YOLOv10 vs YOLOv7: Avances en la arquitectura de detección de objetos en tiempo real

La evolución de la familia YOLO (You Only Look Once) ha impulsado constantemente los límites de la visión artificial, equilibrando la velocidad y la precisión para las aplicaciones en tiempo real. Esta comparación explora los cambios arquitectónicos y las diferencias de rendimiento entre YOLOv10, un modelo de última generación publicado por investigadores de la Universidad de Tsinghua, y YOLOv7, un modelo muy influyente desarrollado por Academia Sinica. Si bien ambos modelos han realizado contribuciones significativas al campo de la detección de objetos, emplean distintas estrategias para alcanzar sus objetivos de rendimiento.

Evolución de las arquitecturas de modelos

La transición de YOLOv7 a YOLOv10 marca un cambio de paradigma en la forma en que las redes neuronales gestionan el post-procesamiento y la integración de características.

YOLOv10: La revolución sin NMS

YOLOv10, lanzado el 23 de mayo de 2024 por Ao Wang, Hui Chen y otros de la Universidad de Tsinghua, introduce una innovadora estrategia de entrenamiento sin NMS. Tradicionalmente, los detectores de objetos se basan en la Supresión No Máxima (NMS) para filtrar los cuadros delimitadores duplicados, lo que puede crear un cuello de botella en la latencia de inferencia.

YOLOv10 utiliza Asignaciones Duales Consistentes para el entrenamiento sin NMS, lo que permite al modelo predecir instancias de objetos únicos directamente. Combinado con un diseño de modelo holístico impulsado por la eficiencia y la precisión, optimiza varios componentes, incluyendo el encabezado de clasificación ligero y el submuestreo desacoplado espacial-canal, para reducir la redundancia computacional.

Más información sobre YOLOv10

YOLOv7: Optimizado para Bag-of-Freebies entrenable

YOLOv7, lanzado el 6 de julio de 2022 por Chien-Yao Wang, Alexey Bochkovskiy y Hong-Yuan Mark Liao de Academia Sinica, se centra en la optimización del proceso de entrenamiento sin aumentar el coste de la inferencia. Introdujo la Red de Agregación de Capas Eficiente Extendida (E-ELAN), que mejora la capacidad de aprendizaje de la red controlando la ruta del gradiente.

YOLOv7 aprovecha en gran medida los "Bag-of-Freebies" —métodos que mejoran la precisión durante el entrenamiento sin afectar a la velocidad de inferencia— y las técnicas de escalado de modelos que combinan los parámetros de forma eficiente. Aunque es muy eficaz, su dependencia del post-procesamiento tradicional NMS significa que su latencia end-to-end es a menudo mayor que la de las arquitecturas más nuevas sin NMS.

Más información sobre YOLOv7

Comparación del rendimiento técnico

Al evaluar estos modelos, surgen patrones distintos con respecto a la eficiencia y la capacidad de detección bruta. YOLOv10 generalmente ofrece una eficiencia superior, logrando un mAP (precisión media promedio) similar o mejor con significativamente menos parámetros y tiempos de inferencia más rápidos en comparación con YOLOv7.

La siguiente tabla resume las métricas clave del conjunto de datos COCO.

Modelo	tamaño ^(píxeles)	mAP^val 50-95	Velocidad ^{CPU ONNX (ms)}	Velocidad ^{T4 TensorRT10 (ms)}	parámetros ^(M)	FLOPs ^(B)
YOLOv10n	640	39.5	-	1.56	2.3	6.7
YOLOv10s	640	46.7	-	2.66	7.2	21.6
YOLOv10m	640	51.3	-	5.48	15.4	59.1
YOLOv10b	640	52.7	-	6.54	24.4	92.0
YOLOv10l	640	53.3	-	8.33	29.5	120.3
YOLOv10x	640	54.4	-	12.2	56.9	160.4

YOLOv7l	640	51.4	-	6.84	36.9	104.7
YOLOv7x	640	53.1	-	11.57	71.3	189.9

Análisis de la eficiencia

Los datos resaltan una ventaja crítica para YOLOv10 en entornos con recursos limitados. YOLOv10m alcanza una precisión casi idéntica (51.3% mAP) a YOLOv7l (51.4% mAP), pero lo hace con menos de la mitad de los parámetros (15.4M vs 36.9M) y FLOPs significativamente más bajos (59.1B vs 104.7B).

Latencia y Rendimiento

La eliminación del paso NMS de YOLOv10 reduce drásticamente la variación de latencia que se observa a menudo en escenas concurridas. En aplicaciones como vehículos autónomos o vigilancia con drones, donde cada milisegundo cuenta, el tiempo de inferencia predecible de YOLOv10 proporciona una ventaja de seguridad crítica. YOLOv7 sigue siendo competitivo en rendimiento en GPUs de gama alta, pero consume más memoria y computación para lograr resultados comparables.

Casos de uso y aplicaciones

Las diferencias arquitectónicas dictan los escenarios de implementación ideales para cada modelo.

Escenarios Ideales para YOLOv10

Edge AI: Debido a su bajo número de parámetros y FLOPs, YOLOv10 es perfecto para dispositivos como Raspberry Pi o NVIDIA Jetson.
Análisis de vídeo en tiempo real: La alta velocidad de inferencia admite el procesamiento de alta velocidad de fotogramas para la gestión del tráfico y el análisis minorista.
Robótica: Una menor latencia se traduce en tiempos de reacción más rápidos para las tareas de navegación y manipulación de robots.

Escenarios Ideales para YOLOv7

Sistemas heredados: Los proyectos ya integrados con el código base de YOLOv7 pueden encontrarlo lo suficientemente estable como para mantenerlo sin una refactorización inmediata.
Detección de propósito general: Para implementaciones del lado del servidor donde la VRAM es abundante, los modelos más grandes de YOLOv7 todavía brindan capacidades de detección robustas, aunque son menos eficientes que las alternativas más nuevas como YOLO11.

La ventaja de Ultralytics

Si bien ambos modelos son potentes, aprovechar el ecosistema de Ultralytics ofrece ventajas claras para desarrolladores e investigadores. El marco de Ultralytics estandariza la interfaz para el entrenamiento, la validación y la implementación, lo que facilita enormemente el cambio entre modelos y la evaluación comparativa del rendimiento.

Facilidad de uso y eficiencia en el entrenamiento

Una de las principales barreras en el aprendizaje profundo es la complejidad de los flujos de trabajo de entrenamiento. Los modelos de Ultralytics, incluyendo YOLOv10 y YOLO11, utilizan una API de python optimizada que gestiona el aumento de datos, el ajuste de hiperparámetros y la exportación automáticamente.

API simple: Entrena un modelo en pocas líneas de código.
Eficiencia de memoria: Las optimizaciones de Ultralytics a menudo resultan en un menor uso de memoria CUDA durante el entrenamiento en comparación con las implementaciones sin procesar.
Pesos preentrenados: El acceso a modelos preentrenados de alta calidad en ImageNet y COCO acelera el aprendizaje por transferencia.

Versatilidad en todas las tareas

Los modelos modernos de Ultralytics se extienden más allá de la simple detección de cuadros delimitadores. Admiten Segmentación de instancias, Estimación de pose, Detección de objetos orientados (OBB) y Clasificación dentro del mismo marco. Esta versatilidad es una ventaja clave sobre los repositorios independientes más antiguos.

Ejemplo de código: Ejecución de YOLOv10 con Ultralytics

El siguiente ejemplo demuestra la simplicidad de usar la API de Ultralytics para cargar un modelo YOLOv10 pre-entrenado y ejecutar la inferencia. Esta facilidad de uso contrasta con la configuración más manual que a menudo se requiere para arquitecturas más antiguas como YOLOv7.

from ultralytics import YOLO

# Load a pre-trained YOLOv10n model
model = YOLO("yolov10n.pt")

# Run inference on an image
results = model("path/to/image.jpg")

# Display the results
results[0].show()

Conclusión y recomendación

Para los nuevos proyectos, YOLOv10 o el aún más avanzado YOLO11 son las opciones recomendadas. La arquitectura de YOLOv10 sin NMS ofrece un equilibrio superior de velocidad y precisión, lo que la hace muy adaptable a las necesidades modernas de edge computing. Aborda los cuellos de botella de latencia de las generaciones anteriores al tiempo que reduce la huella computacional.

Aunque YOLOv7 sigue siendo un hito respetado en la historia de la visión artificial, su arquitectura es menos eficiente según los estándares actuales. Los desarrolladores que busquen el mejor rendimiento, mantenimiento a largo plazo y facilidad de implementación encontrarán que el ecosistema Ultralytics, con sus continuas actualizaciones y su amplia compatibilidad con herramientas, es el entorno más productivo para construir soluciones de IA de visión.