YOLO11 frente a YOLOX#

El campo de la visión artificial ha experimentado rápidos avances en los últimos años y los modelos de detección de objetos en tiempo real son cada vez más sofisticados. Al elegir una arquitectura para un entorno de producción o una investigación académica, los desarrolladores suelen sopesar las ventajas e inconvenientes de los hitos anteriores y las innovaciones más avanzadas. Esta comparación exhaustiva analiza las diferencias entre Ultralytics YOLO11 y YOLOX, de Megvii, y ofrece información detallada sobre sus arquitecturas, métricas de rendimiento y escenarios de implementación ideales.

Descripción general de la arquitectura#

Ambos modelos suponen avances significativos en la detección de objetos, pero parten de distintas filosofías de diseño y se orientan a ofrecer experiencias de desarrollo diferentes.

YOLO11: el motor multitarea versátil#

Lanzado en septiembre de 2024 por Glenn Jocher y Jing Qiu, de Ultralytics, YOLO11 está diseñado como un framework unificado que equilibra una alta precisión con una eficiencia extrema.

• 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 admite de forma nativa la segmentación de instancias, la clasificación de imágenes, la estimación de poses y la detección de cajas delimitadoras orientadas (OBB). Su arquitectura refinada optimiza la extracción de características para garantizar una mejor conservación de estas en jerarquías espaciales complejas.

YOLOX: pionero en modelos sin anclajes#

Desarrollado por investigadores de Megvii, YOLOX despertó gran interés en 2021 al reducir la brecha entre la investigación y las aplicaciones industriales mediante un enfoque completamente 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 un cabezal desacoplado y un paradigma sin anclajes, lo que redujo significativamente el número de parámetros de diseño y mejoró el rendimiento en las evaluaciones comparativas académicas de la época de su lanzamiento.

Descubre más sobre YOLOX

Rendimiento y métricas#

Al evaluar modelos de detección, es fundamental analizar el equilibrio entre los parámetros, el coste computacional (FLOPs) y la precisión media (mAP) para la implementación de modelos en el mundo real.

Como se muestra en la tabla, YOLO11x supera significativamente a YOLOXx en precisión absoluta (54.7 mAP frente a 51.1 mAP), a la vez que requiere aproximadamente la mitad de parámetros (56.9M frente a 99.1M). Esta eficiencia se traduce en menores requisitos de memoria durante el entrenamiento y la inferencia, una gran ventaja en entornos de producción.

Ecosistema y experiencia de desarrollo#

La ventaja de Ultralytics#

Una de las diferencias más importantes entre YOLO11 y YOLOX reside en la facilidad de uso. YOLOX funciona principalmente como base de código de investigación y requiere configurar entornos complejos, compilar manualmente operadores de C++ y utilizar argumentos de línea de comandos extensos para iniciar el entrenamiento con conjuntos de datos personalizados.

En cambio, YOLO11 está totalmente integrado en el paquete de Python de Ultralytics y ofrece un proceso de trabajo optimizado que lleva de cero a experto. La plataforma Ultralytics ofrece herramientas completas para el etiquetado de datos, el seguimiento de experimentos y el entrenamiento en la nube, y se encarga del 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 sin esfuerzo con la API de Ultralytics
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Exporta a ONNX o TensorRT sin complicaciones
model.export(format="onnx")

Además, exportar un modelo de Ultralytics a formatos como TensorRT, CoreML u OpenVINO solo requiere un comando, mientras que los repositorios heredados 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 heredadas especializadas en las que los desarrolladores ya han creado canalizaciones de inferencia en C++ muy personalizadas en torno a las salidas tensoriales específicas de su cabezal desacoplado. Además, los investigadores que realicen estudios comparativos con arquitecturas punteras de 2021 seguirán utilizando YOLOX como modelo de referencia en un conjunto de datos de referencia.

Dónde destaca YOLO11#

Para casi todos los escenarios de producción actuales, YOLO11 ofrece una experiencia muy superior:

• Ciudades inteligentes y comercio minorista: Gracias a su excepcional relación entre velocidad y precisión, YOLO11 gestiona sin esfuerzo escenas concurridas y potencia la analítica automatizada del comercio minorista y los sistemas de gestión del tráfico sin necesitar grandes clústeres de GPU.
• Computación en el borde: Su alta eficiencia de memoria y sus sólidas opciones de exportación hacen que YOLO11 sea perfecto para implementaciones de IA en el borde en dispositivos como Raspberry Pi o plataformas NVIDIA Jetson.
• Canalizaciones complejas: Si un proyecto requiere combinar la detección de objetos con puntos clave de pose (p. ej., analítica deportiva) o segmentación de instancias precisa (p. ej., imágenes médicas), YOLO11 gestiona todas las 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, estimación de poses y OBB dentro de 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 de borde ultraligeros: Implementación en microcontroladores o hardware móvil heredado, donde el tamaño extremadamente reducido de la variante YOLOX-Nano (0,91 M de 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 GPU dedicada, en los que la inferencia con CPU hasta un 43 % más rápida de YOLO26 supone una ventaja decisiva.
• Detección de objetos pequeños: Casos exigentes, como las imágenes aéreas tomadas con drones o el análisis de sensores IoT, donde ProgLoss y STAL mejoran notablemente la precisión al detectar objetos diminutos.

De cara al futuro: el potencial de YOLO26#

Aunque YOLO11 es una opción excepcional, el panorama de la IA evoluciona continuamente a un ritmo acelerado. Para los equipos que buscan el máximo nivel de eficiencia y estabilidad, YOLO26 (lanzado en enero de 2026) es la recomendación definitiva para nuevos proyectos de visión artificial.

YOLO26 supone un gran avance gracias a la incorporación de un cabezal opcional End-to-End sin NMS (nms=False). Al eliminar el posprocesamiento de supresión no máxima (NMS), evita la variabilidad de la latencia y simplifica enormemente la lógica de implementación, un concepto cuyo desarrollo inicial corresponde a YOLOv10.

Además, YOLO26 incorpora la eliminación de DFL (pérdida focal de distribución), que optimiza la arquitectura para lograr una inferencia en CPU hasta un 43 % más rápida y lo convierte en el campeón indiscutible para dispositivos de bajo consumo y de borde. La estabilidad del entrenamiento también mejora notablemente gracias al optimizador MuSGD, un híbrido de SGD y Muon inspirado en los LLM que acelera la convergencia. Combinado con funciones de pérdida avanzadas como ProgLoss + STAL, YOLO26 destaca en la detección de objetos pequeños en entornos difíciles, como las imágenes de drones y los sensores IoT de borde.

En conclusión, aunque YOLOX introdujo conceptos arquitectónicos importantes en 2021, el completo conjunto de herramientas, la eficiencia de memoria y el rendimiento de vanguardia de YOLO11 —y, en especial, la revolucionaria arquitectura de YOLO26— convierten hoy al ecosistema de Ultralytics en la opción evidente para investigadores y desarrolladores empresariales.