YOLO11 frente a YOLOX
Los modelos de detección de objetos en tiempo real han avanzado rápidamente en los últimos años. A la hora de elegir una arquitectura para producción o investigación académica, los desarrolladores suelen valorar tanto los hitos consolidados como los diseños más recientes. Esta comparativa analiza las diferencias entre Ultralytics YOLO11 y YOLOX de Megvii, incluidas sus arquitecturas, métricas de rendimiento y escenarios de implementación ideales.
Descripción general de la arquitectura#
Ambos modelos hicieron avanzar la detección de objetos cuando se lanzaron, pero parten de filosofías de diseño distintas y se orientan a experiencias diferentes para los desarrolladores.
YOLO11: el motor multitarea versátil#
Lanzado en septiembre de 2024 por Glenn Jocher y Jing Qiu en Ultralytics, YOLO11 está diseñado como un framework unificado que equilibra una alta precisión con la eficiencia.
- Autores: Glenn Jocher y Jing Qiu
- Organización: Ultralytics
- Fecha: 2024-09-27
- GitHub: https://github.com/ultralytics/ultralytics
- Documentación: https://docs.ultralytics.com/models/yolo11
YOLO11 va más allá de las cajas delimitadoras estándar y también admite la segmentación de instancias, la clasificación de imágenes, la estimación de poses y la detección con cajas delimitadoras orientadas (OBB). Su arquitectura perfeccionada mejora la extracción y conservación de características en jerarquías espaciales complejas.
YOLOX: pionero en modelos sin anclajes#
Desarrollado por investigadores de Megvii, YOLOX recibió mucha atención en 2021 por conectar la investigación y las aplicaciones industriales mediante un enfoque totalmente sin anclajes.
- Autores: Zheng Ge, Songtao Liu, Feng Wang, Zeming Li y Jian Sun
- Organización: Megvii
- Fecha: 2021-07-18
- arXiv: https://arxiv.org/abs/2107.08430
- GitHub: https://github.com/Megvii-BaseDetection/YOLOX
- Documentación: https://github.com/Megvii-BaseDetection/YOLOX/tree/main/docs
YOLOX introdujo una cabeza desacoplada y un paradigma sin anclajes, lo que redujo el número de parámetros de diseño y mejoró el rendimiento en las pruebas académicas de referencia disponibles en el momento de su lanzamiento.
El diseño sin anclajes popularizado por YOLOX inspiró muchas arquitecturas posteriores. Ultralytics adoptó y perfeccionó estos conceptos sin anclajes en versiones posteriores como YOLOv8 y YOLO11 para mejorar la precisión y la flexibilidad de implementación.
Rendimiento y métricas#
Al evaluar modelos de detección, analizar el equilibrio entre parámetros, coste computacional (FLOPs) y precisión media promedio (mAP) es esencial para la implementación de modelos en el mundo real.
| Modelo | tamaño (píxeles) | mAPval50-95 | Velocidad CPU ONNX (ms) | Velocidad T4 TensorRT10 (ms) | parámetros (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLO11n | 640 | 39.5 | 56.1 | 1.5 | 2.6 | 6.5 |
| YOLO11s | 640 | 47.0 | 90.0 | 2.5 | 9.4 | 21.6 |
| YOLO11m | 640 | 51.5 | 183.2 | 4.7 | 20.1 | 68.1 |
| YOLO11l | 640 | 53.4 | 238.6 | 6.2 | 25.3 | 87.2 |
| YOLO11x | 640 | 54.7 | 462.8 | 11.3 | 56.9 | 195.3 |
| YOLOXnano | 416 | 25.8 | - | - | 0.91 | 1.08 |
| YOLOXtiny | 416 | 32.8 | - | - | 5.06 | 6.45 |
| YOLOXs | 640 | 40.5 | - | 2.56 | 9.0 | 26.8 |
| YOLOXm | 640 | 46.9 | - | 5.43 | 25.3 | 73.8 |
| YOLOXl | 640 | 49.7 | - | 9.04 | 54.2 | 155.6 |
| YOLOXx | 640 | 51.1 | - | 16.1 | 99.1 | 281.9 |
YOLO11x supera a YOLOXx en precisión (54.7 mAP frente a 51.1 mAP), necesita aproximadamente la mitad de parámetros (56.9M frente a 99.1M) y funciona más rápido con TensorRT en T4 (11.3 ms frente a 16.1 ms). Esta eficiencia se traduce en menores requisitos de memoria durante el entrenamiento y la inferencia, una clara ventaja en entornos de producción.
Ecosistema y experiencia de desarrollo#
La ventaja de Ultralytics#
Una de las mayores diferencias entre YOLO11 y YOLOX está en la facilidad de uso. YOLOX funciona principalmente como una base de código de investigación y requiere configurar entornos complejos, compilar operadores de C++ y utilizar argumentos de línea de comandos extensos para empezar a entrenar con conjuntos de datos personalizados.
YOLO11 está totalmente integrado en el paquete de Python de Ultralytics y ofrece un flujo de trabajo optimizado desde la instalación hasta la implementación. Ultralytics Platform incluye herramientas para anotar datos, hacer un seguimiento de experimentos y entrenar en la nube; abstrae el código repetitivo para que los ingenieros puedan centrarse en el rendimiento del modelo.
from ultralytics import YOLO
# Carga un modelo YOLO11 preentrenado
model = YOLO("yolo11n.pt")
# Entrena el modelo con la API de Ultralytics
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Exporta a ONNX
model.export(format="onnx")Además, exportar un modelo de Ultralytics a formatos como TensorRT, CoreML u OpenVINO requiere un solo comando, mientras que los repositorios más antiguos suelen exigir herramientas complejas de terceros o modificaciones manuales del grafo.
Casos de uso reales#
Cuándo considerar YOLOX#
YOLOX sigue siendo una opción válida para implementaciones especializadas y heredadas en las que los desarrolladores ya han creado procesos de inferencia personalizados en C++ basados en las salidas tensoriales de su cabeza desacoplada. Los investigadores que realicen estudios comparativos con arquitecturas de 2021 también pueden seguir utilizándolo como referencia.
Dónde destaca YOLO11#
Para la mayoría de los escenarios de producción actuales, YOLO11 ofrece una experiencia mejor:
- Ciudades inteligentes y comercio minorista: Gracias a su sólida relación entre velocidad y precisión, YOLO11 gestiona bien las escenas concurridas y permite desarrollar análisis automatizados del comercio minorista y sistemas de gestión del tráfico sin necesitar grandes clústeres de GPU.
- Computación edge: Su eficiencia de memoria y sus numerosas opciones de exportación hacen que YOLO11 sea ideal para implementaciones de IA edge en dispositivos como Raspberry Pi o plataformas NVIDIA Jetson.
- Procesos complejos: Si un proyecto requiere combinar la detección de objetos con puntos clave de pose (por ejemplo, para analizar actividades deportivas) o con una segmentación de instancias precisa (por ejemplo, en imágenes médicas), YOLO11 admite todas estas tareas de forma nativa mediante una API unificada.
Casos de uso y recomendaciones#
La elección entre YOLO11 y YOLOX depende de los requisitos específicos de tu proyecto, las limitaciones de implementación y tus preferencias de ecosistema.
Cuándo elegir YOLO11#
YOLO11 es una excelente opción para:
- Despliegue periférico en producción: Aplicaciones comerciales en dispositivos como Raspberry Pi o NVIDIA Jetson, donde la fiabilidad y el mantenimiento activo son fundamentales.
- Aplicaciones de visión multitarea: Proyectos que requieren detección, segmentación, clasificación, estimación de poses y OBB en un único framework unificado.
- Prototipado y despliegue rápidos: Equipos que necesitan pasar rápidamente de la recopilación de datos a producción mediante la sencilla API de Python de Ultralytics.
Cuándo elegir YOLOX#
Se recomienda YOLOX para:
- Investigación sobre detección sin anclajes: Investigación académica que utiliza la arquitectura limpia y sin anclajes de YOLOX como base para experimentar con nuevos cabezales de detección o funciones de pérdida.
- Dispositivos edge ultraligeros: Implementaciones en hardware móvil heredado o con recursos muy limitados, donde el reducido tamaño de YOLOX-Nano (0.91M parámetros) es fundamental.
- Estudios de asignación de etiquetas SimOTA: Proyectos de investigación que analizan estrategias de asignación de etiquetas basadas en el transporte óptimo y su impacto en la convergencia del entrenamiento.
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 que solo usan CPU: Dispositivos sin aceleración de GPU dedicada, en los que la inferencia en CPU de YOLO26n, hasta un 43 % más rápida que la de YOLO11n, ofrece una ventaja decisiva.
- Detección de objetos pequeños: Situaciones exigentes, como las imágenes aéreas tomadas con drones o el análisis de sensores IoT, en las que ProgLoss y STAL mejoran la precisión con objetos pequeños.
De cara al futuro: el potencial de YOLO26#
YOLO11 sigue siendo una opción sólida, pero YOLO26 (lanzado en enero de 2026) es el modelo recomendado para nuevos proyectos de visión artificial que necesitan la mejor eficiencia y estabilidad de entrenamiento.
YOLO26 implementa una cabeza de extremo a extremo sin NMS opcional (nms=False). Al eliminar el posprocesamiento con supresión de máximos no máximos (NMS), suprime la variabilidad de la latencia y simplifica la lógica de despliegue, un concepto que YOLOv10 introdujo en los modelos YOLO.
YOLO26 también incorpora la eliminación de DFL (Distribution Focal Loss), que ayuda a YOLO26n a alcanzar una inferencia en CPU hasta un 43 % más rápida que YOLO11n, por lo que resulta ideal para dispositivos edge y de bajo consumo. El optimizador MuSGD, una combinación de SGD y Muon inspirada en el entrenamiento de modelos de lenguaje grandes (LLM), mejora la estabilidad del entrenamiento y acelera la convergencia. Junto con ProgLoss + STAL (Progressive Loss y Small-Target-Aware Label Assignment), YOLO26 destaca en la detección de objetos pequeños en escenarios complejos, como imágenes de drones y sensores edge del IoT.
¿Quieres ampliar tus conocimientos sobre arquitecturas de detección de objetos? Descubre las capacidades de vocabulario abierto de YOLO-World o el modelo RT-DETR basado en Transformer, documentado en el ecosistema Ultralytics.
En conclusión, YOLOX introdujo conceptos arquitectónicos importantes en 2021, pero las herramientas, la eficiencia de memoria y la precisión de YOLO11 —y, sobre todo, del más reciente YOLO26— hacen que hoy el ecosistema Ultralytics sea la mejor opción para investigadores y desarrolladores empresariales.
Comentarios
Haz una pregunta, comparte tus resultados o ayuda a otra persona.