YOLOv5 frente a PP-YOLOE+
Elegir la arquitectura de red neuronal adecuada es esencial para cualquier proyecto moderno de visión artificial. Al evaluar modelos para la detección de objetos en tiempo real, los desarrolladores e investigadores suelen tener que encontrar un equilibrio entre precisión, velocidad de inferencia y facilidad de implementación. Esta comparación técnica analiza YOLOv5 y PP-YOLOE+, y explora sus arquitecturas, métricas de rendimiento y metodologías de entrenamiento para ayudarte a elegir el modelo adecuado para tu aplicación.
Comprender las arquitecturas#
Ambos modelos han influido en la IA visual, pero abordan los retos de la detección de objetos mediante metodologías estructurales y dependencias de frameworks diferentes.
Ultralytics YOLOv5: el estándar del sector#
Lanzado en junio de 2020, Ultralytics YOLOv5 hizo que los modelos de visión más avanzados fueran mucho más accesibles. Desarrollado de forma nativa en PyTorch, redujo las barreras de entrada para los desarrolladores de Python y los ingenieros de ML de todo el mundo.
Detalles de YOLOv5:
- Autores: Glenn Jocher
- Organización: Ultralytics
- Fecha: 2020-06-26
- GitHub: ultralytics/yolov5
- Documentación: Documentación de YOLOv5
YOLOv5 utiliza una red troncal CSPDarknet modificada, que captura representaciones de características ricas con eficiencia y mantiene un número reducido de parámetros. Introdujo cajas de anclaje de aprendizaje automático, que calculan automáticamente las dimensiones óptimas de los anclajes para los conjuntos de datos personalizados antes de empezar el entrenamiento. Además, su aumento de datos en mosaico mejora la capacidad del modelo para detectar objetos más pequeños y generalizar en contextos espaciales complejos.
Uno de los puntos fuertes de YOLOv5 es su versatilidad. A diferencia de los modelos dedicados exclusivamente a la detección, el repositorio de YOLOv5 admite la detección de cajas delimitadoras, la segmentación de instancias (añadida en v7.0) y la clasificación de imágenes (añadida en v6.2) en una misma base de código. Además, su arquitectura utiliza menos memoria durante el entrenamiento y la inferencia que las redes Transformer de gran tamaño.
PP-YOLOE+: la alternativa de PaddlePaddle#
PP-YOLOE+, presentado en abril de 2022, se basa en las iteraciones anteriores de PP-YOLO. Desarrollado por Baidu para su framework de aprendizaje profundo PaddlePaddle, incorpora varios refinamientos arquitectónicos para aumentar la precisión media.
Detalles de PP-YOLOE+ :
- Autores: Autores de PaddlePaddle
- Organización: Baidu
- Fecha: 2022-04-02
- arXiv: 2203.16250
- GitHub: PaddlePaddle/PaddleDetection
- Documentación: README de PP-YOLOE+
PP-YOLOE+ utiliza un diseño sin anclajes y una red troncal CSPRepResNet. Incorpora el aprendizaje de alineación de tareas (TAL) y una cabeza eficiente alineada con las tareas para mejorar la precisión. Aunque PP-YOLOE+ alcanza una precisión elevada, su principal limitación es la dependencia del framework PaddlePaddle, que puede suponer una curva de aprendizaje y dificultades de integración para los equipos que ya utilizan PyTorch o TensorFlow.
Más información sobre PP-YOLOE+
Rendimiento y pruebas de referencia#
Al evaluar estos modelos para producción, es fundamental comprender las concesiones entre precisión, velocidad de inferencia y número de parámetros. La tabla siguiente muestra las principales métricas de rendimiento de las distintas variantes de tamaño.
| Modelo | tamaño (píxeles) | mAPval50-95 | Velocidad CPU ONNX (ms) | Velocidad T4 TensorRT10 (ms) | parámetros (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv5n | 640 | 28.0 | - | 1.12 | 1.9 | 4.5 |
| YOLOv5s | 640 | 37.4 | - | 1.92 | 7.2 | 16.5 |
| YOLOv5m | 640 | 45.4 | - | 4.03 | 21.2 | 49.0 |
| YOLOv5l | 640 | 49.0 | - | 6.61 | 46.5 | 109.1 |
| YOLOv5x | 640 | 50.7 | - | 11.89 | 86.7 | 205.7 |
| PP-YOLOE+t | 640 | 39.9 | - | 2.84 | 4.85 | 19.15 |
| PP-YOLOE+s | 640 | 43.7 | - | 2.62 | 7.93 | 17.36 |
| PP-YOLOE+m | 640 | 49.8 | - | 5.56 | 23.43 | 49.91 |
| PP-YOLOE+l | 640 | 52.9 | - | 8.36 | 52.2 | 110.07 |
| PP-YOLOE+x | 640 | 54.7 | - | 14.3 | 98.42 | 206.59 |
PP-YOLOE+ alcanza un mAP más alto en todas las escalas de modelo, mientras que YOLOv5 ofrece una inferencia TensorRT más rápida en T4 en todas las escalas. Para las implementaciones periféricas con memoria escasa, YOLOv5n ofrece la mayor velocidad (1,12 ms) y el menor tamaño (1,9 M de parámetros) de la tabla.
Los modelos de Ultralytics están diseñados para entrenarse de forma eficiente. En comparación con los detectores basados en Transformer, como RT-DETR, YOLOv5 utiliza menos memoria CUDA, lo que te permite entrenar con lotes más grandes o con hardware de consumo.
La ventaja de Ultralytics: ecosistema y facilidad de uso#
El valor de una arquitectura de aprendizaje automático va más allá de las cifras: abarca toda la experiencia del desarrollador. La plataforma Ultralytics y sus herramientas de código abierto ofrecen un ecosistema bien mantenido que acorta los ciclos de desarrollo.
- Facilidad de uso: Ultralytics se encarga del código auxiliar complejo. Puedes entrenar, validar y probar modelos mediante una API de Python intuitiva o la CLI.
- Flexibilidad de implementación: Exportar modelos es sencillo. Con un único comando, puedes convertir los pesos de YOLOv5 que has entrenado a formatos como ONNX, TensorRT u OpenVINO, lo que garantiza una amplia compatibilidad con entornos periféricos y en la nube.
- Comunidad activa: Una comunidad amplia y un mantenimiento activo se traducen en actualizaciones frecuentes, documentación extensa y soluciones bien probadas para los retos habituales de la visión artificial.
En cambio, PP-YOLOE+ depende en gran medida de archivos de configuración complejos específicos de PaddleDetection, que pueden ralentizar la creación rápida de prototipos y complicar la integración en los flujos de trabajo MLOps modernos.
Implementaciones prácticas y ejemplos de código#
Empezar a usar Ultralytics es sencillo. Aquí tienes un ejemplo completo y ejecutable que carga un modelo YOLOv5u preentrenado, lo entrena con el conjunto de datos de ejemplo COCO8, ejecuta la inferencia y exporta el resultado:
from ultralytics import YOLO
# Carga un modelo YOLOv5 pequeño preentrenado
model = YOLO("yolov5su.pt") # YOLOv5u: pesos de YOLOv5 sin anclajes para el paquete ultralytics
# Entrena el modelo con el conjunto de datos COCO8 durante 50 épocas
train_results = model.train(data="coco8.yaml", epochs=50, imgsz=640)
# Ejecuta la inferencia en una imagen de muestra
predict_results = model("https://ultralytics.com/images/bus.jpg")
# Exporta el modelo optimizado al formato ONNX
path = model.export(format="onnx")Casos de uso y recomendaciones#
La elección entre YOLOv5 y PP-YOLOE+ depende de los requisitos específicos de tu proyecto, las limitaciones de despliegue y tus preferencias de ecosistema.
Cuándo elegir YOLOv5#
YOLOv5 es una buena opción para:
- Sistemas de producción consolidados: Implementaciones existentes en las que se valoran la larga trayectoria de estabilidad de YOLOv5, su extensa documentación y su amplia comunidad.
- Entrenamiento con recursos limitados: entornos con recursos de GPU limitados, donde el pipeline de entrenamiento eficiente de YOLOv5 y sus menores requisitos de memoria suponen una ventaja.
- Amplia compatibilidad con formatos de exportación: proyectos que requieren despliegues en muchos formatos, como ONNX, TensorRT, CoreML y LiteRT.
Cuándo elegir PP-YOLOE+#
PP-YOLOE+ es recomendable para:
- Integración con el ecosistema PaddlePaddle: Organizaciones con infraestructura existente basada en el framework y las herramientas de PaddlePaddle de Baidu.
- Implementación edge con Paddle Lite: Implementación en hardware con kernels de inferencia muy optimizados, diseñados específicamente para Paddle Lite o el motor de inferencia Paddle.
- Detección de alta precisión en servidores: Escenarios que priorizan la máxima precisión de detección en servidores con GPU potentes, donde la dependencia del framework no supone un problema.
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 solo con CPU: dispositivos sin aceleración GPU dedicada, donde YOLO26n funciona hasta un 43 % más rápido en CPU que YOLO11n.
- Detección de objetos pequeños: situaciones complejas, como las imágenes aéreas captadas con drones o el análisis de sensores IoT, en las que ProgLoss y STAL mejoran la precisión con objetos diminutos.
Otros modelos de vanguardia que puedes tener en cuenta#
Aunque YOLOv5 es un estándar de eficacia probada, el campo de la visión artificial avanza rápidamente. Para los equipos que empiezan proyectos nuevos, Ultralytics recomienda sus arquitecturas más recientes.
Ultralytics YOLO26#
Lanzado en enero de 2026, YOLO26 es la familia de modelos más reciente de Ultralytics y mejora tanto la precisión como la velocidad frente a las generaciones anteriores. Entre sus principales innovaciones se incluyen:
- Diseño de extremo a extremo sin NMS: Basándose en conceptos de YOLOv10, la cabeza opcional uno a uno de YOLO26 (
nms=False) omite el posprocesamiento de supresión no máxima (NMS), lo que reduce la latencia y simplifica la lógica de implementación. - Eliminación de DFL: Al eliminar Distribution Focal Loss, YOLO26n consigue una inferencia en CPU hasta un 43 % más rápida que YOLO11n, por lo que resulta adecuado para dispositivos periféricos de bajo consumo.
- Optimizador MuSGD: Inspirado en las técnicas de entrenamiento de LLM, este híbrido de SGD y Muon ofrece entrenamientos estables y una convergencia más rápida.
- ProgLoss + STAL: La pérdida progresiva y la asignación de etiquetas adaptada a objetos pequeños mejoran su reconocimiento, algo fundamental para las imágenes de drones y la agricultura inteligente.
También puedes plantearte usar YOLO11, que ofrece un rendimiento sólido y sigue siendo una opción fiable y totalmente compatible entre los sistemas heredados y YOLO26.
Casos de uso reales#
La elección entre YOLOv5 y PP-YOLOE+ depende, en última instancia, de tu entorno de despliegue y de las limitaciones del proyecto.
Aplicaciones ideales para YOLOv5: Sus bajos requisitos de recursos y su facilidad de uso hacen de YOLOv5 una opción habitual para la IA periférica. Funciona bien en aplicaciones que requieren altas frecuencias de fotogramas con hardware limitado, como la robótica en tiempo real, la integración en aplicaciones móviles y los sistemas de supervisión del tráfico con varias cámaras. La compatibilidad con la segmentación de instancias y la clasificación de imágenes en el mismo framework lo hace adaptable.
Aplicaciones ideales para PP-YOLOE+: PP-YOLOE+ es más adecuado para situaciones en las que prima la máxima precisión frente a la velocidad de inferencia y para procesos de inspección industrial de organizaciones cuya infraestructura tecnológica ya se basa en el ecosistema PaddlePaddle de Baidu.
En resumen, aunque PP-YOLOE+ ofrece resultados sólidos en las evaluaciones de precisión, los modelos YOLO de Ultralytics combinan un buen equilibrio de rendimiento, una implementación sencilla y un diseño pensado para desarrolladores que ayuda a llevar los proyectos de visión artificial del concepto a producción.
Comentarios
Haz una pregunta, comparte tus resultados o ayuda a otra persona.