Empezar

EfficientDet frente a YOLOv6-3.0

Elegir la arquitectura de red neuronal adecuada es la piedra angular de cualquier proyecto de visión artificial exitoso. Esta guía ofrece una comparación técnica entre dos modelos importantes de detección de objetos: EfficientDet de Google y YOLOv6-3.0 de Meituan.

Aunque ambas arquitecturas supusieron grandes avances cuando se lanzaron, desde entonces la IA ha dado lugar a soluciones más versátiles y optimizadas para dispositivos periféricos. Esta guía compara el rendimiento, los métodos de entrenamiento y los detalles arquitectónicos de EfficientDet y YOLOv6-3.0, y explica por qué muchos desarrolladores eligen ahora ecosistemas modernos como Ultralytics YOLO26 para sus despliegues.

EfficientDet: arquitectura AutoML escalable#

Desarrollado por el equipo Google Brain, EfficientDet se basa en la red troncal EfficientNet, diseñada mediante AutoML, y la combina con una red de características escalada de forma compuesta.

Innovaciones arquitectónicas#

La innovación principal de EfficientDet es BiFPN (red piramidal de características bidireccional). A diferencia de las FPN tradicionales, que solo agregan características de arriba abajo, BiFPN permite conexiones complejas entre escalas en ambas direcciones y utiliza pesos aprendibles para captar la importancia de las distintas características de entrada. Esto se combina con un método de escalado compuesto que escala uniformemente y de forma simultánea la resolución, la profundidad y la anchura de la red.

Puntos fuertes y débiles#

EfficientDet alcanza una excelente precisión media (mAP) en relación con su número de parámetros, por lo que era muy preciso para su época. Sin embargo, depende en gran medida de entornos antiguos de TensorFlow. Esta dependencia suele dar lugar a un ajuste complejo de hiperparámetros, un mayor uso de memoria durante el entrenamiento y una latencia de inferencia más alta en hardware estándar que la de los detectores modernos de una etapa basados en PyTorch.

Más información sobre EfficientDet

YOLOv6-3.0: campeón del rendimiento industrial#

Diseñado para el procesamiento industrial de gran volumen, YOLOv6-3.0 es una red neuronal convolucional (CNN) concebida desde cero para maximizar el rendimiento en aceleradores de hardware como las GPU NVIDIA T4 y A100.

Innovaciones arquitectónicas#

YOLOv6-3.0 sustituye los módulos tradicionales por el módulo BiC (concatenación bidireccional) en el cuello de la red para conservar señales de localización precisas. También emplea una estrategia de entrenamiento asistido por anclajes (AAT). AAT integra una rama auxiliar basada en anclajes durante la fase de entrenamiento para proporcionar orientación adicional mediante gradientes; después, la descarta durante la inferencia para mantener la ventaja de velocidad del diseño sin anclajes.

Puntos fuertes y débiles#

Basado en la red troncal EfficientRep, optimizada para el hardware, YOLOv6-3.0 funciona bien en entornos de fabricación industrial de alta velocidad donde es posible procesar lotes en GPU dedicadas. Sin embargo, su diseño está ajustado para maximizar el rendimiento de las GPU, por lo que su ventaja de velocidad puede reducirse en dispositivos periféricos o en entornos que solo utilizan CPU.

Más información sobre YOLOv6-3.0

Comparativa de rendimiento#

Comprender las métricas de rendimiento en bruto es fundamental para elegir un modelo que se ajuste a tus limitaciones específicas de despliegue. La siguiente tabla desglosa la precisión, la velocidad y la huella computacional.

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
YOLOv6-3.0n64037.5-1.174.711.4
YOLOv6-3.0s64045.0-2.6618.545.3
YOLOv6-3.0m64050.0-5.2834.985.8
YOLOv6-3.0l64052.8-8.9559.6150.7
Consideraciones sobre el hardware

Aunque YOLOv6-3.0 ofrece velocidades muy altas con TensorRT en GPU T4, los desarrolladores que desplieguen en hardware periférico limitado o CPU se beneficiarán mucho de arquitecturas diseñadas específicamente para entornos de bajo consumo, como Ultralytics YOLO26.

Casos de uso y recomendaciones#

La elección entre EfficientDet y YOLOv6 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 YOLOv6#

Se recomienda YOLOv6 para:

  • Despliegues adaptados al hardware industrial: situaciones en las que el diseño adaptado al hardware y la reparametrización eficiente del modelo ofrecen un rendimiento optimizado en el hardware de destino específico.
  • Detección rápida en una sola etapa: aplicaciones que priorizan la velocidad de inferencia bruta en GPU para procesar vídeo en tiempo real en entornos controlados.
  • Integración con el ecosistema de Meituan: equipos que ya trabajan con la pila tecnológica y la infraestructura de despliegue de Meituan.

Cuándo elegir Ultralytics (YOLO26)#

Para la mayoría de los proyectos nuevos, Ultralytics YOLO26 ofrece la mejor combinación de rendimiento y experiencia para desarrolladores:

  • Despliegue edge sin NMS: Aplicaciones que requieren una inferencia uniforme 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: por qué elegir YOLO26#

Aunque EfficientDet y YOLOv6-3.0 fueron hitos en la investigación en visión artificial, implementarlos en entornos de producción modernos suele implicar lidiar con dependencias complejas, API inconexas y requisitos elevados de memoria. El ecosistema Ultralytics resuelve estos cuellos de botella del flujo de trabajo de forma nativa.

Para los desarrolladores que buscan un buen rendimiento y facilidad de uso, Ultralytics YOLO26 (lanzado en enero de 2026) supone un gran avance. Es el modelo recomendado para nuevos despliegues.

Innovaciones de YOLO26#

  • Diseño integral sin NMS: YOLO26 admite la inferencia integral nativa, que elimina la necesidad del posprocesamiento NMS cuando se selecciona su cabeza uno a uno con nms=False. Esto reduce las variaciones de latencia y simplifica el despliegue de modelos en distintos tipos de hardware periférico.
  • Optimizador MuSGD: Inspirado en el entrenamiento de LLM (como Kimi K2 de Moonshot AI), YOLO26 utiliza una combinación de SGD y Muon. Esto aporta a la visión artificial la estabilidad del entrenamiento de los modelos de lenguaje grandes, con una convergencia más rápida y un entrenamiento eficiente.
  • Hasta un 43 % más rápido en inferencia en CPU: Optimizado para la computación en el borde y los dispositivos de bajo consumo, YOLO26 ofrece una inferencia rápida en CPU, incluso en los casos en que los modelos industriales tradicionales tienen dificultades; YOLO26n es hasta un 43 % más rápido que YOLO11n.
  • Eliminación de DFL: Se ha eliminado Distribution Focal Loss para simplificar el grafo de exportación y mejorar la compatibilidad con entornos de ejecución de despliegue como OpenVINO y CoreML.
  • ProgLoss + STAL: La pérdida progresiva y la asignación de etiquetas adaptada a objetos pequeños mejoran notablemente el reconocimiento de objetos pequeños, por lo que YOLO26 es ideal para cartografía con drones, sensores IoT y robótica.

Versatilidad#

A diferencia de EfficientDet, que se limita a la detección de cajas delimitadoras, YOLO26 es multitarea de forma nativa. La misma API de Python unificada admite, de forma inmediata, la segmentación de instancias, la clasificación de imágenes, la estimación de pose y la detección de cajas delimitadoras orientadas (OBB), con mejoras específicas para cada tarea, como la pérdida de segmentación semántica y la estimación residual de log-verosimilitud (RLE), integradas directamente en la arquitectura.

Integración del código#

Entrenar una red neuronal avanzada ya no requiere cientos de líneas de código repetitivo. La biblioteca Ultralytics permite a los investigadores cargar, entrenar y validar un modelo con conjuntos de datos estándar como COCO en unas pocas líneas:

from ultralytics import YOLO

# Initialize the natively end-to-end YOLO26 Nano model
model = YOLO("yolo26n.pt")

# Train the model efficiently with automatic hardware detection
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Validate the model's performance
metrics = model.val()
print(f"Achieved mAP50-95: {metrics.box.map:.3f}")

# Export directly to ONNX or TensorRT without NMS overhead
model.export(format="onnx", nms=False)

Otros modelos que puedes tener en cuenta#

Si tu proyecto requiere compatibilidad con perfiles de hardware antiguos o estás manteniendo una base de código heredada, el amplio ecosistema Ultralytics te ofrece lo que necesitas.

  • Ultralytics YOLO11: El predecesor inmediato de YOLO26, muy utilizado en entornos empresariales que necesitan canalizaciones maduras y bien documentadas.
  • Ultralytics YOLOv8: Un modelo ampliamente adoptado que estableció un alto nivel para la experiencia de desarrollo y sigue siendo una buena opción para tareas de visión artificial de propósito general, con una integración profunda con herramientas como TensorBoard y Weights & Biases.

Comentarios

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