YOLOv5 frente a YOLO26
La evolución de la visión artificial se ha caracterizado por la búsqueda continua de modelos más rápidos, precisos y accesibles. Ultralytics YOLOv5 y Ultralytics YOLO26 representan dos etapas de esa evolución: un modelo heredado de uso extendido y el modelo actual recomendado de Ultralytics.
Esta guía ofrece un análisis técnico exhaustivo de ambas arquitecturas y destaca sus métricas de rendimiento, diferencias estructurales y escenarios de despliegue ideales.
Descripción general de los modelos#
YOLOv5: el caballo de batalla del sector#
Lanzado en 2020, YOLOv5 hizo mucho más accesible la detección de objetos. Al implementar la arquitectura de forma nativa en el marco PyTorch, ofreció a los desarrolladores un camino sencillo desde la instalación hasta el entrenamiento y la implementación.
- Autores: Glenn Jocher
- Organización: Ultralytics
- Fecha: 2020-06-26
- GitHub: https://github.com/ultralytics/yolov5
- Documentación: Documentación de YOLOv5
YOLOv5 sentó las bases del ecosistema de Ultralytics, que se mantiene activamente. Introdujo potentes técnicas de aumento de datos, ciclos de entrenamiento eficientes y rutas de exportación muy optimizadas a formatos edge como CoreML y ONNX. Su facilidad de uso y sus bajos requisitos de memoria durante el entrenamiento lo convirtieron en una herramienta habitual para startups e investigadores de todo el mundo.
YOLO26: el nuevo estándar de IA visual#
Lanzado en enero de 2026, Ultralytics YOLO26 es la última generación de Ultralytics YOLO. Integra las lecciones aprendidas de generaciones intermedias como YOLOv8 y YOLO11, e incorpora técnicas de entrenamiento inspiradas en el entrenamiento de modelos de lenguaje grandes (LLM).
- Autores: Glenn Jocher y Jing Qiu
- Organización: Ultralytics
- Fecha: 2026-01-14
- GitHub: https://github.com/ultralytics/ultralytics
- Documentación: Documentación de YOLO26
YOLO26 ofrece un equilibrio sólido entre precisión y velocidad, y está diseñado específicamente para escenarios de computación edge.
Si estás migrando una base de código antigua, quizá también te interese comparar YOLOv5 con YOLO11, el modelo de la generación anterior compatible con diversas tareas, como la estimación de pose y las cajas delimitadoras orientadas (OBB).
Innovaciones arquitectónicas de YOLO26#
Mientras que YOLOv5 se basa en cabezas de detección con anclas y funciones de pérdida estándar, YOLO26 rediseña la cabeza, las funciones de pérdida y el optimizador para eliminar los cuellos de botella de la implementación.
- Diseño integral sin NMS: La diferencia más significativa es la opción de inferencia integral nativa de YOLO26. A diferencia de YOLOv5, que requiere supresión no máxima (NMS) para filtrar las cajas delimitadoras redundantes, la cabeza opcional uno a uno de YOLO26 (
nms=False) omite este paso de posprocesamiento. Esto hace que la latencia de inferencia sea más predecible y simplifica la integración en C++ o hardware integrado. - Eliminación de DFL: YOLO26 elimina Distribution Focal Loss (DFL). Esta decisión arquitectónica simplifica la exportación del modelo y mejora la compatibilidad con dispositivos edge y aceleradores de bajo consumo que suelen tener dificultades con operadores complejos.
- Optimizador MuSGD: Inspirado en Kimi K2 de Moonshot AI, YOLO26 utiliza el optimizador MuSGD, un híbrido de SGD y Muon. Esto traslada a la visión artificial la estabilidad y la rápida convergencia observadas en el entrenamiento de LLM.
- ProgLoss + STAL: YOLO26 utiliza ProgLoss y STAL para mejorar la detección de objetos pequeños y densos, un reto histórico para YOLOv5.
Comparativa de rendimiento#
Al comparar los modelos con el conjunto de datos COCO, YOLO26 muestra una precisión superior (mAP) en todas las escalas y utiliza menos parámetros a partir de la variante mediana.
| 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 |
| YOLO26n | 640 | 40.9 | 38.9 | 1.7 | 2.4 | 5.5 |
| YOLO26s | 640 | 48.6 | 87.2 | 2.5 | 9.5 | 20.9 |
| YOLO26m | 640 | 53.1 | 220.0 | 4.7 | 20.4 | 68.4 |
| YOLO26l | 640 | 55.0 | 286.2 | 6.2 | 24.8 | 86.8 |
| YOLO26x | 640 | 57.5 | 525.8 | 11.8 | 55.7 | 194.4 |
Nota: YOLO26 Nano (YOLO26n) alcanza un mAP de 40.9 frente al 28.0 de YOLOv5n, una mejora de 12.9 puntos con solo 0.5M de parámetros adicionales, mientras que la eliminación de DFL y la cabeza sin NMS simplifican la implementación en CPU y en el edge.
Versatilidad y compatibilidad con tareas#
YOLOv5 se conoce principalmente por la detección de objetos. Aunque las actualizaciones posteriores incorporaron segmentación básica, YOLO26 se diseñó desde cero como un motor multitarea unificado.
YOLO26 es compatible de forma nativa con:
- Segmentación de instancias: incluye prototipos multiescala específicos para la tarea y una función de pérdida de segmentación semántica.
- Segmentación semántica: asignación de clases a cada píxel.
- Estimación de profundidad: predicción de la profundidad de cada píxel a partir de una sola imagen.
- Clasificación de imágenes: categorización estándar de imágenes completas.
- Estimación de pose: Utiliza la estimación residual de la log-verosimilitud (RLE) para localizar los puntos clave con mayor precisión.
- Cuadros delimitadores orientados (OBB): incluye una función de pérdida angular especializada para resolver problemas de discontinuidad en los límites, algo fundamental para el análisis de imágenes por satélite.
Ambos modelos se benefician de la plataforma de Ultralytics, que ofrece anotación de datos, entrenamiento en la nube e implementación con un solo clic.
Uso y ejemplos de código#
La API Python de Ultralytics facilita el cambio entre modelos. Como ambos modelos comparten el mismo ecosistema bien mantenido, para actualizar un flujo de YOLOv5u en el paquete ultralytics a YOLO26 solo hay que cambiar el archivo de pesos.
Ejemplo en Python#
from ultralytics import YOLO
# # Para usar YOLOv5, carga un archivo de pesos de v5
# model = YOLO("yolov5su.pt")
# # Migra al modelo YOLO26 recomendado
model = YOLO("yolo26n.pt")
# # Entrena con el conjunto de datos COCO8; optimizer="auto" selecciona MuSGD para ejecuciones más largas (>10k iteraciones)
results = model.train(
data="coco8.yaml",
epochs=100,
imgsz=640,
batch=32, # # La baja huella de memoria de YOLO26 permite usar tamaños de lote mayores
)
# # Ejecuta una inferencia sin NMS
predictions = model("https://ultralytics.com/images/bus.jpg", nms=False)
predictions[0].show()Ejemplo de CLI#
Puedes desplegar YOLO26 directamente desde la línea de comandos con la integración de TensorRT para maximizar el rendimiento de la GPU:
# Export the model to TensorRT format
yolo export model=yolo26n.pt format=engine
# Run inference with the compiled engine
yolo predict model=yolo26n.engine source=path/to/video.mp4Casos de uso ideales#
Cuándo elegir YOLO26#
Para los nuevos proyectos de visión artificial, YOLO26 es la opción recomendada.
- IA edge e IoT: Su inferencia en CPU hasta un 43 % más rápida (YOLO26n frente a YOLO11n) y la eliminación de DFL lo hacen muy adecuado para implementarlo en una Raspberry Pi o en dispositivos móviles.
- Flujos de alto rendimiento: La cabeza opcional sin NMS ofrece una latencia más predecible, algo importante para la robótica autónoma y los sistemas de alarma de seguridad en tiempo real.
- Escenarios complejos: Si tu aplicación requiere detectar objetos pequeños (por ejemplo, monitorización con drones) u objetos girados (OBB), las mejoras de entrenamiento de YOLO26 (ProgLoss + STAL, además de una función de pérdida angular específica para OBB) aumentan la precisión.
Cuándo elegir YOLOv5#
- Sistemas heredados: si tu entorno de producción tiene dependencias codificadas directamente en la generación de anclajes específica de YOLOv5 o en su lógica de análisis de NMS, la migración podría requerir un breve periodo de refactorización.
- Referencias académicas específicas: los investigadores suelen usar YOLOv5 como referencia clásica para mostrar la evolución histórica de las arquitecturas de detección de objetos.
Resumen#
La transición de YOLOv5 a YOLO26 es más que una actualización iterativa: cambia la forma de entrenar e implementar los modelos de detección de objetos. Con el optimizador MuSGD, una cabeza opcional sin NMS que elimina el posprocesamiento y una inferencia más rápida en CPU, Ultralytics YOLO26 ofrece un sólido equilibrio entre velocidad y precisión.
YOLOv5 sigue siendo el modelo que acercó la IA de visión a una amplia comunidad de desarrolladores, pero quienes estén creando nuevas aplicaciones de producción deberían empezar con YOLO26.
Comentarios
Haz una pregunta, comparte tus resultados o ayuda a otra persona.