Empezar

YOLO26 frente a YOLOX

En 2021, YOLOX introdujo un influyente diseño sin anclajes que tendió un puente entre la investigación académica y las aplicaciones industriales de la detección de objetos en tiempo real. En enero de 2026, Ultralytics YOLO publicó YOLO26. Esta comparación analiza cómo YOLO26 se basa en innovaciones anteriores y en qué se diferencia en rendimiento, versatilidad y facilidad de uso.

Descripción general de los modelos#

Comprender los orígenes y las filosofías fundamentales de estos modelos es esencial para tomar decisiones de implementación fundamentadas.

Detalles de YOLO26#

YOLO26 es el modelo YOLO más reciente de Ultralytics y ofrece una cabeza opcional end-to-end sin NMS (nms=False) que elimina los cuellos de botella del posprocesamiento. Está optimizado para implementaciones tanto en la nube como edge, y cuenta con un ecosistema compatible con diversas tareas de visión.

Detalles de YOLOX#

Descubre más sobre YOLOX

YOLOX supuso un gran avance al introducir una cabeza desacoplada y una arquitectura sin anclajes, junto con la estrategia de asignación de etiquetas SimOTA. En el momento de su lanzamiento, ofrecía un excelente equilibrio entre velocidad y precisión, lo que lo convirtió en una opción popular para muchos sistemas heredados.

Innovaciones arquitectónicas#

Las diferencias entre YOLO26 y YOLOX reflejan los avances en el diseño de aprendizaje profundo entre 2021 y 2026.

Aunque YOLOX impulsó el enfoque sin anclajes, seguía dependiendo de la supresión de máximos no máximos (NMS) tradicional para filtrar los cuadros delimitadores redundantes. YOLO26 incorpora una cabeza opcional de extremo a extremo sin NMS (nms=False). YOLOv10 introdujo este enfoque en los modelos YOLO; omite el posprocesamiento con NMS y ofrece canalizaciones de despliegue más rápidas y sencillas, con menor variabilidad de latencia.

Además, YOLO26 incorpora la eliminación de DFL. Eliminar Distribution Focal Loss simplifica el proceso de exportación y mejora la compatibilidad con dispositivos edge y hardware de bajo consumo. Junto con otras optimizaciones arquitectónicas, esto hace que YOLO26n sea hasta un 43 % más rápido en CPU que YOLO11n, una opción ideal para entornos sin GPU dedicada.

La estabilidad del entrenamiento es otro factor diferenciador clave. YOLO26 utiliza el optimizador MuSGD, una combinación de SGD y Muon inspirada en las innovaciones del entrenamiento de LLM de Moonshot AI. Este optimizador aporta a la visión artificial la estabilidad del entrenamiento de modelos de lenguaje grandes y facilita una convergencia más rápida.

Mejoras del entrenamiento

YOLO26 utiliza ProgLoss + STAL, un esquema progresivo de equilibrio de pérdidas y una estrategia de asignación de etiquetas sensible a objetos pequeños que mejoran el reconocimiento de objetos pequeños. Esto es importante para tareas como procesar imágenes aéreas y analizar entornos densos.

Rendimiento y pruebas de referencia#

En el conjunto de datos COCO, YOLO26 alcanza un mAP mayor que YOLOX en todos los tamaños comparables (por ejemplo, 48,6 frente a 40,5 para los modelos s) y una latencia TensorRT en T4 menor.

Modelotamaño
(píxeles)
mAPval50-95Velocidad
CPU ONNX
(ms)
Velocidad
T4 TensorRT10
(ms)
parámetros
(M)
FLOPs
(B)
YOLO26n64040.938.91.72.45.5
YOLO26s64048.687.22.59.520.9
YOLO26m64053.1220.04.720.468.4
YOLO26l64055.0286.26.224.886.8
YOLO26x64057.5525.811.855.7194.4
YOLOXnano41625.8--0.911.08
YOLOXtiny41632.8--5.066.45
YOLOXs64040.5-2.569.026.8
YOLOXm64046.9-5.4325.373.8
YOLOXl64049.7-9.0454.2155.6
YOLOXx64051.1-16.199.1281.9

Nota: YOLO26x alcanza 57,5 mAP con 55,7 M de parámetros, frente a 51,1 mAP con 99,1 M de parámetros de YOLOXx.

Ecosistema y facilidad de uso#

Una de las principales ventajas de elegir YOLO26 es el ecosistema bien mantenido que ofrece Ultralytics. Mientras que con YOLOX hay que desenvolverse entre bases de código de investigación y configurar manualmente el entorno, Ultralytics ofrece una experiencia de desarrollo más sencilla.

Con la API unificada de Python, los desarrolladores pueden cambiar fácilmente entre tareas como la detección de objetos, la segmentación de instancias, la segmentación semántica, la estimación de profundidad, la clasificación de imágenes, la estimación de poses y OBB. YOLOX se limita a la detección mediante cuadros delimitadores.

Ejemplo de entrenamiento#

Entrenar un modelo con un conjunto de datos personalizado mediante Ultralytics es eficiente. La canalización de entrenamiento mantiene bajo el uso de memoria CUDA, lo que permite utilizar tamaños de lote mayores en hardware de consumo que con muchas arquitecturas antiguas o modelos Transformer pesados.

from ultralytics import YOLO

# Inicializa el modelo pequeño de YOLO26
model = YOLO("yolo26s.pt")

# Entrena el modelo con el conjunto de datos COCO8
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)

# Exporta el modelo entrenado al formato ONNX para implementarlo
model.export(format="onnx")

Ultralytics Platform mejora aún más este flujo de trabajo, al ofrecer entrenamiento en la nube, anotación de conjuntos de datos asistida por IA y opciones de implementación para los equipos que pasan del prototipo a producción.

Casos de uso ideales y aplicaciones reales#

El modelo adecuado depende de tu entorno de implementación.

IA en el borde e IoT#

Para aplicaciones que requieren procesamiento local en hardware limitado, como sistemas de alarma de seguridad inteligentes o sensores ambientales remotos, YOLO26 es la mejor opción. Su cabeza opcional sin NMS y su rápida ejecución en CPU permiten utilizarlo en dispositivos como Raspberry Pi sin recurrir a complejas soluciones de cuantización.

Robótica autónoma#

Las aplicaciones de robótica requieren gran precisión y baja latencia. Las capacidades de estimación de poses de YOLO26, reforzadas por Residual Log-Likelihood Estimation (RLE), permiten que los robots comprendan la cinemática humana en tiempo real. La falta de detección nativa de puntos clave en YOLOX lo hace inadecuado para tareas avanzadas de interacción entre personas y robots.

Inspección aérea y a gran altitud#

Al inspeccionar infraestructuras con drones, es fundamental detectar defectos pequeños. ProgLoss y STAL en YOLO26 mejoran la exhaustividad con objetos pequeños. Además, YOLO26 admite de forma nativa cuadros delimitadores orientados (OBB), con una pérdida angular especializada para resolver problemas de bordes, lo que lo hace muy adecuado para imágenes satelitales y aéreas en las que los objetos pueden estar girados en cualquier ángulo.

Implementaciones heredadas#

YOLOX puede seguir utilizándose en entornos heredados en los que las canalizaciones de implementación en C++ existentes se crearon específicamente en 2021 en torno a sus salidas particulares de cabeza desacoplada. Para proyectos nuevos, se recomienda migrar al ecosistema Ultralytics por sus mejoras de rendimiento y el apoyo continuo de la comunidad.

Explora otros modelos#

Aunque YOLO26 es el modelo recomendado de Ultralytics, el ecosistema ofrece varios modelos adaptados a necesidades específicas. Los desarrolladores interesados en arquitecturas basadas en Transformer pueden probar RT-DETR, que ofrece un enfoque alternativo para la detección end-to-end. Además, YOLO11 sigue siendo una opción probada para entornos de producción que requieren amplias evaluaciones comparativas históricas.

En resumen, el paso de YOLOX a YOLO26 ilustra la rapidez con la que ha avanzado el campo. Gracias a su API intuitiva, su conjunto versátil de funciones y su gran eficiencia, YOLO26 es la opción recomendada para investigadores y desarrolladores.

Comentarios

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