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 Ultralytics YOLO26, estamos ante un cambio de paradigma que tiende un puente entre los sistemas heredados robustos y la vanguardia del despliegue de IA moderno.

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 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 de Ultralytics, con un mantenimiento activo. Introdujo técnicas agresivas de aumento de datos, bucles 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 un estándar para startups e investigadores de todo el mundo.

YOLO26: el estándar de IA de visión de nueva generación#

En enero de 2026, Ultralytics YOLO26 representa la cumbre de la IA de visión en tiempo real. Integra de forma nativa las lecciones aprendidas de generaciones intermedias como YOLOv8 y YOLO11, al tiempo que 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, ya que ofrece una precisión puntera y está diseñado específicamente para dominar los escenarios de computación periférica.

Avances arquitectónicos de YOLO26#

Mientras que YOLOv5 se basa en cabezales de detección con anclajes y funciones de pérdida estándar, YOLO26 revisa por completo los mecanismos internos para eliminar los cuellos de botella del despliegue.

1. Diseño de extremo a extremo sin NMS: La diferencia más significativa es la arquitectura nativa de extremo a extremo de YOLO26. A diferencia de YOLOv5, que requiere aplicar manualmente la supresión no máxima (NMS) para filtrar las cajas delimitadoras redundantes, YOLO26 elimina por completo este paso de posprocesamiento. Esto garantiza una latencia de inferencia determinista y simplifica considerablemente la integración en C++ o hardware integrado.
2. Eliminación de DFL: YOLO26 elimina Distribution Focal Loss (DFL). Esta decisión arquitectónica simplifica drásticamente la exportación de modelos y mejora la compatibilidad con dispositivos periféricos de bajo consumo y microcontroladores, que a menudo tienen dificultades con operadores complejos.
3. Optimizador MuSGD: Inspirándose 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 rápida convergencia observadas en el entrenamiento de LLM, lo que se traduce en un menor uso de memoria y ciclos de entrenamiento más rápidos que en los modelos con un uso intensivo de Transformer.
4. ProgLoss + STAL: YOLO26 utiliza las sofisticadas funciones ProgLoss y STAL, que mejoran notablemente su capacidad para detectar objetos pequeños y densos, un desafío histórico para YOLOv5.

Comparación de rendimiento#

Al comparar los modelos en el conjunto de datos COCO, YOLO26 muestra mejoras enormes en precisión (mAP) y, al mismo tiempo, reduce el número de parámetros y los tiempos de inferencia en CPU.

Nota: YOLO26 Nano (YOLO26n) alcanza unos impresionantes 40.9 mAP, frente a los 28.0 mAP de YOLOv5n, y ofrece además hasta un 43 % más de velocidad de inferencia en CPU gracias a la eliminación de DFL y al cabezal sin NMS.

Versatilidad y compatibilidad con tareas#

YOLOv5 es conocido principalmente por la detección de objetos. Aunque las actualizaciones posteriores introdujeron una 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 de la tarea y una función de pérdida de segmentación semántica.
• Estimación de poses: Utiliza Residual Log-Likelihood Estimation (RLE) para detectar puntos clave con gran precisión.
• Cajas delimitadoras orientadas (OBB): Incluye una función de pérdida angular especializada para resolver problemas de discontinuidad en los límites, algo fundamental para el análisis de imágenes de satélite.
• Clasificación de imágenes: Categorización estándar de imágenes completas.

Ejemplos de uso y código#

La API de Ultralytics para Python hace que cambiar de modelo sea increíblemente sencillo. Como ambos modelos comparten el mismo ecosistema con un mantenimiento activo, actualizar una canalización heredada de YOLOv5 a YOLO26 solo requiere cambiar el archivo de pesos.

Ejemplo de Python#

from ultralytics import YOLO

# To use YOLOv5, load a v5 weights file
# model = YOLO("yolov5su.pt")

# Migrate to the recommended YOLO26 model
model = YOLO("yolo26n.pt")

# Train on the COCO8 dataset using the efficient MuSGD optimizer
results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    batch=32,  # YOLO26's low memory footprint allows larger batch sizes
)

# Run an NMS-free inference
predictions = model("https://ultralytics.com/images/bus.jpg")
predictions[0].show()

Ejemplo de CLI#

Puedes desplegar YOLO26 directamente desde la línea de comandos mediante la integración con 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 recomendación indiscutible.

• IA periférica e IoT: Su inferencia en CPU un 43 % más rápida y la eliminación de DFL lo hacen 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, algo crucial para la robótica autónoma y los sistemas de alarma de seguridad en tiempo real.
• Escenarios complejos: Si tu aplicación requiere realizar el seguimiento de objetos pequeños (por ejemplo, la supervisión mediante drones) u objetos giratorios (OBB), las funciones de pérdida avanzadas de YOLO26 (ProgLoss + STAL) ofrecen una enorme ventaja en precisión.

Cuándo elegir YOLOv5#

• Sistemas heredados: Si tu entorno de producción tiene dependencias codificadas directamente sobre la generación de anclajes específica de YOLOv5 o sobre su lógica de análisis de NMS, la migración puede requerir un breve periodo de refactorización.
• Referencias académicas específicas: Los investigadores suelen utilizar YOLOv5 como referencia clásica para demostrar 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 los modelos de detección de objetos. Al aprovechar el optimizador MuSGD, eliminar el posprocesamiento complejo mediante un diseño sin NMS y acelerar enormemente las velocidades de la CPU, Ultralytics YOLO26 ofrece un equilibrio de velocidad y precisión sin concesiones.

Aunque YOLOv5 siempre será recordado como el modelo que democratizó la IA de visión, los desarrolladores que quieran crear aplicaciones robustas, listas para producción y preparadas para el futuro deberían apostar decididamente por YOLO26.