Empezar

EfficientDet frente a DAMO-YOLO

Al crear pipelines escalables de visión artificial, elegir la arquitectura de modelo adecuada es una decisión fundamental que influye tanto en la viabilidad del despliegue como en la precisión de la detección. Esta guía ofrece una comparación técnica de dos arquitecturas conocidas: EfficientDet y DAMO-YOLO.

Aunque ambos modelos aportaron innovaciones importantes a la detección de objetos, la IA aplicada a la visión ha evolucionado desde entonces hacia ecosistemas más integrados. Este análisis aborda los mecanismos fundamentales de estas redes anteriores y explica por qué las soluciones modernas, como la plataforma Ultralytics y Ultralytics YOLO26, se utilizan ampliamente en entornos de producción.

EfficientDet: detección de objetos escalable y eficiente#

Presentado por investigadores de Google, EfficientDet se diseñó para escalar sistemáticamente la arquitectura del modelo y mantener una alta eficiencia. Lo consiguió mediante el escalado compuesto de la profundidad, la anchura y la resolución de entrada de la red.

Detalles de EfficientDet:

Innovaciones arquitectónicas#

La principal contribución de EfficientDet es la red piramidal de características bidireccional (BiFPN). A diferencia de las FPN tradicionales, BiFPN permite fusionar rápidamente características multiescala mediante el uso de pesos aprendibles que capturan la importancia de distintas características de entrada. Esta red se combina con el backbone de EfficientNet para obtener una familia de modelos (de D0 a D7) que escalan de forma predecible.

Puntos fuertes y débiles#

La principal fortaleza de EfficientDet reside en la eficiencia de sus parámetros. Para las tareas en las que hay que maximizar la precisión media (mAP) con un presupuesto de cómputo fijo, su método de escalado compuesto es muy predecible. Sin embargo, entrenar EfficientDet desde cero es complejo y suele requerir un ajuste de hiperparámetros considerable. Además, su gran dependencia de operaciones específicas de TensorFlow dificulta el paso a implementaciones en dispositivos edge mediante ONNX o TensorRT, en comparación con las capacidades de exportación optimizadas de los modelos YOLO modernos.

Más información sobre EfficientDet

DAMO-YOLO: búsqueda automatizada de arquitecturas en acción#

DAMO-YOLO adopta un enfoque distinto y utiliza la búsqueda de arquitecturas neuronales (NAS) para diseñar automáticamente estructuras de red eficientes para la inferencia en tiempo real.

Detalles de DAMO-YOLO:

Innovaciones arquitectónicas#

DAMO-YOLO introduce varias tecnologías novedosas. Utiliza un backbone generado mediante NAS llamado MAE-NAS, un RepGFPN eficiente para su neck y un diseño ZeroHead que reduce considerablemente el coste computacional del cabezal de detección. También emplea AlignedOTA para la asignación de etiquetas y recurre en gran medida a la destilación de conocimiento para mejorar el rendimiento de sus variantes más pequeñas.

Puntos fuertes y débiles#

DAMO-YOLO destaca por su velocidad de inferencia en GPU y está diseñado para desplegarse en arquitecturas NVIDIA mediante TensorRT. Al eliminar estructuras pesadas del cabezal, el modelo ofrece predicciones de baja latencia. Sin embargo, la búsqueda automatizada de arquitecturas puede hacer que la estructura del modelo sea opaca y difícil de depurar manualmente o de ajustar para dispositivos edge personalizados. A diferencia del versátil Ultralytics YOLO11, DAMO-YOLO se centra principalmente en la detección estándar de cajas delimitadoras y no admite de forma nativa, sin configuración adicional, tareas como la estimación de pose o la detección de cajas delimitadoras orientadas (OBB).

Más información sobre DAMO-YOLO

Comparativa de rendimiento#

Comprender las ventajas y desventajas empíricas es fundamental para elegir un modelo. La tabla siguiente compara la familia EfficientDet con la serie DAMO-YOLO en función de las métricas de rendimiento más importantes.

Modelotamaño
(píxeles)
mAPval50-95Velocidad
CPU ONNX
(ms)
Velocidad
T4 TensorRT10
(ms)
parámetros
(M)
FLOPs
(B)
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
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
Análisis de los datos

EfficientDet-d7 alcanza la mayor precisión, pero requiere una potencia de cálculo considerable, por lo que no es adecuado para la IA en el edge. DAMO-YOLO ofrece velocidades altas con TensorRT, aunque por lo general necesita más parámetros que los modelos EfficientDet de gama inferior para lograr una precisión comparable.

Casos de uso y recomendaciones#

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

Cuándo elegir EfficientDet#

EfficientDet es una buena opción 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 DAMO-YOLO#

DAMO-YOLO se recomienda 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 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 dedicada por GPU, donde la inferencia hasta un 43 % más rápida de YOLO26 en CPU (YOLO26n frente a YOLO11n) ofrece una ventaja clara.
  • 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 ventaja de Ultralytics: más allá de los modelos heredados#

Aunque EfficientDet y DAMO-YOLO aportan valiosas ideas académicas, los desarrolladores actuales necesitan frameworks que equilibren un alto rendimiento con una experiencia de desarrollo fluida. Aquí es donde destaca el ecosistema Ultralytics.

Facilidad de uso y ecosistema#

Desplegar modelos desde repositorios de investigación independientes y muy personalizados suele dar lugar a tareas de integración complejas. Ultralytics ofrece un ecosistema bien mantenido, unificado y con documentación extensa y una API de estilo Python. Tanto si utilizas Google Colab para entrenar como si exportas a CoreML para la inferencia en dispositivos móviles, el pipeline solo requiere unas pocas líneas de código.

from ultralytics import YOLO

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

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

# Exporta el modelo entrenado a ONNX para producción
model.export(format="onnx")

Presentamos YOLO26#

Para los desarrolladores que estén evaluando EfficientDet o DAMO-YOLO, Ultralytics YOLO26 es el siguiente paso natural. Lanzado en enero de 2026, incorpora varias capacidades nuevas:

  • Diseño de extremo a extremo sin NMS: Basado en el entrenamiento sin NMS de YOLOv10, el cabezal nativo uno a uno (nms=False) de YOLO26 elimina la necesidad del posprocesamiento NMS. Esto permite arquitecturas de despliegue más sencillas y una latencia uniforme en distintos tipos de hardware.
  • Inferencia en CPU hasta un 43 % más rápida: Para despliegues en el edge sin GPU potentes, un entorno para el que DAMO-YOLO no está diseñado, YOLO26 está optimizado para CPU estándar; YOLO26n alcanza una velocidad hasta un 43 % superior a YOLO11n.
  • Optimizador MuSGD: Al trasladar técnicas de entrenamiento de LLM a la visión artificial, YOLO26 incorpora el optimizador MuSGD (inspirado en Moonshot AI) para lograr un entrenamiento estable y una convergencia rápida, frente al entrenamiento más sensible de EfficientDet.
  • Eliminación de DFL: La eliminación de Distribution Focal Loss simplifica la exportación y mejora la compatibilidad con dispositivos edge de bajo consumo, como Raspberry Pi.
  • ProgLoss + STAL: Una pérdida progresiva y una estrategia de asignación de etiquetas adaptada a objetos pequeños ofrecen mejoras notables en el reconocimiento de objetos pequeños, un área que tradicionalmente supone un reto para las arquitecturas anteriores.

Eficiencia de memoria y versatilidad de tareas#

A diferencia de los modelos Transformer o las redes NAS muy fusionadas, los modelos de Ultralytics son conocidos por su eficiencia de memoria. Utilizan mucha menos memoria CUDA durante el entrenamiento, lo que permite iterar rápidamente con hardware de consumo.

Aunque EfficientDet y DAMO-YOLO se limitan a las cajas delimitadoras, Ultralytics admite de forma nativa la segmentación de instancias y la clasificación de imágenes en un mismo framework intuitivo. Para quienes mantienen proyectos antiguos, Ultralytics YOLOv8 sigue siendo una alternativa fiable y ampliamente desplegada que merece la pena explorar.

Conclusión#

Elegir la arquitectura de visión adecuada implica sopesar el rendimiento teórico bruto frente a la realidad del despliegue. EfficientDet ofrece un método de escalado fundamentado y DAMO-YOLO proporciona altas velocidades brutas en GPU. Sin embargo, para los equipos que priorizan el desarrollo rápido, los despliegues fiables y las funciones modernas, los modelos Ultralytics son la opción más sólida. Al combinar innovaciones como la inferencia sin NMS y la optimización MuSGD, YOLO26 ofrece a los proyectos de visión artificial una base capaz, fácil de mantener y eficiente.

Comentarios

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