EfficientDet frente a YOLO11#

Seleccionar la arquitectura de red neuronal óptima es la base de cualquier aplicación de computer vision exitosa. Esta guía completa ofrece una comparación técnica detallada entre EfficientDet de Google y Ultralytics YOLO11, analizando sus diferencias arquitectónicas, métricas de rendimiento y escenarios de implementación ideales.

Ya sea que busques una latencia de milisegundos en dispositivos de edge AI o necesites una precisión escalable para la inferencia en la nube, comprender los matices de estos modelos es fundamental.

Perfiles de modelo y detalles técnicos#

Comprender el linaje y la filosofía de diseño subyacente de cada arquitectura ayuda a contextualizar su rendimiento en tareas de object detection del mundo real.

EfficientDet#

Desarrollado por investigadores de Google Brain, EfficientDet introdujo un enfoque basado en principios para escalar redes de detección de objetos junto con la novedosa BiFPN (Bidirectional Feature Pyramid Network).

• 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
• Docs: https://github.com/google/automl/tree/master/efficientdet#readme

Más información sobre EfficientDet

YOLO11#

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

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

Más información sobre YOLO11

Comparativa arquitectónica#

Las diferencias arquitectónicas entre estos dos modelos destacan la divergencia en las estrategias de diseño a lo largo de los años.

EfficientDet aprovecha el backbone EfficientNet e introduce BiFPN, lo que permite la fusión de características multiescala de arriba hacia abajo y de abajo hacia arriba. Utiliza un método de escala compuesto que escala uniformemente la resolución, la profundidad y el ancho para todas las redes de backbone, de red de características y de predicción de cuadros/clases simultáneamente. Aunque es muy eficaz para maximizar el mean Average Precision (mAP), el enrutamiento complejo en BiFPN a veces puede saturar el ancho de banda de la memoria durante la inferencia.

Por otro lado, YOLO11 utiliza un módulo C3k2 optimizado y una cabeza de detección avanzada sin anclajes. Este enfoque optimizado minimiza la sobrecarga durante la extracción de características. Ultralytics diseñó YOLO11 para maximizar la utilización del hardware GPU, lo que resulta en requisitos de memoria significativamente menores tanto durante el entrenamiento como en la inferencia en comparación con arquitecturas más antiguas o modelos de transformer pesados.

Benchmarks de rendimiento#

La tabla siguiente contrasta el rendimiento de ambas familias de modelos en varias escalas sobre el COCO dataset.

Análisis equilibrado: fortalezas y debilidades#

GPU Acceleration: YOLO11 destaca en entornos de GPU. Por ejemplo, YOLO11m ofrece un mAP del 51.5% a unos fulgurantes 4.7ms en una GPU T4 utilizando TensorRT. Para lograr una precisión comparable, EfficientDet-d5 tarda 67.86ms, más de 14 veces más lento. Esto resalta el equilibrio de rendimiento superior de los modelos de Ultralytics para aplicaciones en tiempo real.

CPU Environments: EfficientDet muestra velocidades de inferencia en CPU altamente optimizadas en sus variantes más pequeñas (como d0 y d1) usando ONNX. Sin embargo, su precisión escala mal sin incurrir en penalizaciones masivas de latencia en la GPU en variantes más grandes como d7.

Metodología de entrenamiento y ecosistema#

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

EfficientDet depende en gran medida del ecosistema heredado de TensorFlow y de bibliotecas complexas de AutoML. Configurar un canal de entrenamiento personalizado implica curvas de aprendizaje pronunciadas, una gestión de dependencias intrincada y la configuración manual de anclajes y loss functions.

Por el contrario, Ultralytics ofrece una facilidad de uso sin igual. Respaldado por un ecosistema de PyTorch bien mantenido, entrenar un modelo YOLO requiere solo unas pocas líneas de código. El marco gestiona automáticamente el hyperparameter tuning, las aumentaciones de datos avanzadas y la programación óptima de la tasa de aprendizaje desde el primer momento.

Ejemplo de código: empezando con Ultralytics#

Este fragmento de código robusto y listo para producción demuestra lo sencillo que resulta el entrenamiento y la inferencia dentro de la Python API.

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 profundamente arraigados en pipelines de TensorFlow o restricciones específicas ligadas a CPU donde arquitecturas iniciales como la d0 funcionan adecuadamente.

When to use YOLO11: YOLO11 es la opción definitiva para implementaciones empresariales modernas. Su velocidad excepcional lo hace perfecto para autonomous vehicles, análisis deportivos en tiempo real y detección de defectos de fabricación de alto rendimiento. Además, su menor uso de memoria permite una implementación flexible en hardware con recursos limitados como la NVIDIA Jetson.

Mirando hacia el futuro: la actualización a YOLO26#

Aunque YOLO11 es excepcionalmente capaz, los desarrolladores que comiencen nuevos proyectos deben evaluar otras arquitecturas de Ultralytics como la probada YOLOv8 o la recién lanzada YOLO26. Lanzado a principios de 2026, YOLO26 toma la base de YOLO11 e introduce varias innovaciones revolucionarias:

• End-to-End NMS-Free Design: Basándose en el legado de YOLOv10, YOLO26 elimina por completo la supresión de no máximos (NMS) durante el postprocesamiento, reduciendo drásticamente la latencia y simplificando los conductos de implementación.
• Optimizador MuSGD: Un optimizador híbrido que combina SGD estándar con Muon (inspirado en el entrenamiento de grandes modelos de lenguaje), mejorando drásticamente la estabilidad del entrenamiento.
• Hasta un 43% más rápida la inferencia en CPU: Optimizaciones específicas hacen que YOLO26 sea increíblemente potente en dispositivos de borde que carecen de GPUs discretas.
• ProgLoss + STAL: Funciones de pérdida avanzadas que mejoran notablemente la detección de objetos pequeños, crítica para imágenes aéreas y robótica.

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