YOLOv5 vs. YOLO26: Evolución de la detección de objetos en tiempo real
La evolución de la detección de objetos se ha caracterizado por avances significativos en velocidad, precisión y facilidad de uso. Esta comparación profundiza en YOLOv5, el legendario modelo que democratizó la IA visual, y YOLO26, la última arquitectura de vanguardia de Ultralytics para ofrecer eficiencia de vanguardia y rendimiento integral.
Ambos modelos representan momentos cruciales en la historia de la visión artificial. Mientras que YOLOv5 el estándar de usabilidad y adopción por parte de la comunidad en 2020, YOLO26 redefine el panorama en 2026 con una arquitectura integral NMS, una optimización inspirada en LLM y CPU sin igual.
YOLOv5: El favorito de la comunidad
YOLOv5 fue lanzado en junio de 2020 por Ultralytics, lo que supuso un cambio hacia el desarrollo PyTorch. Se hizo famoso no solo por su rendimiento, sino también por su incomparable facilidad de uso, que puso la visión artificial avanzada al alcance de desarrolladores e investigadores de todo el mundo.
- Autores: Glenn Jocher
- Organización:Ultralytics
- Fecha: 2020-06-26
- GitHub:https://github.com/ultralytics/yolov5
- Documentación:https://docs.ultralytics.com/models/yolov5/
Arquitectura y puntos fuertes
YOLOv5 una arquitectura optimizada centrada en la «experiencia de usuario» de la IA. Utilizó una columna vertebral CSP-Darknet53 y un cuello Path Aggregation Network (PANet), lo que mejoró la propagación de características en diferentes escalas.
Las características clave incluyen:
- Aumento de datos mosaico: una técnica de entrenamiento que combina cuatro imágenes en una, mejorando significativamente la capacidad del modelo para detect objetos detect y generalizar a nuevos contextos.
- Cuadros de anclaje con autoaprendizaje: el modelo aprende automáticamente las dimensiones óptimas de los cuadros de anclaje para su conjunto de datos personalizado antes de que comience el entrenamiento.
- Facilidad de implementación: Compatibilidad nativa con la exportación a formatos como ONNX, CoreMLy TFLite lo convirtieron en la opción preferida para aplicaciones móviles y de vanguardia.
YOLO26: el nuevo estándar de eficiencia
Lanzado en enero de 2026, YOLO26 se basa en el legado de sus predecesores, pero introduce cambios arquitectónicos radicales. Está diseñado para ser el modelo definitivo «edge-first», que da prioridad a la velocidad CPU sin sacrificar las ganancias de precisión logradas en los últimos años.
- Autores: Glenn Jocher y Jing Qiu
- Organización:Ultralytics
- Fecha: 2026-01-14
- GitHub:https://github.com/ultralytics/ultralytics
- Documentos:ultralytics
Características innovadoras
YOLO26 integra varias innovaciones de vanguardia que lo distinguen de la YOLOv5 clásica YOLOv5 :
- Nativamente de extremo a extremo (NMS): a diferencia de YOLOv5, que requiere la supresión no máxima (NMS) para filtrar los recuadros superpuestos durante el posprocesamiento, YOLO26 es nativamente de extremo a extremo. Esto elimina la variación de latencia causada por NMS, lo que garantiza tiempos de inferencia consistentes, cruciales para los sistemas de control en tiempo real en robótica y conducción autónoma.
- Optimizador MuSGD: Inspirado en la estabilidad de entrenamiento de los modelos de lenguaje grandes (LLM) como Kimi K2 de Moonshot AI, YOLO26 utiliza un optimizador híbrido que combina SGD Muon. Esto aporta propiedades de convergencia LLM a las tareas de visión.
- Eliminación de DFL: al eliminar la pérdida focal de distribución, se simplifica la estructura del modelo, lo que da lugar a exportaciones más limpias y una mejor compatibilidad con dispositivos periféricos de baja potencia y aceleradores como Coral Edge TPU.
- ProgLoss + STAL: Las nuevas funciones de pérdida (ProgLoss y STAL) proporcionan mejoras significativas en el reconocimiento de objetos pequeños, un punto débil tradicional para muchos detectores en tiempo real.
Equilibrio del rendimiento
YOLO26 logra un equilibrio notable, ya que ofrece CPU hasta un 43 % más rápida en comparación con las generaciones anteriores, al tiempo que mantiene una mayor precisión. Esto lo hace ideal para dispositivos en los que GPU son escasos o no están disponibles.
Comparación técnica: métricas de rendimiento
La siguiente tabla destaca las diferencias de rendimiento entre YOLOv5 YOLO26. Si bien YOLOv5 un modelo capaz, YOLO26 demuestra una eficiencia y precisión superiores en todas las escalas del modelo.
| Modelo | tamaño (píxeles) | mAPval 50-95 | Velocidad CPU ONNX (ms) | Velocidad T4 TensorRT10 (ms) | parámetros (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv5n | 640 | 28.0 | 73.6 | 1.12 | 2.6 | 7.7 |
| YOLOv5s | 640 | 37.4 | 120.7 | 1.92 | 9.1 | 24.0 |
| YOLOv5m | 640 | 45.4 | 233.9 | 4.03 | 25.1 | 64.2 |
| YOLOv5l | 640 | 49.0 | 408.4 | 6.61 | 53.2 | 135.0 |
| YOLOv5x | 640 | 50.7 | 763.2 | 11.89 | 97.2 | 246.4 |
| YOLO26n | 640 | 40.9 | 38.9 | 1.7 | 2.4 | 5.4 |
| YOLO26s | 640 | 48.6 | 87.2 | 2.5 | 9.5 | 20.7 |
| YOLO26m | 640 | 53.1 | 220.0 | 4.7 | 20.4 | 68.2 |
| YOLO26l | 640 | 55.0 | 286.2 | 6.2 | 24.8 | 86.4 |
| YOLO26x | 640 | 57.5 | 525.8 | 11.8 | 55.7 | 193.9 |
Nota: El espectacular aumento de velocidad de YOLO26 en CPU ONNX) se debe a su arquitectura optimizada y a la eliminación de complejos pasos de posprocesamiento.
Metodologías de entrenamiento y ecosistema
Una ventaja importante de elegir Ultralytics es el ecosistema compartido. La transición de YOLOv5 YOLO26 es fluida porque ambos son compatibles con el ultralytics Python y el Ultralytics Platform.
Facilidad de uso y API
Ambos modelos aprovechan una API unificada que simplifica todo el ciclo de vida de la IA. Tanto si utiliza la CLI Python, la sintaxis sigue siendo intuitiva.
from ultralytics import YOLO
# Load a model (YOLOv5 or YOLO26)
model = YOLO("yolo26n.pt") # Switch to 'yolov5s.pt' seamlessly
# Train on a custom dataset
model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Validate performance
metrics = model.val()
Eficiencia del entrenamiento
YOLOv5 estableció el estándar para un entrenamiento eficiente, introduciendo características como «AutoBatch» para maximizar GPU . YOLO26 va más allá con el optimizador MuSGD. Al estabilizar la dinámica del entrenamiento, YOLO26 suele converger más rápido, requiriendo menos épocas para alcanzar la máxima precisión. Esto se traduce en menores costes de computación en la nube y ciclos de iteración más rápidos para los investigadores.
Además, los requisitos de memoria reducidos de YOLO26 permiten tamaños de lote más grandes en hardware de consumo en comparación con arquitecturas pesadas en transformadores como RT-DETR.
Aplicaciones en el mundo real
La elección entre estos modelos suele depender del hardware de implementación y de los requisitos específicos del caso de uso.
Computación en el Borde e IoT
Para aplicaciones que se ejecutan en Raspberry Pi o teléfonos móviles, YOLO26 es el claro ganador. Su CPU hasta un 43 % más rápida y la eliminación de NMS lo NMS increíblemente receptivo para tareas como la gestión inteligente del estacionamiento o el escaneo de inventario con dispositivos portátiles. La eliminación de la pérdida focal de distribución (DFL) también simplifica la conversión a cuantificación entera para microcontroladores.
Robótica y sistemas autónomos
En robótica, la consistencia de la latencia es clave. El diseño integral NMS de YOLO26 garantiza que el tiempo de inferencia sea determinista, evitando el tiempo de procesamiento variable introducido por NMS las escenas se vuelven concurridas. Esta fiabilidad es fundamental para los sistemas de navegación autónoma y prevención de colisiones.
Soporte para sistemas heredados
YOLOv5 sigue siendo una opción sólida para los sistemas heredados en los que el proceso de implementación ya está rígidamente definido en torno a la YOLOv5 (por ejemplo, tensor específicas esperadas por flujos de bits FPGA más antiguos). Su enorme apoyo comunitario y sus años de pruebas en condiciones reales significan que las soluciones para casi cualquier caso extremo están fácilmente disponibles en foros y en GitHub.
Versatilidad: más allá de la detección
Mientras que YOLOv5 para admitir la segmentación en versiones posteriores (v7.0), YOLO26 se diseñó desde cero como un sistema de aprendizaje multitarea.
- Segmentación de instancias: YOLO26 incluye mejoras específicas para cada tarea, como la pérdida de segmentación semántica y los módulos proto multiescala, lo que mejora la calidad de la máscara para tareas como el análisis de imágenes médicas.
- Estimación de la postura: con la estimación de la log-verosimilitud residual (RLE), YOLO26 ofrece una precisión superior en los puntos clave para la estimación de la postura humana en el análisis deportivo.
- Cuadros delimitadores orientados (OBB): para imágenes aéreas y datos satelitales, la pérdida de ángulo especializada de YOLO26 resuelve los problemas de límites comunes en la detección de objetos girados, lo que lo hace superior para tareas OBB.
Conclusión
Tanto YOLOv5 YOLO26 ejemplifican el Ultralytics de hacer que la IA sea fácil, rápida y precisa. YOLOv5 sigue siendo un clásico y fiable caballo de batalla con una enorme presencia en el sector. Sin embargo, para los nuevos proyectos de 2026, YOLO26 ofrece una atractiva vía de actualización.
Con su diseñoNMS, el optimizador MuSGD y CPU excepcional CPU , YOLO26 no es solo una actualización incremental, sino un gran avance para la IA de vanguardia. Al unificar la detección, la segmentación, la pose y la clasificación en un único marco eficiente, Ultralytics los desarrolladores dispongan de las mejores herramientas para resolver hoy los retos de visión artificial del mañana.
Para los desarrolladores interesados en explorar otras arquitecturas modernas, el YOLO11 también ofrece un rendimiento excelente, aunque YOLO26 sigue siendo la principal recomendación por su equilibrio entre velocidad y características de última generación.