Empezar

EfficientDet frente a YOLOv8

El campo de la visión artificial sigue evolucionando, y las nuevas arquitecturas amplían continuamente lo que es posible. Elegir la arquitectura de red neuronal adecuada es fundamental para equilibrar la precisión, la latencia y el consumo de recursos. Este análisis técnico compara dos modelos de detección de objetos muy utilizados: EfficientDet de Google y Ultralytics YOLOv8.

Tanto si quieres implementar modelos en dispositivos de computación en el edge con recursos muy limitados como si quieres ejecutar análisis a gran escala en servidores en la nube, entender las diferencias entre estos modelos te ayudará a elegir el más adecuado.

Descripción general y orígenes de los modelos#

Comprender la filosofía arquitectónica de cada modelo aporta un contexto esencial para entender sus características de rendimiento.

EfficientDet: precisión escalable#

Desarrollado por investigadores de Google, EfficientDet se presentó como un framework de detección de objetos altamente escalable. Se centra en maximizar la precisión y, al mismo tiempo, gestionar cuidadosamente las operaciones de coma flotante (FLOPs) y el número de parámetros.

Más información sobre EfficientDet

EfficientDet se basa en la red troncal EfficientNet e introduce una red piramidal de características bidireccional (BiFPN). Esto permite fusionar rápidamente características de varias escalas. También utiliza un método de escalado compuesto que escala de manera uniforme y simultánea la resolución, la profundidad y la anchura de todas las redes: la red troncal, la red de características y las redes de predicción de cajas y clases. Aunque es eficaz, su gran dependencia del ecosistema TensorFlow puede complicar a veces el despliegue en entornos centrados en PyTorch.

Ultralytics YOLOv8: el estándar versátil#

Lanzado a principios de 2023, Ultralytics YOLOv8 supuso un cambio importante en la familia YOLO: se diseñó no solo para detectar cajas delimitadoras, sino también como un framework unificado capaz de abordar numerosas tareas de visión.

YOLOv8 introdujo una cabeza de detección sin anchors, lo que eliminó la necesidad de configurar manualmente cajas de referencia según la distribución del conjunto de datos. Esto simplifica considerablemente el entrenamiento. Su arquitectura incorpora un módulo C2f optimizado que mejora el flujo del gradiente y permite al modelo aprender representaciones de características más ricas. YOLOv8 también requiere mucha menos memoria de GPU durante el entrenamiento que los modelos Transformer de gran tamaño, lo que hace más accesible la investigación de IA de alto nivel.

Capacidades multitarea

A diferencia de EfficientDet, diseñado exclusivamente para cajas delimitadoras, YOLOv8 ofrece una gran versatilidad. De serie, admite la detección de objetos, la segmentación de instancias, la clasificación de imágenes, la estimación de pose y las cajas delimitadoras orientadas (OBB).

Rendimiento y pruebas de referencia#

Al evaluar estos modelos en benchmarks estándar, como el conjunto de datos COCO, quedan claras las compensaciones entre velocidad y precisión. La tabla siguiente compara la familia EfficientDet (d0-d7) con la serie YOLOv8 (n-x).

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
YOLOv8n64037.380.41.473.28.7
YOLOv8s64044.9128.42.6611.228.6
YOLOv8m64050.2234.75.8625.978.9
YOLOv8l64052.9375.29.0643.7165.1
YOLOv8x64053.9479.114.3768.2257.8

Análisis de los datos#

Los datos de las pruebas comparativas ponen de relieve el equilibrio de rendimiento que los ingenieros de Ultralytics incorporan a sus arquitecturas. YOLOv8 destaca en entornos acelerados por GPU. El modelo YOLOv8n se ejecuta en 1,47 ms en una NVIDIA T4 con TensorRT, por lo que se adapta mucho mejor a los flujos de análisis de vídeo en tiempo real.

YOLOv8x también alcanza la mayor precisión global, con 53,9 mAP, y supera a EfficientDet-d7 con menos FLOPs (257.8B frente a 325.0B). Esta eficiencia computacional se traduce directamente en menores requisitos de memoria y un menor coste energético durante la implementación empresarial.

Ecosistema y facilidad de uso#

Para muchos equipos de ingeniería modernos, lo que marca la diferencia no es solo la velocidad bruta de un modelo, sino también el ecosistema que lo rodea.

La implementación de EfficientDet depende mucho de bibliotecas de AutoML antiguas, que pueden suponer una curva de aprendizaje pronunciada y cadenas de dependencias frágiles para los desarrolladores acostumbrados a los flujos de trabajo modernos de PyTorch.

En cambio, Ultralytics prioriza la facilidad de uso. El ecosistema bien mantenido ofrece una API de Python coherente que simplifica enormemente el ciclo de vida del aprendizaje automático. Se integra con la plataforma Ultralytics, que se encarga de todo, desde la anotación automática hasta el entrenamiento en la nube y la supervisión en tiempo real.

Ejemplo de código: entrenamiento e inferencia con YOLOv8#

La eficiencia de entrenamiento del ecosistema Ultralytics se demuestra mejor con código. Para empezar, solo necesitas unas pocas líneas de Python:

from ultralytics import YOLO

# Carga un modelo YOLOv8 nano preentrenado
model = YOLO("yolov8n.pt")

# Entrena el modelo con el conjunto de datos COCO8
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)

# Ejecuta la inferencia en una imagen remota
predictions = model("https://ultralytics.com/images/bus.jpg")

# Exportar a ONNX para el despliegue en producción
export_path = model.export(format="onnx")

Este proceso optimizado gestiona automáticamente la descarga de conjuntos de datos, el aumento de datos y la asignación de hardware, lo que permite a los investigadores centrarse en los resultados en lugar de en el código repetitivo.

Casos de uso y recomendaciones#

La elección entre EfficientDet y YOLOv8 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 YOLOv8#

Se recomienda YOLOv8 para:

  • Implementación versátil y multitarea: Proyectos que necesitan un modelo probado para detección, segmentación, clasificación y estimación de pose dentro del ecosistema Ultralytics.
  • Sistemas de producción consolidados: Entornos de producción existentes basados en la arquitectura YOLOv8, con canalizaciones de implementación estables y bien probadas.
  • Amplio respaldo de la comunidad y del ecosistema: Aplicaciones que se benefician de los numerosos tutoriales de YOLOv8, las integraciones de terceros y los recursos de una comunidad activa.

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 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.

Perspectivas: las ventajas de YOLO26#

Aunque YOLOv8 es un excelente modelo de uso general, la visión artificial ha seguido avanzando. Para quienes estén evaluando arquitecturas hoy, el punto de partida recomendado es el recién lanzado Ultralytics YOLO26.

Lanzado en enero de 2026, YOLO26 se basa en los éxitos de sus predecesores (incluidos YOLO11 y YOLOv10) e incorpora varias funciones nuevas:

  • Diseño integral sin NMS: La cabeza uno a uno opcional de YOLO26 (nms=False) elimina el posprocesamiento de supresión no máxima (NMS), lo que simplifica la lógica de implementación y reduce las variaciones de latencia.
  • Optimizador MuSGD: Al integrar técnicas del entrenamiento de modelos de lenguaje grandes (LLM), este optimizador híbrido proporciona un entrenamiento más estable y una convergencia rápida.
  • Inferencia en CPU hasta un 43 % más rápida: Optimizado para situaciones de IA en el edge sin GPU dedicada, YOLO26n funciona hasta un 43 % más rápido en CPU que YOLO11n.
  • ProgLoss + STAL: Estos ajustes del entrenamiento mejoran notablemente el reconocimiento de objetos pequeños, un punto débil histórico de muchos detectores en tiempo real.

Conclusión#

EfficientDet sigue siendo una arquitectura basada en principios que abrió camino a las técnicas de escalado compuesto. Sin embargo, para aplicaciones listas para producción, Ultralytics YOLOv8 ofrece una mejor experiencia de desarrollo, más versatilidad en distintas tareas de visión y una inferencia mucho más rápida en hardware moderno con GPU.

Para los equipos que empiezan proyectos nuevos, el ecosistema Ultralytics ofrece desarrollo activo, documentación exhaustiva y una vía clara para actualizar a modelos más recientes, como YOLO26.

Comentarios1

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

  1. finfindaraGitHub(editado)

    Insightful comparison! EfficientDet is well-regarded for its scalability and efficient use of computational resources, especially in mobile and low-power scenarios. That said, this YOLOv8 comparison highlights how v8 offers better real-time performance, a more user-friendly training pipeline, and greater flexibility across different vision tasks. Each model brings unique strengths depending on the deployment context.