YOLO11 frente a YOLOv5#

Seleccionar la arquitectura de red neuronal adecuada es una decisión crucial para cualquier iniciativa de visión por ordenador. A medida que evoluciona el panorama de la inteligencia artificial, también lo hacen las herramientas disponibles para desarrolladores e investigadores. Esta guía exhaustiva ofrece una comparación técnica detallada entre dos modelos emblemáticos del ecosistema de Ultralytics: el célebre YOLOv5 y el avanzado YOLO11.

Tanto si implementas modelos ligeros para aplicaciones de IA en el perímetro como si procesas flujos de vídeo de alta resolución en GPU en la nube, comprender las particularidades arquitectónicas, las métricas de rendimiento y los casos de uso ideales de estos modelos te permitirá tomar una decisión basada en datos que se ajuste a tus limitaciones específicas de implementación.

Linaje del modelo y detalles técnicos#

Ambos modelos reflejan el compromiso de Ultralytics con la colaboración de código abierto, un rendimiento sólido y una facilidad de uso inigualable, lo que los convierte en opciones muy valoradas por la comunidad mundial de aprendizaje automático.

Detalles de YOLO11#

• Autores: Glenn Jocher y Jing Qiu
• Organización: Ultralytics
• Fecha: 2024-09-27
• GitHub: ultralytics/ultralytics
• Documentación: Documentación de YOLO11

Detalles de YOLOv5#

• Autores: Glenn Jocher
• Organización: Ultralytics
• Fecha: 2020-06-26
• GitHub: ultralytics/yolov5
• Documentación: Documentación de YOLOv5

Diferencias arquitectónicas#

La evolución de YOLOv5 a YOLO11 introduce varios cambios arquitectónicos importantes diseñados para optimizar la precisión y la eficiencia en el uso de parámetros.

YOLOv5 fue pionero en el ecosistema PyTorch, al introducir un backbone CSPNet (Red Parcial entre Etapas) altamente optimizado y un neck PANet (Red de Agregación de Rutas). Se basaba en la detección mediante anchors, que requería cajas anchor predefinidas para predecir los límites de los objetos. Aunque era muy eficaz, ajustar estos anchors para conjuntos de datos de visión por ordenador personalizados podía resultar engorroso.

En cambio, YOLO11 adopta un paradigma de detección más moderno y sin anchors. Esto elimina la necesidad de ajustar manualmente las cajas anchor, agiliza el proceso de entrenamiento y mejora la generalización en distintos conjuntos de datos, como el conjunto de datos COCO. Además, YOLO11 incorpora una head desacoplada, lo que significa que las tareas de clasificación y regresión de cajas delimitadoras se procesan en ramas independientes. Esta separación mejora significativamente la velocidad de convergencia y la precisión media promedio (mAP), especialmente en escenarios complejos de detección de objetos.

Métricas de rendimiento y comparativas#

La tabla siguiente contrasta las métricas clave en distintos tamaños de modelo. Los modelos de Ultralytics son conocidos por sus requisitos de memoria: normalmente consumen menos memoria CUDA durante el entrenamiento que las alternativas pesadas basadas en Transformer, lo que reduce considerablemente la barrera de hardware de entrada.

Como se puede observar, YOLO11 logra un equilibrio de rendimiento muy favorable y ofrece de forma constante puntuaciones mAP superiores con un número de parámetros comparable al de sus equivalentes YOLOv5.

Metodologías de entrenamiento y usabilidad#

Un principio fundamental de la filosofía de Ultralytics es ofrecer una facilidad de uso excepcional, respaldada por un ecosistema bien mantenido y un amplio apoyo de la comunidad.

Históricamente, YOLOv5 se basaba en sólidos scripts de interfaz de línea de comandos (CLI) (train.py, detect.py) para su ejecución. Aunque eran potentes, integrar directamente estos scripts en aplicaciones Python personalizadas a menudo requería soluciones alternativas.

YOLO11 revolucionó este enfoque al introducir el paquete de Python optimizado ultralytics. Esta API unificada gestiona todo, desde el entrenamiento hasta la exportación de modelos a formatos como ONNX, OpenVINO y TensorRT de forma nativa.

Comparación de código#

Entrenar hoy un modelo de Ultralytics es increíblemente eficiente. Así puedes entrenar YOLO11 mediante su API nativa de Python:

from ultralytics import YOLO

# Load a pretrained YOLO11 small model
model = YOLO("yolo11s.pt")

# Train the model on custom data
results = model.train(data="coco8.yaml", epochs=50, imgsz=640, device=0)

# Export the model to ONNX for deployment
model.export(format="onnx")

Para sistemas heredados que utilizan YOLOv5, el entrenamiento mediante CLI tiene este aspecto:

# Clone the repository and run the training script
git clone https://github.com/ultralytics/yolov5
cd yolov5
pip install -r requirements.txt

python train.py --img 640 --batch 16 --epochs 50 --data coco128.yaml --weights yolov5s.pt

Casos de uso ideales y aplicaciones reales#

Ambos modelos tienen fortalezas distintas, adaptadas a diferentes entornos operativos.

Cuándo utilizar YOLOv5#

A pesar de pertenecer a una generación anterior, YOLOv5 sigue siendo una opción muy potente. Se recomienda especialmente para:

• Integración con sistemas heredados: Entornos estrechamente integrados con las estructuras de tensores o las canalizaciones de implementación específicas de YOLOv5 que no se pueden refactorizar fácilmente.
• Referencias académicas: Investigadores que necesiten referencias consolidadas y de larga trayectoria para estudios académicos reproducibles sobre análisis de imágenes médicas.

Cuándo utilizar YOLO11#

YOLO11 es la opción ideal para las canalizaciones de producción modernas gracias a su increíble versatilidad:

• Entornos multitarea: A diferencia de YOLOv5, que es principalmente un detector (con incorporaciones posteriores de segmentación), YOLO11 admite de forma nativa la segmentación de instancias, la clasificación de imágenes, la estimación de poses y la detección de cajas delimitadoras orientadas (OBB) desde el primer momento.
• Análisis de vídeo de alta densidad: Ideal para sistemas de tráfico inteligentes o para la gestión de inventario minorista, donde es fundamental extraer la máxima precisión de escenas complejas.

De cara al futuro: la arquitectura YOLO26#

Aunque YOLO11 constituye un estándar excepcional, la frontera de la visión por ordenador sigue avanzando rápidamente. Los desarrolladores que busquen la máxima eficiencia también deberían considerar la versión más reciente de Ultralytics YOLO26 (publicada en enero de 2026).

YOLO26 representa un enorme salto adelante y está diseñado específicamente tanto para la optimización en el perímetro como para la escala empresarial. Entre sus principales innovaciones se incluyen:

• Diseño de extremo a extremo sin NMS: YOLO26 funciona de forma nativa de extremo a extremo y elimina el posprocesamiento de supresión no máxima (NMS) para lograr una implementación más rápida y sencilla.
• Eliminación de DFL: Se ha eliminado Distribution Focal Loss para simplificar la exportación de modelos y mejorar la compatibilidad con dispositivos de bajo consumo.
• Optimizador MuSGD: Un híbrido innovador de SGD y Muon que aporta la estabilidad del entrenamiento de LLM a la visión por ordenador para lograr una convergencia más rápida.
• Inferencia en CPU hasta un 43 % más rápida: Optimizado intensivamente para implementaciones de IoT y dispositivos sin GPU dedicadas.
• ProgLoss + STAL: Funciones de pérdida considerablemente mejoradas que ofrecen mejoras notables en el reconocimiento de objetos pequeños, algo esencial para imágenes aéreas capturadas por drones.

Resumen#

Elegir entre YOLO11 y YOLOv5 depende, en última instancia, de la etapa del ciclo de vida de tu proyecto. El legado de YOLOv5 es innegable, ya que ofrece una estabilidad extrema y un respaldo masivo de la comunidad. Sin embargo, para cualquier proyecto nuevo, se recomienda encarecidamente YOLO11 frente a las generaciones anteriores. Combina una precisión de vanguardia, una API de Python excepcionalmente elegante y unos menores requisitos de memoria durante el entrenamiento, consolidando la posición de Ultralytics a la vanguardia de la innovación en IA. Para quienes quieran ampliar aún más los límites, explorar YOLO26, de última generación, en Ultralytics Platform proporcionará resultados inigualables.