pregunta, comparte tus resultados o ayuda a otra persona.