YOLOv5 frente a YOLOv7#

El panorama de la visión artificial ha evolucionado rápidamente en los últimos años, impulsado por la necesidad de una detección de objetos en tiempo real más rápida y precisa. Para elegir la arquitectura adecuada para tu proyecto, es importante comprender las diferencias entre modelos populares como Ultralytics YOLOv5 y YOLOv7. Esta comparación técnica abarca sus arquitecturas, métodos de entrenamiento, métricas de rendimiento y escenarios de implementación ideales para ayudarte a tomar una decisión informada.

En resumen: origen de los modelos#

Conocer el origen y la filosofía de diseño de estos modelos permite entender sus decisiones arquitectónicas.

Detalles de YOLOv5:

• Autores: Glenn Jocher
• Organización: Ultralytics
• Fecha: 2020-06-26
• GitHub: Repositorio de YOLOv5
• Documentación: Documentación de YOLOv5

Detalles de YOLOv7:

• Autores: Chien-Yao Wang, Alexey Bochkovskiy y Hong-Yuan Mark Liao
• Organización: Institute of Information Science, Academia Sinica, Taiwán
• Fecha: 2022-07-06
• arXiv: Artículo de YOLOv7
• GitHub: Repositorio de YOLOv7
• Documentación: Documentación de YOLOv7

Más información sobre YOLOv7

Innovaciones y diferencias arquitectónicas#

YOLOv5: el referente en accesibilidad#

Presentado por Ultralytics en 2020, YOLOv5 se desarrolló de forma nativa sobre el framework PyTorch, lo que redujo considerablemente las barreras de entrada para investigadores y desarrolladores. Su arquitectura se basa en un backbone Modified CSPDarknet53, que integra redes Cross Stage Partial (CSP) para reducir el número de parámetros y mantener el flujo de gradientes.

Una de sus mayores ventajas son sus bajos requisitos de memoria. En comparación con detectores antiguos de dos etapas o modelos Transformer pesados como RT-DETR, YOLOv5 necesita mucha menos memoria CUDA durante el entrenamiento, lo que permite usar lotes más grandes en GPU de consumo estándar. También ofrece versatilidad: el repositorio original de YOLOv5 admite la detección de objetos, la segmentación de instancias y la clasificación de imágenes.

YOLOv7: ampliación de los límites de la precisión en tiempo real#

Publicado a mediados de 2022, YOLOv7 se centró en avanzar la precisión más avanzada en detección en tiempo real en las pruebas de MS COCO. Sus autores introdujeron Extended Efficient Layer Aggregation Network (E-ELAN), que mejora la capacidad de aprendizaje de la red sin destruir la ruta de gradientes original.

YOLOv7 también es conocido por su «bag of freebies entrenable», en particular por sus técnicas de reparametrización durante el entrenamiento, que convierten varios módulos en una única capa convolucional para la inferencia y aumentan la velocidad sin sacrificar precisión. Sin embargo, esta compleja metodología de entrenamiento suele dar lugar a curvas de aprendizaje más pronunciadas y a procesos de exportación menos sencillos que los del ecosistema nativo de Ultralytics.

Comparativa de rendimiento#

Al evaluar estos modelos, el equilibrio del rendimiento entre velocidad, precisión y coste computacional es clave. A continuación se muestra una comparación detallada de sus métricas de rendimiento basada en el conjunto de datos MS COCO val2017.

Aunque YOLOv7 logra puntuaciones mAP absolutas más altas en las variantes grandes, YOLOv5 ofrece una gama más amplia de tamaños de modelo, desde Nano (YOLOv5n), ligero y pensado para dispositivos edge, hasta Extra-Large (YOLOv5x), para inferencias en la nube.

La ventaja del ecosistema Ultralytics#

La utilidad de un modelo va más allá de su arquitectura: el ecosistema que lo rodea determina la rapidez con la que puede desplegarse en producción. Aquí es donde destacan los modelos de Ultralytics.

• Facilidad de uso: La plataforma Ultralytics y su API unificada de Python ofrecen una experiencia de usuario optimizada, una sintaxis sencilla y documentación exhaustiva. Entrenar con un conjunto de datos personalizado requiere muy poco código repetitivo.
• Ecosistema bien mantenido: Ultralytics se beneficia de un desarrollo activo, actualizaciones frecuentes y un sólido apoyo de la comunidad. Las integraciones con herramientas como Comet y Weights & Biases están incorporadas.
• Eficiencia del entrenamiento: Los cargadores de datos, el almacenamiento en caché inteligente y la compatibilidad con varias GPU permiten entrenar los modelos Ultralytics de forma eficiente. Los pesos preentrenados disponibles aceleran el aprendizaje por transferencia.

Ejemplo de código: primeros pasos#

Con Ultralytics, desplegar un modelo solo requiere unas pocas líneas de código. El siguiente fragmento de Python muestra lo sencillo que es cargar, entrenar y ejecutar inferencias con el paquete recomendado ultralytics.

from ultralytics import YOLO

# Carga un modelo YOLOv5s preentrenado
model = YOLO("yolov5su.pt")  # YOLOv5u: pesos de YOLOv5 sin anclajes para el paquete ultralytics

# Entrena el modelo con el conjunto de datos de ejemplo COCO8
# Ultralytics gestiona automáticamente la descarga y el aumento de datos
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Ejecuta la inferencia en una imagen de muestra
predictions = model("https://ultralytics.com/images/bus.jpg")

# Muestra las predicciones
predictions[0].show()

En cambio, utilizar el repositorio original de YOLOv7 suele implicar clonar repositorios complejos, gestionar manualmente las dependencias y utilizar argumentos de línea de comandos extensos.

Aplicaciones reales y casos de uso ideales#

Cuándo elegir YOLOv7#

YOLOv7 sigue siendo una buena opción para las pruebas de referencia académicas o para determinados flujos de GPU heredados en los que el único objetivo es alcanzar el máximo mAP y el sistema ya está adaptado a sus tensores de salida basados en anclajes. Los investigadores que analizan las rutas de gradientes suelen utilizar YOLOv7 como referencia.

Cuándo elegir YOLOv5#

YOLOv5 se utiliza ampliamente en entornos de producción gracias a su estabilidad. Es la opción preferida para:

• Dispositivos móviles y computación en el edge: Despliega YOLOv5n en iOS mediante CoreML o en Android mediante LiteRT.
• Startups ágiles: Los equipos que necesitan ciclos rápidos de iteración se benefician de la integración con la plataforma Ultralytics para gestionar conjuntos de datos y entrenar en la nube.
• Entornos multitarea: Sistemas que combinan detección de objetos, segmentación y clasificación.

El futuro: dar el salto a YOLO26#

Aunque comparar YOLOv5 y YOLOv7 es un ejercicio excelente para comprender la evolución de la IA visual, la tecnología más avanzada ha seguido progresando. Publicado en enero de 2026, Ultralytics YOLO26 es el punto de partida recomendado para nuevos proyectos.

YOLO26 ofrece varias ventajas frente a YOLOv5 y YOLOv7:

• Diseño de extremo a extremo sin NMS: Al omitir opcionalmente el posprocesamiento de supresión no máxima (nms=False), YOLO26 simplifica la implementación y ofrece una latencia más uniforme.
• Optimizador MuSGD: Inspirado en las innovaciones de Moonshot AI en el ámbito de los LLM, este optimizador híbrido ofrece un entrenamiento estable y una convergencia más rápida.
• Inferencia edge más rápida: Optimizado para entornos edge, YOLO26n se ejecuta hasta un 43 % más rápido en CPU que YOLO11n, en parte gracias a la eliminación de Distribution Focal Loss (DFL).
• Mayor precisión: Las nuevas técnicas de entrenamiento, como ProgLoss + STAL, mejoran el reconocimiento de objetos pequeños, algo útil en grabaciones de drones y aplicaciones de robótica.

Tanto si mantienes una canalización existente de YOLOv5 como si adoptas YOLO26, la plataforma Ultralytics ofrece herramientas de anotación, entrenamiento e implementación.