Empezar

YOLOv5 frente a YOLOv6-3.0

El panorama de la visión artificial está en constante evolución y las nuevas arquitecturas amplían los límites de la velocidad y la precisión. Al elegir un modelo para tu próximo proyecto de IA visual, es habitual que los desarrolladores comparen frameworks consolidados y versátiles con detectores industriales muy especializados. Esta comparación analiza las diferencias técnicas entre Ultralytics YOLOv5 y YOLOv6-3.0 de Meituan para ayudarte a elegir la herramienta que mejor se adapte a tus necesidades de implementación.

Introducción a los modelos#

Ultralytics YOLOv5: el estándar versátil#

Publicado en 2020, Ultralytics YOLOv5 se convirtió rápidamente en una opción ampliamente adoptada para la detección de objetos accesible y de alto rendimiento. Destaca por su facilidad de uso, sus sólidas canalizaciones de entrenamiento y sus amplias integraciones de implementación.

YOLOv5 se diseñó desde cero para ofrecer una experiencia sencilla a los desarrolladores dentro del ecosistema PyTorch. Ofrece un equilibrio de rendimiento favorable: logra una alta precisión media (mAP) y mantiene velocidades de inferencia elevadas, adecuadas para diversos escenarios de implementación en el mundo real, desde dispositivos edge hasta servidores en la nube.

YOLOv6-3.0: rendimiento industrial#

Desarrollado por el departamento de IA de visión de Meituan, YOLOv6-3.0 está pensado específicamente para aplicaciones industriales y prioriza en gran medida el rendimiento bruto en aceleradores de hardware dedicados.

  • Autores: Chuyi Li, Lulu Li, Yifei Geng y otros.
  • Organización: Meituan
  • Fecha: 2023-01-13
  • arXiv: 2301.05586
  • GitHub: meituan/YOLOv6

YOLOv6 busca maximizar la velocidad de procesamiento en GPU como la NVIDIA T4. Utiliza esquemas de cuantización específicos y backbones especializados para lograr su rendimiento, por lo que es una buena opción para el procesamiento en servidores backend donde se recurre mucho a la inferencia por lotes.

Más información sobre YOLOv6

Diferencias arquitectónicas#

Comprender las decisiones arquitectónicas que hay detrás de estos modelos es importante para identificar sus casos de uso ideales.

La arquitectura de YOLOv5#

YOLOv5 utiliza un backbone CSPDarknet muy optimizado junto con un neck Path Aggregation Network (PANet). Esta estructura está muy ajustada para reducir al mínimo los requisitos de memoria durante el entrenamiento y la inferencia. A diferencia de los grandes modelos Transformer, que necesitan mucha memoria CUDA y largos tiempos de entrenamiento, YOLOv5 funciona con eficiencia en hardware de consumo estándar.

Eficiencia de memoria

Los modelos de Ultralytics están diseñados específicamente para entrenarse de forma eficiente. A menudo puedes entrenar un modelo YOLOv5 con una sola GPU de gama media, lo que lo hace muy accesible tanto para investigadores como para startups.

YOLOv5 es mucho más que un detector de objetos: el repositorio original de YOLOv5 amplía su arquitectura para admitir la segmentación de instancias y la clasificación de imágenes.

La arquitectura YOLOv6-3.0#

YOLOv6-3.0 incorpora una red troncal EfficientRep, diseñada para ser compatible con el hardware, especialmente para la ejecución en GPU. Utiliza un módulo de concatenación bidireccional (BiC) en el cuello para mejorar la fusión de características.

Durante el entrenamiento, YOLOv6 utiliza una estrategia de entrenamiento asistido por anclajes (AAT) para estabilizar la convergencia, aunque durante la inferencia sigue siendo un detector sin anclajes. Si bien esta arquitectura destaca en tareas aceleradas por GPU, a veces puede ser más compleja de adaptar a diversos dispositivos edge que el framework YOLOv5, altamente portable.

Análisis del rendimiento#

Al evaluar estos modelos, las métricas de velocidad bruta y precisión son fundamentales. A continuación se muestra una tabla comparativa del rendimiento de varios tamaños de modelo en el conjunto de datos COCO.

Modelotamaño
(píxeles)
mAPval50-95Velocidad
CPU ONNX
(ms)
Velocidad
T4 TensorRT10
(ms)
parámetros
(M)
FLOPs
(B)
YOLOv5n64028.0-1.121.94.5
YOLOv5s64037.4-1.927.216.5
YOLOv5m64045.4-4.0321.249.0
YOLOv5l64049.0-6.6146.5109.1
YOLOv5x64050.7-11.8986.7205.7
YOLOv6-3.0n64037.5-1.174.711.4
YOLOv6-3.0s64045.0-2.6618.545.3
YOLOv6-3.0m64050.0-5.2834.985.8
YOLOv6-3.0l64052.8-8.9559.6150.7

Aunque YOLOv6-3.0 alcanza un mAP más alto en todos los tamaños comparables, YOLOv5 requiere menos recursos. Por ejemplo, YOLOv5n necesita muchos menos parámetros y FLOPs que su equivalente YOLOv6, por lo que resulta muy adecuado para implementaciones móviles o limitadas por la CPU.

Ecosistema y facilidad de uso#

Para muchos equipos de ingeniería, el verdadero factor decisivo es el ecosistema que rodea al modelo.

YOLOv6 es un repositorio de investigación competente, pero implementarlo en distintos formatos requiere más trabajo manual. En cambio, Ultralytics ofrece un ecosistema bien mantenido y una experiencia de usuario optimizada. Gracias a la API unificada de Python y a la intuitiva plataforma Ultralytics, los desarrolladores pueden gestionar conjuntos de datos, entrenar con un solo clic y exportar directamente a formatos como ONNX y TensorRT.

Ejemplo de código: API unificada de Ultralytics#

El paquete pip ultralytics de Ultralytics te permite cargar, entrenar y desplegar modelos con solo unas pocas líneas de código.

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
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

# Ejecuta inferencias rápidas en una imagen
predictions = model("https://ultralytics.com/images/bus.jpg")

# Exporta a ONNX para desplegar en edge
model.export(format="onnx")

Casos de uso y recomendaciones#

La elección entre YOLOv5 y YOLOv6 depende de los requisitos específicos de tu proyecto, las limitaciones del despliegue y tus preferencias en cuanto al 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 YOLOv6#

Se recomienda YOLOv6 para:

  • Despliegues adaptados al hardware industrial: situaciones en las que el diseño adaptado al hardware y la reparametrización eficiente del modelo ofrecen un rendimiento optimizado en el hardware de destino específico.
  • Detección rápida en una sola etapa: aplicaciones que priorizan la velocidad de inferencia bruta en GPU para procesar vídeo en tiempo real en entornos controlados.
  • Integración con el ecosistema de Meituan: equipos que ya trabajan con la pila tecnológica y la infraestructura de despliegue de Meituan.

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.

El futuro: las ventajas de YOLO26#

Aunque YOLOv5 sigue siendo una herramienta fiable y YOLOv6-3.0 ofrece un gran rendimiento en GPU industriales, la tecnología más avanzada ha evolucionado. Para los desarrolladores que comienzan hoy nuevos proyectos, la opción recomendada es Ultralytics YOLO26.

Publicado en enero de 2026, YOLO26 supone un importante avance. Hereda la versatilidad del ecosistema Ultralytics e incorpora varias mejoras arquitectónicas:

  • Diseño de extremo a extremo sin NMS: El cabezal opcional sin NMS de YOLO26 (nms=False) elimina el posprocesamiento de supresión no máxima, reduce las variaciones de latencia y simplifica la lógica de implementación.
  • Hasta un 43 % más rápido en inferencia en CPU: Al eliminar DFL y utilizar un cabezal más ligero, YOLO26n se ejecuta hasta un 43 % más rápido en CPU que YOLO11n, lo que beneficia a los dispositivos edge y de bajo consumo.
  • Optimizador MuSGD: El nuevo optimizador MuSGD aprovecha las innovaciones de entrenamiento de LLM para ofrecer un entrenamiento estable y una convergencia más rápida.
  • Versatilidad avanzada: YOLO26 admite la segmentación de instancias y semántica, la estimación de profundidad, la clasificación, la estimación de poses y las cajas delimitadoras orientadas (OBB) mediante cabezales y funciones de pérdida específicos para cada tarea, mientras que ProgLoss y STAL mejoran el reconocimiento de objetos pequeños.

Si estás explorando otras opciones del ecosistema Ultralytics, también puedes considerar YOLO11, de propósito general, o YOLO-World para tareas de detección con vocabulario abierto.

Conclusión#

Tanto YOLOv5 como YOLOv6-3.0 han tenido un impacto considerable en el campo de la visión artificial. YOLOv6-3.0 ofrece un rendimiento excelente en hardware de servidor avanzado, por lo que resulta adecuado para analítica especializada sin conexión. Sin embargo, YOLOv5 sigue siendo una buena opción para los desarrolladores que necesitan un modelo sólido, fácil de usar y versátil, respaldado por el ecosistema Ultralytics.

Para lograr el mejor equilibrio entre precisión, implementación opcional sin NMS y experiencia de desarrollo, se recomienda actualizar a YOLO26 mediante la plataforma Ultralytics en las soluciones modernas de IA visual.

Comentarios

Haz una pregunta, comparte tus resultados o ayuda a otra persona.