YOLOv10 vs YOLOv5#

Elegir la arquitectura de red neuronal adecuada es fundamental para desplegar con éxito canalizaciones de computer vision en producción. Esta página ofrece un análisis técnico detallado que compara YOLOv10 y YOLOv5, dos modelos muy influyentes en la evolución de la detección de objetos en tiempo real. Aunque ambos modelos han tenido un impacto significativo en la comunidad de la IA, representan diferentes eras y filosofías en el diseño de arquitecturas de aprendizaje profundo.

Esta guía evalúa estas arquitecturas basándose en mean Average Precision (mAP), la latencia de inferencia, la eficiencia de parámetros y el soporte del ecosistema, ayudándote a elegir el mejor modelo para tus necesidades de despliegue.

Resumen de modelos#

YOLOv10: Detección de objetos de extremo a extremo en tiempo real#

Desarrollado por investigadores de la Universidad de Tsinghua, YOLOv10 introdujo un enfoque novedoso para la detección de objetos al eliminar la necesidad de posprocesamiento.

• Autores: Ao Wang, Hui Chen, Lihao Liu, et al.
• Organización: Tsinghua University
• Fecha: 23-05-2024
• Artículo de investigación: arXiv:2405.14458
• Código fuente: YOLOv10 GitHub Repository

El avance definitorio de YOLOv10 es su diseño integral sin NMS (End-to-End NMS-Free Design). Históricamente, los modelos YOLO dependían de Non-Maximum Suppression (NMS) para filtrar los cuadros delimitadores redundantes. YOLOv10 utiliza asignaciones duales consistentes para el entrenamiento sin NMS, lo que reduce drásticamente la variabilidad de la latencia de inferencia y simplifica la lógica de despliegue. Además, la arquitectura presenta un diseño holístico impulsado por la eficiencia y la precisión que optimiza a fondo varios componentes para reducir la redundancia computacional.

Aprende más sobre YOLOv10

YOLOv5: El estándar de la industria en facilidad de uso#

Lanzado poco después de la creación del repositorio de PyTorch de Ultralytics, YOLOv5 redefinió lo que los desarrolladores esperaban de un framework de visión artificial de código abierto. Sigue siendo una de las arquitecturas más implementadas a nivel mundial.

• Autor: Glenn Jocher
• Organización: Ultralytics
• Fecha: 2020-06-26
• Código fuente: YOLOv5 GitHub Repository

YOLOv5 destaca por su facilidad de uso y su ecosistema altamente bien mantenido. Escrito enteramente en PyTorch, ofrece una experiencia fluida de "cero a héroe" con soporte listo para usar para entrenamiento, validación y exportación a formatos como ONNX y TensorRT. A diferencia de YOLOv10, que se centra principalmente en la detección de objetos pura, YOLOv5 demuestra una versatilidad excepcional, ya que admite la segmentación de instancias y la clasificación de imágenes dentro de la misma API unificada de Python.

Más información sobre YOLOv5

Comparación de rendimiento y métricas#

Visualizar la relación entre velocidad y precisión es esencial para identificar los modelos que ofrecen la mejor precisión para una restricción de velocidad dada. Comprender estas métricas de rendimiento es fundamental para seleccionar un modelo que se ajuste a tus restricciones de hardware específicas.

Análisis técnico#

1. Precisión (mAP): YOLOv10 demuestra una clara ventaja generacional en precisión. Por ejemplo, el modelo YOLOv10-X logra un mAP^val del 54,4%, superando a YOLOv5x (mAP del 50,7%). Este salto se debe en gran medida a la estrategia de entrenamiento sin NMS y a las mejoras arquitectónicas introducidas en 2024.
2. Latencia de inferencia: Aunque los modelos YOLOv5 son excepcionalmente rápidos en pruebas de rendimiento brutas con T4 TensorRT (por ejemplo, YOLOv5n a 1.12 ms), YOLOv10 elimina por completo el paso posterior al procesamiento de NMS. En despliegues prácticos de extremo a extremo, el diseño sin NMS de YOLOv10 proporciona una latencia más consistente y determinista, lo cual es crítico para aplicaciones en tiempo real como vehículos autónomos y robótica.
3. Eficiencia de parámetros: Los modelos YOLOv10 mantienen un equilibrio de rendimiento altamente competitivo. YOLOv10-S logra un mAP del 46,7% con solo 7,2 M de parámetros, mientras que YOLOv5s alcanza un mAP del 37,4% con 9,1 M de parámetros.

Casos de uso y recomendaciones#

Elegir entre YOLOv10 y YOLOv5 depende de los requisitos específicos de tu proyecto, las limitaciones de implementación y las preferencias de ecosistema.

Cuándo elegir YOLOv10#

YOLOv10 es una opción sólida para:

• Detección en tiempo real sin NMS: Aplicaciones que se benefician de una detección integral (end-to-end) sin NMS, lo que reduce la complejidad de la implementación.
• Equilibrio entre velocidad y precisión: Proyectos que requieren un buen equilibrio entre la velocidad de inferencia y la precisión de detección en varias escalas de modelo.
• Aplicaciones de latencia consistente: Escenarios de despliegue donde los tiempos de inferencia predecibles son críticos, como en robotics o sistemas autónomos.

Cuándo elegir YOLOv5#

YOLOv5 se recomienda para:

• Sistemas de producción probados: Despliegues existentes donde se valora la larga trayectoria de estabilidad, la extensa documentación y el enorme soporte de la comunidad de YOLOv5.
• Entrenamiento con recursos limitados: Entornos con recursos de GPU limitados donde la eficiente canalización de entrenamiento de YOLOv5 y sus menores requisitos de memoria son ventajosos.
• Amplio soporte de formatos de exportación: Proyectos que requieren despliegue en muchos formatos, incluidos ONNX, TensorRT, CoreML y TFLite.

Cuándo elegir Ultralytics (YOLO26)#

Para la mayoría de los proyectos nuevos, Ultralytics YOLO26 ofrece la mejor combinación de rendimiento y experiencia de desarrollo:

• Implementación en el borde sin NMS: Aplicaciones que requieren una inferencia consistente y de baja latencia sin la complejidad del posprocesamiento de supresión de no máximos.
• Entornos solo de CPU: Dispositivos sin aceleración de GPU dedicada, donde la inferencia en CPU hasta un 43% más rápida de YOLO26 proporciona una ventaja decisiva.
• Detección de objetos pequeños: Escenarios desafiantes como la aerial drone imagery o el análisis con sensores IoT donde ProgLoss y STAL mejoran significativamente la precisión en objetos diminutos.

La ventaja de Ultralytics#

Aunque YOLOv10 ofrece excelentes capacidades de detección, depender de repositorios académicos a veces puede complicar las canalizaciones de producción. Al utilizar el paquete oficial de Ultralytics Python package, obtienes acceso a un ecosistema unificado que admite tanto YOLOv5 como YOLOv10, junto con características avanzadas.

• Eficiencia de entrenamiento: Las arquitecturas de Ultralytics YOLO están profundamente optimizadas para unos requisitos de memoria más bajos durante el entrenamiento. A diferencia de los modelos pesados basados en Transformer (como RT-DETR), que requieren una memoria CUDA masiva, puedes entrenar cómodamente YOLOv5 y YOLOv10 en GPUs de consumo estándar.
• Integración con el ecosistema: La integración con Ultralytics Platform permite a los desarrolladores gestionar visualmente conjuntos de datos, realizar un seguimiento de experimentos utilizando Weights & Biases y ajustar hiperparámetros automáticamente.

Ejemplo de código: Entrenamiento fluido#

Usando la librería de Ultralytics, cambiar entre estas arquitecturas es tan sencillo como modificar la cadena del modelo. El pipeline de entrenamiento gestiona automáticamente la aumentación de datos, el escalado y la configuración del optimizador.

from ultralytics import YOLO

# To use YOLOv5:
# model = YOLO("yolov5s.pt")

# To use YOLOv10:
model = YOLO("yolov10s.pt")

# Train the model on a custom dataset
results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    batch=16,
    device=0,  # Use GPU 0
)

# Export the trained model to ONNX format
path = model.export(format="onnx")

La próxima generación: Ultralytics YOLO26#

Si estás iniciando un nuevo proyecto de machine learning hoy, te recomendamos encarecidamente evaluar el último Ultralytics YOLO26. Lanzado en enero de 2026, representa el estado del arte absoluto al combinar las mejores innovaciones de los últimos cinco años.

YOLO26 incorpora de forma nativa el diseño integral (end-to-end) sin NMS iniciado por YOLOv10, lo que garantiza una implementación rápida y determinista. Además, YOLO26 introduce varios avances críticos:

• Hasta un 43% más de velocidad de inferencia en CPU: Al eliminar el módulo de pérdida focal de distribución (DFL), YOLO26 logra aceleraciones masivas en CPUs estándar, convirtiéndose en la opción principal para el despliegue en móviles y sensores de IoT de bajo consumo.
• Optimizador MuSGD: Inspirado en técnicas de entrenamiento de Large Language Models (LLM) como Kimi K2 de Moonshot AI, YOLO26 utiliza un híbrido de SGD y Muon. Esto asegura ejecuciones de entrenamiento increíblemente estables y una convergencia mucho más rápida en comparación con los optimizadores AdamW utilizados en YOLOv10.
• ProgLoss + STAL: Estas funciones de pérdida avanzadas producen mejoras notables en el reconocimiento de objetos pequeños, lo cual es fundamental para aplicaciones de imágenes de drones y seguridad aérea.
• Dominio de tareas específicas: Mientras que YOLOv10 es estrictamente un detector de cuadros delimitadores, YOLO26 ofrece mejoras arquitectónicas dedicadas para todas las tareas, incluyendo Residual Log-Likelihood Estimation (RLE) para pose y pérdidas angulares especializadas para Oriented Bounding Boxes (OBB).

Tanto si confías en la sólida trayectoria de YOLOv5, la innovación sin NMS de YOLOv10 o el rendimiento puntero inigualable de YOLO26, el ecosistema de Ultralytics proporciona las herramientas necesarias para hacer realidad tus aplicaciones de IA visual de forma rápida y eficiente.