Comparativa entre EfficientDet y YOLO11#

Seleccionar la arquitectura de red neuronal óptima es la base de cualquier aplicación de éxito de visión por ordenador. Esta guía completa ofrece una comparación técnica exhaustiva entre EfficientDet de Google y Ultralytics YOLO11, y analiza sus diferencias arquitectónicas, métricas de rendimiento y escenarios de implementación ideales.

Tanto si buscas una latencia de milisegundos en dispositivos de IA en el edge como si necesitas una precisión escalable para la inferencia basada en la nube, comprender los matices de estos modelos es fundamental.

Perfiles de los modelos y detalles técnicos#

Comprender el origen y la filosofía de diseño subyacente de cada arquitectura ayuda a contextualizar su rendimiento en tareas reales de detección de objetos.

EfficientDet#

Desarrollado por investigadores de Google Brain, EfficientDet introdujo un enfoque sistemático para escalar las redes de detección de objetos junto con el novedoso BiFPN (red piramidal de características bidireccional).

• Autores: Mingxing Tan, Ruoming Pang y Quoc V. Le
• Organización: Google
• Fecha: 20-11-2019
• Arxiv: https://arxiv.org/abs/1911.09070
• GitHub: https://github.com/google/automl/tree/master/efficientdet
• Documentación: https://github.com/google/automl/tree/master/efficientdet#readme

Más información sobre EfficientDet

YOLO11#

YOLO11 representa una evolución significativa dentro del ecosistema de Ultralytics y amplía los límites del rendimiento en tiempo real, la eficiencia de los parámetros y el aprendizaje multitarea.

• Autores: Glenn Jocher y Jing Qiu
• Organización: Ultralytics
• Fecha: 2024-09-27
• GitHub: https://github.com/ultralytics/ultralytics
• Documentación: https://docs.ultralytics.com/models/yolo11

Comparativa arquitectónica#

Las diferencias arquitectónicas entre estos dos modelos ponen de manifiesto la divergencia entre sus estrategias de diseño a lo largo de los años.

EfficientDet utiliza la red troncal EfficientNet e introduce BiFPN, que permite fusionar características multiescala de arriba abajo y de abajo arriba. Emplea un método de escalado compuesto que ajusta uniformemente la resolución, la profundidad y la anchura de todas las redes troncales, de características y de predicción de cajas/clases de forma simultánea. Aunque es muy eficaz para maximizar la precisión media promedio (mAP), el enrutamiento complejo de BiFPN puede crear cuellos de botella en el ancho de banda de la memoria durante la inferencia.

YOLO11, por su parte, utiliza un módulo C3k2 optimizado y una avanzada cabeza de detección sin anclajes. Este enfoque simplificado minimiza la sobrecarga durante la extracción de características. Ultralytics diseñó YOLO11 para maximizar el uso del hardware de la GPU, lo que se traduce en unos requisitos de memoria significativamente menores durante el entrenamiento y la inferencia en comparación con arquitecturas anteriores o modelos pesados basados en Transformer.

Pruebas de rendimiento#

La tabla siguiente contrasta el rendimiento de ambas familias de modelos en distintas escalas sobre el conjunto de datos COCO.

Análisis equilibrado: ventajas y desventajas#

Aceleración de GPU: YOLO11 domina en entornos con GPU. Por ejemplo, YOLO11m alcanza una mAP del 51,5 % con una vertiginosa latencia de 4,7 ms en una GPU T4 utilizando TensorRT. Para lograr una precisión comparable, EfficientDet-d5 tarda 67,86 ms, más de 14 veces más lento. Esto pone de manifiesto el equilibrio superior entre rendimiento de los modelos de Ultralytics para aplicaciones en tiempo real.

Entornos de CPU: EfficientDet ofrece velocidades de inferencia muy optimizadas en CPU en sus variantes más pequeñas, como d0 y d1, mediante ONNX. Sin embargo, su precisión escala mal sin incurrir en enormes penalizaciones de latencia de GPU en variantes más grandes como d7.

Metodología de entrenamiento y ecosistema#

La experiencia del desarrollador suele ser tan importante como las capacidades teóricas del modelo. Aquí es donde destaca el ecosistema de Ultralytics.

EfficientDet depende en gran medida del ecosistema heredado de TensorFlow y de complejas bibliotecas de AutoML. Configurar una canalización de entrenamiento personalizada implica una curva de aprendizaje pronunciada, una gestión intrincada de dependencias y la configuración manual de anclajes y funciones de pérdida.

Por el contrario, Ultralytics ofrece una facilidad de uso inigualable. Gracias a un ecosistema PyTorch bien mantenido, entrenar un modelo YOLO solo requiere unas pocas líneas de código. El framework gestiona automáticamente el ajuste de hiperparámetros, las técnicas avanzadas de aumento de datos y la programación óptima de la tasa de aprendizaje desde el primer momento.

Ejemplo de código: primeros pasos con Ultralytics#

Este fragmento sólido y listo para producción demuestra lo sencillo que resulta entrenar y realizar inferencias mediante la API de Python.

from ultralytics import YOLO

# Load a pre-trained YOLO11 small model
model = YOLO("yolo11s.pt")

# Train the model on your custom dataset with automated hyperparameter tuning
train_results = model.train(data="coco8.yaml", epochs=50, imgsz=640, device=0)

# Perform fast inference on an image
results = model.predict("https://ultralytics.com/images/bus.jpg")
results[0].show()

Casos de uso ideales#

Cuándo usar EfficientDet: EfficientDet sigue siendo una opción viable para entornos de investigación muy arraigados en canalizaciones de TensorFlow o con limitaciones específicas vinculadas a la CPU, donde las primeras arquitecturas, como d0, ofrecen un rendimiento adecuado.

Cuándo usar YOLO11: YOLO11 es la opción definitiva para implementaciones empresariales modernas. Su velocidad excepcional lo hace perfecto para vehículos autónomos, el análisis deportivo en tiempo real y la detección de defectos de fabricación de alto rendimiento. Además, su menor consumo de memoria permite una implementación flexible en hardware con recursos limitados, como el NVIDIA Jetson.

Perspectivas de futuro: la actualización a YOLO26#

Aunque YOLO11 es excepcionalmente capaz, los desarrolladores que comiencen nuevos proyectos deberían evaluar otras arquitecturas de Ultralytics, como el probado YOLOv8 o el recién lanzado YOLO26. Lanzado a principios de 2026, YOLO26 parte de los cimientos de YOLO11 e introduce varias innovaciones revolucionarias:

• Diseño de extremo a extremo sin NMS: Basándose en el legado de YOLOv10, YOLO26 elimina por completo la supresión no máxima (NMS) durante el posprocesamiento, reduciendo drásticamente la latencia y simplificando las canalizaciones de implementación.
• Optimizador MuSGD: Un optimizador híbrido que combina el SGD estándar con Muon, inspirado en el entrenamiento de modelos de lenguaje de gran tamaño, y mejora drásticamente la estabilidad del entrenamiento.
• Hasta un 43 % más rápido en inferencia en CPU: Unas optimizaciones específicas hacen que YOLO26 sea increíblemente eficaz en dispositivos edge sin GPU dedicada.
• ProgLoss + STAL: Funciones de pérdida avanzadas que mejoran notablemente la detección de objetos pequeños, algo fundamental para las imágenes aéreas y la robótica.

Explora el panorama más amplio de las arquitecturas de visión, incluidos los detectores basados en Transformer como RT-DETR, en nuestra documentación de Ultralytics completa.