EfficientDet frente a YOLOv7
Seleccionar la arquitectura de red neuronal más eficaz es fundamental para que cualquier proyecto de visión artificial tenga éxito. Comparar modelos consolidados como EfficientDet y YOLOv7 ayuda a los desarrolladores a optimizar tanto la precisión como la eficiencia computacional.
Este análisis técnico cubre los detalles arquitectónicos, las métricas de rendimiento y los escenarios de despliegue más adecuados para ambos modelos. También explica por qué el ecosistema integrado de Ultralytics, incluida la última versión de Ultralytics YOLO26, es una alternativa sólida para las tareas modernas de visión artificial.
Comprender EfficientDet#
EfficientDet se diseñó para maximizar la precisión y gestionar sistemáticamente los costes computacionales en entornos con distintas limitaciones de recursos. Lo consiguió mediante un enfoque novedoso de escalado y fusión de características.
Detalles de EfficientDet:
- Autores: Mingxing Tan, Ruoming Pang y Quoc V. Le
- Organización: Google
- Fecha: 2019-11-20
- arXiv: EfficientDet: detección de objetos escalable y eficiente
- GitHub: Repositorio de Google AutoML
Arquitectura e innovaciones#
En esencia, EfficientDet utiliza una red piramidal de características bidireccional (BiFPN). A diferencia de las FPN tradicionales, BiFPN permite una fusión rápida de características a varias escalas al introducir pesos aprendibles que determinan 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 troncal, la red de características y las redes de predicción de cajas y clases.
Puntos fuertes y débiles#
EfficientDet es muy escalable. Sus variantes más pequeñas (d0-d2) son extremadamente eficientes en cuanto a parámetros, por lo que resultan adecuadas para entornos con limitaciones estrictas de almacenamiento. Las variantes más grandes (como d7) amplían los límites de la precisión media promedio (mAP) para el procesamiento sin conexión de alto nivel.
Sin embargo, EfficientDet depende en gran medida de implementaciones antiguas de TensorFlow y de complejas canalizaciones de AutoML. Esta infraestructura obsoleta dificulta su integración en los flujos de trabajo modernos centrados en PyTorch. Además, sufre una latencia de inferencia considerable en dispositivos periféricos al escalar a variantes de mayor precisión.
Más información sobre EfficientDet
Comprender YOLOv7#
YOLOv7, presentado en 2022, supuso una gran mejora de velocidad y precisión para las aplicaciones en tiempo real y estableció, en aquel momento, un nuevo referente para la familia YOLO.
Detalles de YOLOv7:
- Autores: Chien-Yao Wang, Alexey Bochkovskiy y Hong-Yuan Mark Liao
- Organización: Institute of Information Science, Academia Sinica, Taiwán
- Fecha: 2022-07-06
- arXiv: YOLOv7: un conjunto de «bag-of-freebies» entrenables establece un nuevo estado del arte para los detectores de objetos en tiempo real
- GitHub: Repositorio oficial de YOLOv7
Arquitectura e innovaciones#
YOLOv7 introdujo la red de agregación de capas eficiente ampliada (E-ELAN). Esta mejora arquitectónica aumenta la capacidad de aprendizaje de la red sin destruir la ruta de gradiente original, lo que permite que el modelo aprenda características más diversas de forma eficiente. Además, incorpora un «conjunto de trucos entrenable» que aprovecha técnicas como la reparametrización planificada y la asignación dinámica de etiquetas para aumentar la precisión sin incrementar el coste de inferencia.
Puntos fuertes y débiles#
YOLOv7 funciona bien en escenarios en tiempo real, como el análisis de vídeo y la navegación robótica de alta velocidad. Escala bien en GPU de nivel servidor y ofrece una implementación nativa de PyTorch, por lo que resulta accesible para investigadores académicos.
A pesar de su velocidad, YOLOv7 sigue dependiendo de la supresión no máxima (NMS) para el posprocesamiento, lo que puede provocar una latencia variable en escenas concurridas. Su consumo de memoria durante el entrenamiento es notablemente superior al de las generaciones más recientes, por lo que necesita hardware más potente para gestionar tamaños de lote grandes.
Comparativa de rendimiento y métricas#
Al comparar estos modelos, es fundamental examinar las ventajas e inconvenientes de la precisión, la velocidad de inferencia y el tamaño de los parámetros. La tabla siguiente evalúa varias configuraciones de EfficientDet y YOLOv7.
| Modelo | tamaño (píxeles) | mAPval50-95 | Velocidad CPU ONNX (ms) | Velocidad T4 TensorRT10 (ms) | parámetros (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| EfficientDet-d0 | 512 | 34.6 | - | 3.92 | 3.9 | 2.54 |
| EfficientDet-d1 | 640 | 40.5 | - | 7.31 | 6.6 | 6.1 |
| EfficientDet-d2 | 768 | 43.0 | - | 10.92 | 8.1 | 11.0 |
| EfficientDet-d3 | 896 | 47.5 | - | 19.59 | 12.0 | 24.9 |
| EfficientDet-d4 | 1024 | 49.7 | - | 33.55 | 20.7 | 55.2 |
| EfficientDet-d5 | 1280 | 51.5 | - | 67.86 | 33.7 | 130.0 |
| EfficientDet-d6 | 1280 | 52.6 | - | 89.29 | 51.9 | 226.0 |
| EfficientDet-d7 | 1536 | 53.7 | - | 128.07 | 51.9 | 325.0 |
| YOLOv7l | 640 | 51.4 | - | 6.84 | 36.9 | 104.7 |
| YOLOv7x | 640 | 53.1 | - | 11.57 | 71.3 | 189.9 |
Aunque EfficientDet-d7 alcanza el mAP más alto, necesita unos 128 ms en una GPU T4. YOLOv7x logra un resultado comparable de 53,1 mAP en 11,57 ms, lo que supone una mejora de un orden de magnitud en eficiencia computacional para despliegues en tiempo real.
Casos de uso y recomendaciones#
La elección entre EfficientDet y YOLOv7 depende de los requisitos específicos de tu proyecto, las limitaciones de despliegue y las 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 YOLOv7#
Se recomienda YOLOv7 para:
- Evaluación comparativa académica: reproducir resultados de vanguardia de 2022 o estudiar los efectos de E-ELAN y las técnicas de conjunto de técnicas gratuitas entrenables.
- Investigación sobre reparametrización: estudiar convoluciones reparametrizadas planificadas y estrategias de escalado compuesto de modelos.
- Flujos personalizados existentes: proyectos con flujos muy personalizados basados en la arquitectura específica de YOLOv7 que no se puedan refactorizar fácilmente.
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.
La ventaja de Ultralytics#
Elegir la arquitectura adecuada va más allá de las métricas brutas: también hay que evaluar todo el ciclo de vida del aprendizaje automático. El ecosistema de Ultralytics ofrece una sólida experiencia para desarrolladores y reduce considerablemente la barrera de entrada a los despliegues de IA robustos.
- Facilidad de uso: Ultralytics ofrece una API unificada de Python. Los desarrolladores pueden entrenar, validar y exportar modelos con solo unas pocas líneas de código, sin tener que gestionar las complejas bases de código fragmentadas típicas de EfficientDet.
- Ecosistema bien mantenido: Gracias a sus actualizaciones rápidas, documentación exhaustiva y comunidad activa, Ultralytics garantiza la compatibilidad con los frameworks de despliegue más recientes, como TensorRT y OpenVINO.
- Requisitos de memoria: Gracias al uso de cargadores de datos de PyTorch optimizados y estructuras de red simplificadas, los modelos Ultralytics YOLO necesitan mucha menos memoria CUDA durante el entrenamiento que las redes con múltiples ramas y los modelos con muchos Transformers.
- Versatilidad: A diferencia de las arquitecturas antiguas, vinculadas estrictamente a la detección de cajas delimitadoras, los modelos Ultralytics son marcos multitarea compatibles con la segmentación de instancias, la estimación de pose y la detección de cajas delimitadoras orientadas (OBB).
Eficiencia del entrenamiento con Ultralytics#
El siguiente código muestra lo sencillo que es entrenar un modelo con el paquete Ultralytics de Python, en comparación con la configuración de las antiguas canalizaciones de TensorFlow.
from ultralytics import YOLO
# Carga el modelo YOLO26, muy recomendable
model = YOLO("yolo26s.pt")
# Entrena el modelo con aumento de datos integrado
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Exporta el modelo a TensorRT para desplegarlo
model.export(format="engine")El nuevo estándar: YOLO26#
Aunque YOLOv7 y EfficientDet sentaron las bases de la visión artificial moderna, el panorama cambió considerablemente con la presentación de Ultralytics YOLO26 en enero de 2026. Diseñado para ofrecer tanto una gran precisión como un alto rendimiento en dispositivos periféricos, YOLO26 es el modelo recomendado para los nuevos proyectos de visión.
Principales innovaciones de YOLO26#
- Diseño integral sin NMS: Sobre la base de YOLOv10, YOLO26 ofrece una cabeza integral nativa (
nms=False). Al eliminar por completo el posprocesamiento NMS, proporciona una latencia menor y más uniforme, algo crucial en sistemas críticos para la seguridad, como la conducción autónoma. - Hasta un 43 % más rápido en inferencia en CPU: Gracias a la eliminación de Distribution Focal Loss (DFL), YOLO26 simplifica el proceso de exportación y ofrece una inferencia rápida en dispositivos periféricos como Raspberry Pi (YOLO26n es hasta un 43 % más rápido en CPU que YOLO11n), por lo que es una opción sólida para la computación en el borde.
- Optimizador MuSGD: YOLO26 incorpora el optimizador MuSGD, una combinación de SGD y Muon inspirada en técnicas de entrenamiento de LLM de Moonshot AI. Esto proporciona dinámicas de entrenamiento estables y una convergencia más rápida.
- ProgLoss + STAL: La pérdida progresiva y la asignación de etiquetas adaptada a objetos pequeños mejoran la capacidad del modelo para detectar objetos diminutos, un problema habitual en las imágenes de drones y los sistemas de alarma de seguridad.
- Mejoras específicas para cada tarea: YOLO26 es mucho más que un detector. Incluye una pérdida de segmentación semántica y un proto multiescala para mejorar la calidad de la segmentación de instancias, estimación residual de log-verosimilitud (RLE) para una estimación de pose más precisa y una pérdida angular especializada para resolver ambigüedades en los límites de las OBB.
Explora modelos alternativos#
Aunque YOLO26 es la opción predeterminada recomendada, el ecosistema de Ultralytics admite una variedad de modelos adaptados a distintos casos de uso.
Para los desarrolladores que mantienen sistemas existentes, YOLO11 sigue siendo una opción robusta y bien respaldada en Ultralytics Platform. Para los casos que exigen expresamente arquitecturas basadas en Transformers, RT-DETR ofrece detección en tiempo real con un codificador-decodificador Transformer, que conecta los mecanismos de atención con velocidades de ejecución en tiempo real.
En conclusión, aunque EfficientDet aporta conocimientos académicos sobre el escalado compuesto y YOLOv7 ofrece un sólido rendimiento de referencia en tiempo real, las empresas modernas se benefician más de adoptar Ultralytics Platform. Con YOLO26, los equipos obtienen un alto rendimiento, un proceso de entrenamiento sencillo y una vía de despliegue con mantenimiento activo.
Comentarios
Haz una pregunta, comparte tus resultados o ayuda a otra persona.