PP-YOLOE+ frente a YOLO26
La visión por computador en tiempo real ha crecido rápidamente, impulsada por la necesidad de modelos de detección de objetos escalables, eficientes y precisos. Dos arquitecturas destacadas en este ámbito son PP-YOLOE+, un detector del ecosistema PaddlePaddle, y Ultralytics YOLO26, el modelo más reciente de Ultralytics, diseñado para el despliegue en el borde y la eficiencia del entrenamiento.
Esta guía compara estos dos modelos y destaca sus arquitecturas, métricas de rendimiento, métodos de entrenamiento y casos de uso ideales para ayudarte a tomar una decisión informada para tu próximo proyecto de IA.
Especificaciones técnicas y autoría#
Los orígenes y las filosofías de diseño de estos modelos aportan un contexto útil para su aplicación en el mundo real.
Detalles de PP-YOLOE+ :
- Autores: Autores de PaddlePaddle
- Organización: Baidu
- Fecha: 2 de abril de 2022
- arXiv: https://arxiv.org/abs/2203.16250
- GitHub: Repositorio de PaddleDetection
- Documentación: Documentación de PP-YOLOE+
Más información sobre PP-YOLOE+
Detalles de YOLO26:
- Autores: Glenn Jocher y Jing Qiu
- Organización: Ultralytics
- Fecha: 14 de enero de 2026
- GitHub: Repositorio de Ultralytics
- Documentación: Documentación de YOLO26
Innovaciones arquitectónicas#
Arquitectura de PP-YOLOE+#
Basado en PP-YOLOE y el anterior PP-YOLOv2, PP-YOLOE+ introduce un diseño robusto adaptado a las aplicaciones industriales. Utiliza la red troncal CSPRepResNet y una cabeza ET (cabeza eficiente y alineada con las tareas) para equilibrar la velocidad y la precisión. PP-YOLOE+ utiliza la asignación dinámica de etiquetas (TAL) y se integra estrechamente con el marco PaddlePaddle de Baidu, lo que lo optimiza para GPU NVIDIA como T4 y V100. Sin embargo, su fuerte dependencia del ecosistema PaddlePaddle puede generar dificultades para los desarrolladores que utilizan flujos de trabajo de PyTorch.
Arquitectura de YOLO26: diseño con prioridad en el edge#
Publicado en enero de 2026, Ultralytics YOLO26 rediseña el flujo de detección en tiempo real, con especial atención a la sencillez del despliegue y la eficiencia en el borde.
Entre las principales innovaciones de YOLO26 se incluyen:
- Diseño de extremo a extremo sin NMS: YOLO26 admite inferencia nativa de extremo a extremo (
nms=False), por lo que elimina el posprocesamiento de supresión no máxima (NMS). Este enfoque, introducido por primera vez en YOLOv10, mantiene una latencia de inferencia constante independientemente de la densidad de la escena, lo que simplifica considerablemente el despliegue. - Eliminación de DFL: Al eliminar Distribution Focal Loss (DFL), YOLO26 simplifica su cabeza de salida y mejora la compatibilidad con dispositivos periféricos de bajo consumo.
- Inferencia en CPU hasta un 43 % más rápida: Gracias a la eliminación de DFL y a las optimizaciones estructurales, YOLO26 está optimizado para entornos sin GPU dedicada, y YOLO26n alcanza velocidades de inferencia en CPU hasta un 43 % superiores a las de YOLO11n.
- Optimizador MuSGD: Inspirado en técnicas avanzadas de entrenamiento de LLM, como las de Moonshot AI, YOLO26 introduce una combinación híbrida de SGD y Muon. Esto proporciona un entrenamiento estable y una convergencia más rápida para las tareas de visión por computador.
- ProgLoss + STAL: Progressive Loss y la asignación de etiquetas consciente de los objetos pequeños se centran específicamente en mejorar el reconocimiento de objetos pequeños, algo fundamental para los sensores periféricos IoT y las imágenes de drones, como las del conjunto de datos VisDrone.
Además de los cuadros delimitadores estándar, YOLO26 incorpora mejoras específicas para todas las tareas de visión. Utiliza la pérdida de segmentación semántica y la creación de prototipos multiescala para la segmentación, la estimación residual de máxima verosimilitud (RLE) para la estimación de pose y una pérdida de ángulo especializada para resolver problemas de límites en la detección de cuadros delimitadores orientados (OBB).
Rendimiento y métricas#
La tabla siguiente ofrece una comparación exhaustiva de PP-YOLOE+ y YOLO26 en distintos tamaños de modelo. Los modelos YOLO26 destacan por su velocidad bruta, su eficiencia en cuanto a parámetros y su precisión media (mAP) global.
| Modelo | tamaño (píxeles) | mAPval50-95 | Velocidad CPU ONNX (ms) | Velocidad T4 TensorRT10 (ms) | parámetros (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| PP-YOLOE+t | 640 | 39.9 | - | 2.84 | 4.85 | 19.15 |
| PP-YOLOE+s | 640 | 43.7 | - | 2.62 | 7.93 | 17.36 |
| PP-YOLOE+m | 640 | 49.8 | - | 5.56 | 23.43 | 49.91 |
| PP-YOLOE+l | 640 | 52.9 | - | 8.36 | 52.2 | 110.07 |
| PP-YOLOE+x | 640 | 54.7 | - | 14.3 | 98.42 | 206.59 |
| YOLO26n | 640 | 40.9 | 38.9 | 1.7 | 2.4 | 5.5 |
| YOLO26s | 640 | 48.6 | 87.2 | 2.5 | 9.5 | 20.9 |
| YOLO26m | 640 | 53.1 | 220.0 | 4.7 | 20.4 | 68.4 |
| YOLO26l | 640 | 55.0 | 286.2 | 6.2 | 24.8 | 86.8 |
| YOLO26x | 640 | 57.5 | 525.8 | 11.8 | 55.7 | 194.4 |
Nota: Los valores en negrita destacan la mejor métrica de cada pareja de modelos de tamaño equivalente.
Análisis#
- Requisitos y eficiencia de memoria: YOLO26 necesita muchos menos parámetros y FLOP para lograr puntuaciones mAP más altas. Por ejemplo, el modelo YOLO26n (Nano) alcanza un mAP de 40,9 con tan solo 2,4 M de parámetros y supera al modelo PP-YOLOE+t con aproximadamente la mitad de su tamaño. Esto se traduce en un menor uso de memoria tanto durante el entrenamiento como durante el despliegue.
- Velocidad de inferencia: Al exportarse con TensorRT, YOLO26 lidera en latencia. La cabeza uno a uno sin NMS (
nms=False, utilizada para estas pruebas comparativas) mantiene estable el tiempo de inferencia de 1,7 ms en una GPU T4, mientras que PP-YOLOE+ depende de tiempos de posprocesamiento potencialmente variables.
La ventaja de Ultralytics: ecosistema y facilidad de uso#
Aunque las métricas brutas son importantes, la experiencia de desarrollo suele determinar el éxito de un proyecto. Ultralytics Platform ofrece un ecosistema bien mantenido y mucho más fácil de utilizar que los marcos de trabajo antiguos.
- Facilidad de uso: Ultralytics abstrae el complejo código repetitivo. Para entrenar YOLO26 solo hacen falta unas pocas líneas de Python, sin los extensos archivos de configuración que exige PP-YOLOE+.
- Versatilidad: PP-YOLOE+ es principalmente una arquitectura de detección de objetos. YOLO26 admite de fábrica la segmentación, la clasificación, la estimación de pose y OBB.
- Eficiencia del entrenamiento: Los modelos YOLO de Ultralytics requieren mucha menos memoria CUDA que los voluminosos modelos Transformer, como RT-DETR, o que las arquitecturas antiguas, lo que permite a los investigadores entrenar modelos precisos en hardware de consumo.
Aunque YOLO26 es la opción predeterminada recomendada, el ecosistema de Ultralytics también incluye YOLO11 y YOLOv8. Ambos siguen siendo modelos capaces, cuentan con una amplia comunidad de usuarios y son adecuados para quienes mantienen sistemas existentes.
Ejemplo de código: entrenamiento de YOLO26#
Empezar a utilizar Ultralytics es sencillo. Aquí tienes un ejemplo ejecutable que muestra cómo cargar, entrenar y exportar un modelo YOLO26:
from ultralytics import YOLO
# Load the YOLO26 small model
model = YOLO("yolo26s.pt")
# Train the model on the COCO8 dataset using the new MuSGD optimizer
results = model.train(
data="coco8.yaml",
epochs=100,
imgsz=640,
batch=16,
optimizer="MuSGD", # hybrid SGD + Muon optimizer
)
# Export to ONNX for CPU deployment
export_path = model.export(format="onnx")
print(f"Model successfully exported to: {export_path}")Casos de uso ideales#
Cuándo elegir PP-YOLOE+#
- Infraestructura heredada de PaddlePaddle: Si una empresa ya está profundamente integrada en la pila tecnológica de Baidu y utiliza hardware preconfigurado para Paddle Inference, PP-YOLOE+ es una opción segura y estable.
- Líneas de producción existentes basadas en Paddle: Los flujos de trabajo de visión industrial que ya utilizan PP-YOLOE+ para la detección automatizada de defectos pueden seguir usando sus herramientas habituales.
Cuándo elegir YOLO26#
- Computación en el borde e IoT: La inferencia en CPU hasta un 43 % más rápida (YOLO26n frente a YOLO11n) y la eliminación de DFL hacen que YOLO26 sea una excelente opción para desplegar en placas Raspberry Pi, teléfonos móviles y dispositivos integrados.
- Escenas concurridas y ciudades inteligentes: La arquitectura de extremo a extremo sin NMS mantiene estable la latencia en entornos densos, como la gestión de aparcamientos y la monitorización del tráfico, donde el NMS tradicional provocaría cuellos de botella.
- Proyectos multitarea: Si tu flujo de trabajo necesita realizar seguimiento de objetos, estimar poses humanas o generar máscaras de segmentación precisas, YOLO26 lo gestiona todo en un único paquete unificado de Python.
Conclusión#
Aunque PP-YOLOE+ sigue siendo un detector competente dentro de su ecosistema específico, YOLO26 eleva el listón de la detección en tiempo real. Al combinar optimizaciones de entrenamiento inspiradas en los LLM (MuSGD) con una arquitectura optimizada y sin NMS, Ultralytics ha creado un modelo muy preciso y fácil de desplegar. Para los desarrolladores actuales que buscan el mejor equilibrio entre velocidad, precisión y experiencia de desarrollo, YOLO26 es la opción recomendada.
Comentarios
Haz una pregunta, comparte tus resultados o ayuda a otra persona.