YOLOv5 frente a YOLO26#

La evolución de la visión artificial se ha definido por la búsqueda continua de modelos más rápidos, precisos y accesibles. Al comparar Ultralytics YOLOv5 con la vanguardista Ultralytics YOLO26, observamos un cambio de paradigma que acorta las distancias entre los sistemas consolidados y la vanguardia del despliegue de IA moderna.

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 revolucionó la accesibilidad de la detección de objetos. Al migrar la arquitectura de forma nativa al framework PyTorch, ofreció a los desarrolladores una experiencia sin precedentes para pasar de cero a experto.

• 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 Ultralytics, que cuenta con un sólido mantenimiento. Introdujo técnicas agresivas de aumento de datos, ciclos de entrenamiento eficientes y rutas de exportación muy optimizadas a formatos para dispositivos periféricos como CoreML y ONNX. Su facilidad de uso y sus bajos requisitos de memoria durante el entrenamiento lo convirtieron en una herramienta esencial para empresas emergentes e investigadores de todo el mundo.

YOLO26: el nuevo estándar de IA visual#

Avancemos hasta enero de 2026: Ultralytics YOLO26 representa la máxima expresión de la IA visual en tiempo real. Integra de forma nativa los aprendizajes de generaciones intermedias como YOLOv8 y YOLO11, e introduce avances revolucionarios inspirados en el entrenamiento de modelos de lenguaje de gran tamaño (LLM).

• Autores: Glenn Jocher y Jing Qiu
• Organización: Ultralytics
• Fecha: 2026-01-14
• GitHub: https://github.com/ultralytics/ultralytics
• Documentación: Documentación de YOLO26

YOLO26 establece un nuevo referente en equilibrio de rendimiento: ofrece una precisión de vanguardia y está diseñado expresamente para destacar en escenarios de computación en el borde.

Avances arquitectónicos de YOLO26#

Mientras que YOLOv5 depende de cabezales de detección basados en anclajes y funciones de pérdida estándar, YOLO26 renueva por completo los mecanismos internos para eliminar los cuellos de botella del despliegue.

1. Diseño integral sin NMS: La diferencia más importante es la opción de inferencia integral nativa de YOLO26. A diferencia de YOLOv5, que necesita la supresión de no máximos (NMS) para filtrar cuadros delimitadores redundantes, el cabezal opcional uno a uno de YOLO26 (nms=False) omite por completo este paso de posprocesamiento. Esto garantiza una latencia de inferencia determinista y simplifica enormemente la integración en C++ o en hardware integrado.
2. Eliminación de DFL: YOLO26 elimina la pérdida focal de distribución (DFL). Esta decisión arquitectónica simplifica enormemente la exportación del modelo y mejora la compatibilidad con dispositivos periféricos de bajo consumo y microcontroladores, que a menudo tienen dificultades con operadores complejos.
3. Optimizador MuSGD: Inspirado en Kimi K2 de Moonshot AI, YOLO26 utiliza el optimizador MuSGD, una combinación de SGD y Muon. Esto aporta a la visión artificial la estabilidad y la convergencia rápida propias del entrenamiento de LLM, lo que reduce el uso de memoria y acorta los ciclos de entrenamiento en comparación con los modelos basados en Transformer.
4. ProgLoss + STAL: YOLO26 utiliza las sofisticadas funciones ProgLoss y STAL, que mejoran notablemente su capacidad para detectar objetos pequeños y densos, un reto histórico para YOLOv5.

Comparativa de rendimiento#

Al comparar los modelos con el conjunto de datos COCO, YOLO26 muestra mejoras considerables en precisión (mAP) en todas las escalas y utiliza menos parámetros a partir de la variante mediana.

Nota: YOLO26 Nano (YOLO26n) alcanza unos impresionantes 40,9 mAP frente a los 28,0 mAP de YOLOv5n: una mejora de 12,9 puntos con solo 0,5 M de parámetros adicionales. Además, la eliminación de DFL y el cabezal sin NMS simplifican el despliegue en CPU y dispositivos periféricos.

Versatilidad y compatibilidad con tareas#

YOLOv5 destaca principalmente por la detección de objetos. Aunque las actualizaciones posteriores incorporaron segmentación básica, YOLO26 se diseñó desde cero como un motor unificado para múltiples tareas.

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 de log-verosimilitud residual (RLE) para detectar puntos clave con gran 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.

Uso y ejemplos de código#

La API de Python de Ultralytics facilita enormemente el cambio de un modelo a otro. Como ambos modelos comparten el mismo ecosistema, que cuenta con un sólido mantenimiento, para actualizar una canalización heredada de YOLOv5 a YOLO26 solo tienes 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.mp4

Casos de uso ideales#

Cuándo elegir YOLO26#

Para cualquier proyecto moderno de visión artificial, YOLO26 es la opción recomendada indiscutible.

• IA en el borde e IoT: gracias a una inferencia en CPU hasta un 43 % más rápida que la de YOLO11n y a la eliminación de DFL, es perfecto para desplegarlo en una Raspberry Pi o en dispositivos móviles.
• Canalizaciones de alta velocidad: la arquitectura sin NMS garantiza una latencia estable y predecible, fundamental para la robótica autónoma y los sistemas de alarma de seguridad en tiempo real.
• Escenarios complejos: si tu aplicación requiere seguir objetos pequeños (por ejemplo, la monitorización con drones) u objetos girados (OBB), las funciones de pérdida avanzadas de YOLO26 (ProgLoss + STAL) ofrecen una gran ventaja en 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 no es una simple actualización iterativa, sino un salto fundamental en la forma de entrenar y desplegar modelos de detección de objetos. Al aprovechar el optimizador MuSGD, prescindir del posprocesamiento complejo mediante un diseño sin NMS y acelerar enormemente la velocidad en CPU, Ultralytics YOLO26 ofrece un equilibrio excepcional entre velocidad y precisión.

YOLOv5 siempre será recordado como el modelo que democratizó la IA visual, pero los desarrolladores que quieran crear aplicaciones robustas, listas para producción y preparadas para el futuro deberían apostar con confianza por YOLO26.