Empezar

YOLO11 frente a YOLO26

Cada generación de Ultralytics YOLO busca mejorar la velocidad, la precisión y la eficiencia de implementación para la detección de objetos en tiempo real. Esta comparativa técnica analiza la transición del ampliamente utilizado YOLO11 al actual YOLO26, y examina sus arquitecturas, métricas de rendimiento y escenarios de implementación ideales.

Tanto si estás creando sistemas de entrega con drones como si estás optimizando un flujo de trabajo de fabricación inteligente a escala mundial, entender las diferencias entre estos dos modelos te ayudará a elegir el adecuado.

Linaje de los modelos y ecosistema#

Ambos modelos se benefician del ecosistema Ultralytics, con una API sencilla, mantenimiento continuo y una comunidad activa. Ambos admiten de forma nativa tareas de detección de objetos, segmentación de instancias, clasificación de imágenes, estimación de pose y cuadros delimitadores orientados (OBB), y YOLO26 añade segmentación semántica y estimación de profundidad.

YOLO11: el estándar consolidado#

Lanzado a finales de 2024, YOLO11 perfeccionó los avances de las generaciones anteriores y se consolidó como una solución fiable y versátil para entornos de producción.

YOLO26: la próxima generación#

Presentado en enero de 2026, YOLO26 se centra en la implementación en el borde y la inferencia opcional de extremo a extremo, y mejora la velocidad en CPU y la facilidad de integración.

Gestión de datos e implementaciones

Tanto YOLO11 como YOLO26 están totalmente integrados con la plataforma Ultralytics, que ofrece flujos de trabajo sin código para anotar conjuntos de datos, entrenar en la nube y supervisar implementaciones.

Innovaciones arquitectónicas#

YOLO11 se basa en métodos tradicionales de posprocesamiento que llevan años impulsando la visión artificial, mientras que YOLO26 introduce varios cambios estructurales que eliminan los cuellos de botella de la implementación.

Diseño integral sin NMS#

Una de las mejoras más significativas de YOLO26 es su arquitectura nativa de extremo a extremo. Su cabeza opcional uno a uno (nms=False) elimina el posprocesamiento de supresión de máximos no máximos (NMS), un concepto que YOLOv10 introdujo en los modelos YOLO. Al prescindir de NMS, se simplifica la canalización de despliegue y se mantiene una latencia constante, algo esencial para aplicaciones en tiempo real como los algoritmos de conducción autónoma.

Eliminación de DFL para la optimización en el perímetro#

YOLO26 elimina la pérdida focal de distribución (DFL). Aunque DFL resultaba útil en YOLO11 para la localización precisa, eliminarla simplifica el grafo de exportación de la red. Esto mejora la compatibilidad con hardware de bajo consumo y hace que YOLO26 sea especialmente adecuado para dispositivos de borde como Raspberry Pi o NVIDIA Jetson.

Optimizador MuSGD#

Inspirado en métodos de entrenamiento de modelos de lenguaje grandes (LLM), en concreto Kimi K2 de Moonshot AI, YOLO26 utiliza el optimizador MuSGD. Esta combinación de descenso de gradiente estocástico (SGD) y Muon proporciona un entrenamiento más estable y una convergencia más rápida; con optimizer=auto, Ultralytics selecciona MuSGD para entrenamientos más largos.

Pérdida y asignación de etiquetas#

YOLO26 incorpora ProgLoss + STAL (pérdida progresiva y asignación de etiquetas consciente de objetos pequeños). Esta combinación mejora la detección de objetos pequeños y densamente agrupados. Además, YOLO26 introduce mejoras específicas para cada tarea: pérdida de segmentación semántica y un módulo proto multiescala para la segmentación de instancias, estimación residual de log-verosimilitud (RLE) para la estimación de pose y una pérdida angular especializada que mitiga los problemas de límites en las tareas de detección OBB.

Comparativa de rendimiento#

El equilibrio entre precisión (mAP), número de parámetros, complejidad computacional (FLOPs) y velocidad determina la selección del hardware. YOLO26 está orientado específicamente a la inferencia en CPU: YOLO26n alcanza una inferencia en CPU hasta un 43 % más rápida que YOLO11n.

Modelotamaño
(píxeles)
mAPval50-95Velocidad
CPU ONNX
(ms)
Velocidad
T4 TensorRT10
(ms)
parámetros
(M)
FLOPs
(B)
YOLO11n64039.556.11.52.66.5
YOLO11s64047.090.02.59.421.6
YOLO11m64051.5183.24.720.168.1
YOLO11l64053.4238.66.225.387.2
YOLO11x64054.7462.811.356.9195.3
YOLO26n64040.938.91.72.45.5
YOLO26s64048.687.22.59.520.9
YOLO26m64053.1220.04.720.468.4
YOLO26l64055.0286.26.224.886.8
YOLO26x64057.5525.811.855.7194.4

YOLO26n mejora en 1,4 mAP respecto a YOLO11n (40,9 frente a 39,5) y reduce el tiempo de inferencia en CPU de 56,1 ms a 38,9 ms con ONNX Runtime. YOLO26 ofrece más precisión en todos los tamaños; en las escalas m, l y x, YOLO11 sigue siendo más rápido en CPU, mientras que la latencia de TensorRT en T4 es similar en ambas familias.

Exportación para lograr la máxima velocidad

Para obtener el máximo rendimiento, exporta estos modelos a TensorRT en hardware NVIDIA o a OpenVINO para CPU Intel. La cabeza opcional de YOLO26 sin NMS (nms=False) simplifica aún más el flujo de trabajo exportado.

Casos de uso y aplicaciones reales#

La elección entre YOLO11 y YOLO26 depende en gran medida de tu infraestructura y de los objetivos específicos del proyecto.

Computación perimetral e IoT#

Para aplicaciones con limitaciones de energía y hardware, como la supervisión agrícola inteligente mediante drones o los sistemas de alarma de seguridad locales, YOLO26 es la opción más adecuada. La eliminación de DFL y una inferencia en CPU hasta un 43 % más rápida (YOLO26n frente a YOLO11n) permiten ejecutar modelos de visión complejos en dispositivos sin GPU dedicada y mantener una alta frecuencia de fotogramas.

Nube y escala empresarial#

YOLO11 sigue siendo una buena opción para las implementaciones empresariales existentes que se basan en él, como el análisis de vídeo en la nube y los flujos de procesamiento de contenido multimedia a gran escala ya integrados con sus formatos de salida.

Detección de objetos pequeños#

Si tu proyecto requiere una gran precisión con objetos pequeños, como detectar defectos en una placa de circuito o seguir vehículos lejanos en imágenes aéreas, la implementación de ProgLoss + STAL en YOLO26 mejora la exhaustividad y la precisión en esos casos difíciles.

Eficiencia del entrenamiento y requisitos de memoria#

Una ventaja importante del marco de trabajo Ultralytics es su bajo consumo de memoria durante el entrenamiento. A diferencia de los detectores basados en transformers, como RT-DETR, que pueden consumir mucha memoria CUDA, tanto YOLO11 como YOLO26 están optimizados para entrenarse de forma eficiente en hardware de consumo.

La integración del optimizador MuSGD en YOLO26 también ayuda a acelerar la convergencia y reducir las horas totales de cálculo en GPU y los costes de computación en la nube.

Aquí tienes un ejemplo sencillo de entrenamiento de YOLO26 con la API de Python:

from ultralytics import YOLO

# Inicializa el modelo YOLO26 Nano
model = YOLO("yolo26n.pt")

# Entrena el modelo con el conjunto de datos COCO8
# La selección del optimizador (MuSGD para entrenamientos más largos) y la gestión de memoria se realizan automáticamente
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)

# Ejecuta una validación rápida para comprobar las métricas mAP
metrics = model.val()

# Exporta el modelo entrenado a ONNX para obtener una inferencia rápida en CPU
model.export(format="onnx")

Explora otras arquitecturas#

YOLO26 es el punto de partida recomendado, pero otros modelos de la documentación de Ultralytics pueden adaptarse a necesidades concretas. Para quienes dependen de entornos heredados, las arquitecturas anteriores, como YOLOv5, siguen ofreciendo un rendimiento fiable. Si necesitas capacidades de disparo cero y no puedes definir las clases de antemano, YOLO-World ofrece detección de vocabulario abierto mediante indicaciones de texto.

Conclusión#

El paso de YOLO11 a YOLO26 es más que una actualización incremental: cambia la forma en que se ejecutan en producción los modelos de detección en tiempo real. Con la inferencia opcional sin NMS y las optimizaciones centradas primero en el borde, YOLO26 es la opción recomendada para los proyectos nuevos. Gracias a la documentación de Ultralytics, actualizar a YOLO26 permite simplificar la implementación, estabilizar el entrenamiento y aumentar la precisión en todas las tareas de visión admitidas.

Comentarios

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