Empezar

YOLO11 frente a YOLOv7

La visión artificial evoluciona rápidamente, y la detección de objetos en tiempo real sigue siendo una de sus aplicaciones más extendidas. Elegir la arquitectura adecuada implica equilibrar velocidad, precisión y facilidad de implementación. Esta guía ofrece una comparación técnica de dos arquitecturas destacadas: Ultralytics YOLO11 y YOLOv7.

Antecedentes del modelo y detalles técnicos#

Ambos modelos han influido en la comunidad de aprendizaje profundo, pero proceden de filosofías de desarrollo y épocas distintas.

Detalles de YOLO11:

Detalles de YOLOv7:

Más información sobre YOLOv7

Diferencias arquitectónicas#

Ambos detectores utilizan conceptos de diseño modernos, pero sus fundamentos estructurales son distintos.

YOLOv7 introdujo el concepto de redes de agregación de capas eficientes extendidas (E-ELAN). Esta arquitectura se diseñó para mejorar continuamente la capacidad de aprendizaje de la red sin destruir la ruta de gradiente original, tal como se describe en el artículo de investigación. YOLOv7 se basa en la reparametrización estructural y en una metodología entrenable de «bag of freebies», que mejora la precisión general en el conjunto de datos COCO sin aumentar el coste de inferencia.

En cambio, YOLO11 se basa en la arquitectura Ultralytics. Hace hincapié en una canalización de extracción de características más refinada y con menos parámetros, lo que reduce el consumo de memoria durante el entrenamiento. YOLO11 logra un buen equilibrio de rendimiento: utiliza menos parámetros y, al mismo tiempo, iguala o supera la precisión de detección de modelos más pesados. Además, YOLO11 es compatible con una mayor variedad de tareas, por lo que es una opción versátil para las aplicaciones modernas de visión artificial.

Eficiencia de memoria

Los modelos Ultralytics YOLO suelen necesitar menos memoria durante el entrenamiento que muchos otros detectores, lo que permite a los desarrolladores entrenar redes capaces con PyTorch en GPU de consumo.

Comparativa de rendimiento y métricas#

Para evaluar su viabilidad en el mundo real, compara métricas como la precisión media promedio (mAP), la velocidad de inferencia, los parámetros del modelo y la complejidad computacional (FLOPs). La siguiente tabla muestra cómo se comparan las variantes de escalado de YOLO11 con los modelos YOLOv7 de mayor tamaño.

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
YOLOv7l64051.4-6.8436.9104.7
YOLOv7x64053.1-11.5771.3189.9

YOLO11x alcanza 54.7 mAP frente al 53.1 mAP de YOLOv7x, con menos parámetros (56.9M frente a 71.3M) y una latencia similar en T4 TensorRT. En la escala l, YOLO11l es más preciso (53.4 frente a 51.4 mAP), más rápido (6.2 ms frente a 6.84 ms) y más pequeño (25.3M frente a 36.9M parámetros) que YOLOv7l.

Eficiencia de entrenamiento y facilidad de uso del ecosistema#

Una de las diferencias más determinantes entre estas dos arquitecturas es la experiencia de desarrollo y el ecosistema que las rodea.

YOLOv7 es, en esencia, un repositorio de investigación académica. Entrenar modelos suele requerir configuraciones complejas del entorno, gestionar las dependencias manualmente y utilizar argumentos largos en la línea de comandos. Aunque es compatible con la experimentación de investigación, adaptar el código del repositorio YOLOv7 de GitHub a entornos de producción personalizados puede llevar mucho tiempo.

YOLO11 se centra en la facilidad de uso. Está totalmente integrado con Ultralytics Platform, un ecosistema bien mantenido que abarca todo el flujo de trabajo. Desde la anotación de datos y el entrenamiento local hasta la implementación, la API unificada de Python y la sencilla interfaz de línea de comandos agilizan todo el proceso.

Comparativa de código#

Entrenar un modelo de detección de objetos con YOLO11 solo requiere unas pocas líneas de código:

from ultralytics import YOLO

# Carga un modelo YOLO11 pequeño preentrenado
model = YOLO("yolo11s.pt")

# Entrena el modelo con la API unificada
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

# Expórtalo rápidamente al formato ONNX
model.export(format="onnx")

En cambio, un comando habitual para entrenar YOLOv7 tiene este aspecto y requiere configurar cuidadosamente las rutas, los archivos de configuración y los scripts bash:

python train.py --workers 8 --device 0 --batch-size 32 --data data/coco.yaml --img 640 640 --cfg cfg/training/yolov7.yaml --weights 'yolov7_training.pt'

YOLO11 también es más versátil. Mientras que YOLOv7 depende de ramas o modificaciones independientes para admitir tareas más allá de la detección (como la estimación de pose o la segmentación), YOLO11 gestiona la detección de objetos, la segmentación de instancias, la clasificación de imágenes, la estimación de pose y la detección mediante cajas delimitadoras orientadas (OBB) con un único marco de trabajo coherente.

Exportación sencilla

Exportar YOLO11 a formatos como TensorRT u OpenVINO requiere un solo comando y evita los problemas habituales de compatibilidad de operadores que presentan los modelos antiguos.

Aplicaciones reales y casos de uso ideales#

Elegir entre YOLOv7 y YOLO11 depende del alcance del proyecto y de las limitaciones de implementación.

Cuándo tener en cuenta YOLOv7:

  • Evaluación comparativa de modelos antiguos: Los investigadores académicos que exploren diseños de rutas de gradiente pueden utilizar YOLOv7 como referencia para evaluar nuevas redes neuronales convolucionales.
  • Canalizaciones personalizadas existentes: Equipos con canalizaciones en C++ o CUDA muy personalizadas, creadas específicamente en torno a la lógica exclusiva de decodificación de cajas delimitadoras de YOLOv7.

Cuándo elegir YOLO11:

  • Producción comercial: las aplicaciones de comercio minorista inteligente o diagnóstico sanitario se benefician de una base de código mantenida y de la estabilidad de YOLO11.
  • Entornos con recursos limitados: el reducido tamaño de YOLO11n lo hace muy adecuado para implementarlo en dispositivos móviles y edge mediante ONNX.
  • Proyectos multitarea: Si una aplicación debe identificar a una persona, representar su esqueleto (pose) y segmentar un objeto que tenga en las manos, YOLO11 ofrece una solución unificada.

Da el siguiente paso con YOLO26#

YOLO11 sigue siendo una opción fiable, pero para los ingenieros que empiezan proyectos nuevos hoy, Ultralytics YOLO26 es el modelo recomendado.

Publicado en enero de 2026, YOLO26 introduce un diseño integral opcional sin NMS (nms=False) que elimina la latencia del posprocesamiento de supresión no máxima. YOLO26 también incorpora el optimizador MuSGD, inspirado en métodos de entrenamiento de modelos de lenguaje grandes (LLM), para acelerar la convergencia. Con ProgLoss + STAL para objetos pequeños y la eliminación de DFL, que contribuye a que YOLO26n infiera hasta un 43 % más rápido que YOLO11n en CPU, YOLO26 está optimizado para la computación en el edge.

Si te interesan estructuras alternativas especializadas, explorar los modelos basados en transformers RT-DETR o YOLO-World, de vocabulario abierto dinámico, también puede ser adecuado para determinadas implementaciones de visión artificial.

Comentarios

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