YOLO26 frente a YOLO11#

Al construir sistemas de visión artificial de vanguardia, seleccionar el modelo adecuado es fundamental para equilibrar la precisión, la latencia y la eficiencia de los recursos. En el panorama de la inteligencia artificial en rápida evolución, Ultralytics continúa ampliando los límites de lo que es posible. Esta detallada comparación técnica explora la transición desde el exitoso YOLO11 hasta el revolucionario nuevo YOLO26, proporcionando a los ingenieros e investigadores de IA los conocimientos necesarios para tomar decisiones arquitectónicas informadas.

Linaje y metadatos del modelo#

Ambos modelos fueron desarrollados por Ultralytics, pero representan paradigmas diferentes en la cronología de la detección de objetos y los modelos de visión multitarea.

Detalles de YOLO26:

• Autores: Glenn Jocher y Jing Qiu
• Organización: Ultralytics
• Fecha: 2026-01-14
• GitHub: Repositorio de Ultralytics
• Documentación: Documentación oficial de YOLO26

Más información sobre YOLO26

Detalles de YOLO11:

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

Más información sobre YOLO11

Diferencias arquitectónicas e innovaciones#

El salto de YOLO11 a YOLO26 implica cambios fundamentales tanto en la arquitectura del modelo como en el régimen de entrenamiento subyacente. Mientras que YOLO11 estableció una base sólida para la detección de objetos y el aprendizaje de múltiples tareas, YOLO26 renueva por completo la tubería de despliegue para la computación en el borde.

Diseño integral sin NMS#

Una de las mejoras más significativas en YOLO26 es su arquitectura nativa de extremo a extremo. A diferencia de YOLO11, que depende del postprocesamiento de Non-Maximum Suppression (NMS) para filtrar los cuadros delimitadores superpuestos, YOLO26 elimina este paso por completo. Este concepto, pionero en YOLOv10, reduce drásticamente la variabilidad de la latencia y simplifica la lógica de despliegue en diversos dispositivos periféricos.

Eliminación de DFL para la eficiencia en el borde#

YOLO11 utiliza Distribution Focal Loss (DFL) para refinar las estimaciones de las cajas delimitadoras. Sin embargo, DFL depende de operaciones softmax complejas que a menudo no cuentan con buen soporte en aceleradores de borde de bajo consumo. YOLO26 elimina con éxito la DFL sin sacrificar la precisión. Esta simplificación arquitectónica resulta en una compatibilidad muy mejorada con sistemas integrados y permite que YOLO26 logre hasta un 43% más de velocidad de inferencia en CPU en comparación con su predecesor.

El optimizador MuSGD#

La estabilidad y la velocidad de entrenamiento son primordiales. YOLO26 introduce el optimizador MuSGD, un híbrido de Stochastic Gradient Descent (SGD) y Muon, fuertemente inspirado en las innovaciones de entrenamiento de LLM de Kimi K2 de Moonshot AI. Este optimizador aporta la estabilidad del entrenamiento de modelos de lenguaje a la visión artificial, asegurando una convergencia más rápida y reduciendo el uso de memoria durante el entrenamiento en comparación con alternativas de Transformer pesadas.

ProgLoss y STAL#

Para los investigadores que trabajan con imágenes aéreas o aplicaciones de drones, la detección de características diminutas es un desafío histórico. YOLO26 introduce ProgLoss combinado con STAL (Scale-Targeted Attention Loss), ofreciendo mejoras notables en el reconocimiento de objetos pequeños en comparación con YOLO11.

Comparación de rendimiento y métricas#

Al comparar los modelos cara a cara, YOLO26 demuestra una clara superioridad en precisión y eficiencia en dispositivos de borde, manteniendo al mismo tiempo los requisitos de memoria increíblemente bajos característicos del ecosistema Ultralytics.

Nota: El modelo YOLO26 nano (YOLO26n) muestra una mejora de ~31% en la velocidad de la CPU en comparación con YOLO11n (38,9ms frente a 56,1ms), destacando su filosofía de diseño centrada en el borde.

Versatilidad en tareas de visión artificial#

Ambos modelos se benefician del ecosistema Ultralytics altamente mantenido, ofreciendo una facilidad de uso inigualable a través de una API de Python unificada. No son solo detectores de objetos; son potencias multitarea. Sin embargo, YOLO26 incorpora varios avances específicos de la tarea:

• Segmentación de instancias: YOLO26 utiliza una pérdida de segmentación semántica refinada y prototipado multiescala, generando límites de máscara más nítidos que YOLO11. Obtén más información sobre los flujos de trabajo de segmentación.
• Estimación de posturas: Al integrar Residual Log-Likelihood Estimation (RLE), YOLO26 mejora drásticamente la precisión de los puntos clave en posturas humanas complejas. Descubre las capacidades de estimación de posturas.
• Cuadros delimitadores orientados (OBB): Una función de pérdida de ángulo especializada resuelve los problemas históricos de discontinuidad de límites, haciendo que YOLO26 sea excepcionalmente fiable para detectar objetos rotados en imágenes satelitales. Lee sobre las tareas OBB.
• Clasificación de imágenes: Ambos modelos manejan la clasificación de alta velocidad de manera eficiente, y YOLO26 ofrece mejoras marginales en la precisión top-1 en ImageNet.

Ejemplo de código de entrenamiento e inferencia#

Ultralytics es reconocido por su experiencia de desarrollo. Entrenar un modelo SOTA o ejecutar un script de inferencia toma solo unas pocas líneas de código, minimizando el código repetitivo y maximizando la productividad. Además, entrenar modelos YOLO requiere mucha menos memoria CUDA que las grandes redes Transformer.

from ultralytics import YOLO

# Load the cutting-edge YOLO26 nano model
model = YOLO("yolo26n.pt")

# Train the model on the COCO8 dataset efficiently
# The MuSGD optimizer is automatically enabled for YOLO26
train_results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    device="0",  # Utilize GPU for accelerated training
)

# Perform NMS-free inference directly on an image
results = model("https://ultralytics.com/images/bus.jpg")

# Display the clean, instant predictions
results[0].show()

Casos de uso ideales y estrategias de despliegue#

Elegir entre YOLO26 y YOLO11 depende enteramente de las limitaciones de tu entorno de producción.

Cuándo desplegar YOLO26#

YOLO26 es la opción definitiva para proyectos modernos y nuevos. Está construido específicamente para:

• Computación en el borde e IoT: Su asombroso rendimiento de CPU y la eliminación de DFL lo convierten en el rey de dispositivos como Raspberry Pi, NPUs Coral y procesadores móviles.
• Análisis de drones y aéreo: La integración de ProgLoss + STAL lo hace singularmente capaz de rastrear objetos pequeños que se mueven rápido a través de paisajes extensos.
• Aplicaciones críticas de latencia: En la robótica autónoma o el control de calidad de fabricación, el diseño sin NMS garantiza una latencia determinista sin picos inesperados de postprocesamiento.

Cuándo conservar YOLO11#

Aunque YOLO26 es superior, YOLO11 sigue siendo un modelo increíblemente capaz. Podrías quedarte con YOLO11 si:

• Pipelines heredados: Tu infraestructura de despliegue en C++ existente está estrechamente vinculada a las salidas basadas en anclas y a la lógica NMS específica de arquitecturas anteriores.
• Bases académicas: Estás publicando investigación y necesitas un estándar de 2024 altamente reconocido para comparar tus nuevos algoritmos.

El poder del ecosistema Ultralytics#

Independientemente de si despliegas YOLO11 o YOLO26, utilizar los modelos de Ultralytics significa aprovechar un ecosistema bien mantenido con actualizaciones frecuentes y un amplio soporte de la comunidad.

Para los equipos empresariales, la Plataforma Ultralytics proporciona una solución de extremo a extremo para la anotación de datos, el entrenamiento de modelos y el despliegue fluido en la nube. Desde exportar tus pesos entrenados a CoreML o TensorRT, hasta configurar la optimización avanzada de hiperparámetros, las herramientas proporcionadas garantizan que tu ciclo de vida de IA sea lo más optimizado posible.