Empezar

YOLOv5 frente a YOLOv9

El panorama de la visión artificial y la detección de objetos en tiempo real ha avanzado considerablemente en los últimos años. Elegir entre modelos consolidados y probados en producción y nuevas arquitecturas de investigación es un reto habitual para los ingenieros de aprendizaje automático. Esta guía ofrece una comparación técnica exhaustiva de dos modelos muy influyentes de la familia YOLO: YOLOv5 y YOLOv9.

Tanto si implementas en dispositivos edge con recursos limitados, investigas la extracción de características de alta fidelidad o desarrollas complejas canalizaciones de detección de objetos, es importante comprender las diferencias arquitectónicas, las métricas de rendimiento y la compatibilidad con los ecosistemas de estos modelos.

Descripción general de los modelos#

Antes de profundizar en las comparaciones arquitectónicas, conviene conocer los orígenes y los objetivos principales de cada modelo.

Ultralytics YOLOv5#

Desarrollado por Glenn Jocher y publicado por Ultralytics el 26 de junio de 2020, YOLOv5 cambió la forma en que los desarrolladores interactuaban con los modelos de visión. Al adoptar plenamente el framework PyTorch, YOLOv5 sustituyó los complejos pasos de compilación de los modelos anteriores basados en Darknet por una experiencia intuitiva, centrada en Python.

YOLOv5 es conocido por su facilidad de uso y su rendimiento estable en diversos entornos de hardware. No solo admite la detección, sino también la segmentación de instancias y la clasificación de imágenes.

YOLOv9#

Presentado por Chien-Yao Wang y Hong-Yuan Mark Liao, del Instituto de Ciencias de la Información de la Academia Sinica de Taiwán, YOLOv9 se centra especialmente en la teoría arquitectónica para mitigar los problemas de cuello de botella de información en las redes neuronales profundas.

YOLOv9 se basa en dos innovaciones teóricas principales: la información de gradiente programable (PGI) y la red generalizada de agregación eficiente de capas (GELAN). Estos conceptos ayudan al modelo a conservar características espaciales esenciales a través de las capas profundas de la red.

Más información sobre YOLOv9

Prepara tus implementaciones para el futuro

Aunque YOLOv5 y YOLOv9 son potentes, el nuevo YOLO26 ofrece un gran equilibrio entre velocidad y precisión. Con inferencia opcional de extremo a extremo sin NMS y hasta un 43 % más de velocidad de inferencia en CPU (YOLO26n frente a YOLO11n), YOLO26 es una opción recomendada para la computación edge moderna y las implementaciones en producción.

Diferencias arquitectónicas y técnicas#

Comprender qué impulsa estos modelos de visión es esencial para optimizar las estrategias de implementación de modelos.

Extracción de características y conservación de la información#

YOLOv5 utiliza un backbone de red de etapas parciales cruzadas (CSPNet), que reduce eficazmente la carga computacional y mantiene un flujo de gradientes preciso durante la retropropagación. Este diseño está muy optimizado para las operaciones de GPU tradicionales y garantiza menores requisitos de memoria durante el entrenamiento que las alternativas basadas en Transformer de gran tamaño.

YOLOv9 presenta GELAN, una arquitectura genérica que amplía los principios de CSPNet. Junto con PGI, una rama auxiliar reversible, YOLOv9 ayuda a las capas profundas a conservar la información semántica necesaria para calcular gradientes fiables. Esto permite a YOLOv9 alcanzar una gran precisión, especialmente en objetos pequeños.

Requisitos de memoria y eficiencia del entrenamiento#

En cuanto a la eficiencia del entrenamiento, YOLOv5 sigue destacando. El ecosistema Ultralytics, bien mantenido, garantiza que los modelos YOLOv5 consuman mucha menos memoria CUDA, lo que permite a los investigadores maximizar los tamaños de lote en GPU de consumo. YOLOv9 logra una eficiencia excelente en cuanto a parámetros (alta precisión en relación con su tamaño), pero su entrenamiento puede consumir más recursos si no se utilizan frameworks optimizados. Por suerte, integrar YOLOv9 en la API de Ultralytics acerca su gestión de recursos optimizada a la de YOLOv5.

Rendimiento y métricas#

La tabla siguiente compara el rendimiento de ambos modelos en el conjunto de datos COCO, incluidas las métricas mAP (precisión media), la velocidad de inferencia y el número de parámetros.

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
YOLOv9t64038.3-2.32.07.7
YOLOv9s64046.8-3.547.226.7
YOLOv9m64051.4-6.4320.176.8
YOLOv9c64053.0-7.1625.5102.8
YOLOv9e64055.6-16.7758.1192.5

Como muestra la tabla, YOLOv9 alcanza una mayor precisión bruta en tamaños equivalentes, lo que refleja su arquitectura más reciente. Sin embargo, YOLOv5n mantiene una latencia baja de 1,12 ms en T4 con TensorRT, lo que pone de relieve su eficacia duradera para aplicaciones de computación edge localizadas y de alta velocidad.

Metodologías de entrenamiento y facilidad de uso#

Hoy en día, gran parte del valor práctico de la visión artificial reside en la accesibilidad de la cadena de herramientas.

La ventaja de Ultralytics#

Aunque los repositorios de investigación originales de modelos como YOLOv9 son fundamentales, suelen incluir matrices de dependencias complejas y scripts repetitivos. La API de Python de Ultralytics abstrae la mayor parte de esta complejidad. Con el ecosistema Ultralytics, puedes entrenar, evaluar y exportar YOLOv5 y YOLOv9 con una sintaxis unificada e idéntica.

from ultralytics import YOLO

# Carga un modelo YOLOv5 preentrenado para una implementación rápida
model_v5 = YOLO("yolov5su.pt")  # YOLOv5u: pesos de YOLOv5 sin anclajes para el paquete ultralytics

# O aprovecha un modelo YOLOv9 para obtener una precisión de alta fidelidad
model_v9 = YOLO("yolov9c.pt")

# Entrena con el conjunto de datos de ejemplo COCO8
results = model_v9.train(data="coco8.yaml", epochs=50, imgsz=640)

# Exporta el modelo entrenado a ONNX
model_v9.export(format="onnx")

Este enfoque de API única ofrece una amplia versatilidad: admite no solo la detección, sino también la segmentación de instancias, la estimación de poses y las cajas delimitadoras orientadas (OBB), según el modelo elegido. Las integraciones con herramientas como Comet y Weights & Biases también están incorporadas en el ciclo de entrenamiento.

Casos de uso ideales y aplicaciones reales#

La elección entre estas arquitecturas depende principalmente de las limitaciones de tu hardware y de la precisión que requiera tu ámbito de aplicación.

Cuándo elegir YOLOv5#

YOLOv5 es un modelo maduro adecuado para implementaciones que priorizan la estabilidad, un consumo reducido de memoria y una amplia compatibilidad de exportación.

  • Implementaciones móviles: Exportar YOLOv5 a LiteRT o CoreML para ejecutar inferencias en el dispositivo en smartphones antiguos es sencillo.
  • Hardware edge antiguo: En dispositivos como Raspberry Pi o los primeros NVIDIA Jetson Nano, las convoluciones sencillas de YOLOv5 ayudan a mantener una frecuencia de fotogramas constante en aplicaciones como la gestión inteligente de aparcamientos.
  • Creación rápida de prototipos: La amplia disponibilidad de tutoriales de la comunidad, pesos preentrenados personalizados y compatibilidad con numerosos conjuntos de datos hacen de YOLOv5 la forma más rápida de validar una prueba de concepto.

Cuándo elegir YOLOv9#

YOLOv9 es ideal para situaciones en las que resulta fundamental captar detalles complejos y reducir al mínimo los falsos negativos, aunque requiera algo más de capacidad de cálculo.

  • Imágenes aéreas y satelitales: El framework PGI ayuda a conservar la fidelidad de los objetos pequeños, por lo que YOLOv9 es excelente para la monitorización agrícola mediante drones.
  • Diagnóstico por imagen médica: Al detectar anomalías o lesiones diminutas en exploraciones de alta resolución, el flujo de gradientes preciso de GELAN ofrece una ventaja necesaria en la exhaustividad.
  • Analítica minorista avanzada: El seguimiento de productos superpuestos en estanterías abarrotadas se beneficia de la mayor conservación de características de YOLOv9.

Amplía tus horizontes#

Aunque comparar YOLOv5 y YOLOv9 permite ver claramente cómo han evolucionado las arquitecturas entre 2020 y 2024, el campo sigue avanzando rápidamente. Para los desarrolladores que buscan el máximo rendimiento actual, se recomiendan los modelos YOLO26. Al ofrecer un diseño nativo de extremo a extremo sin NMS (nms=False) como alternativa a la supresión no máxima tradicional y utilizar el avanzado optimizador MuSGD, YOLO26 reduce la brecha entre la precisión de nivel investigador y la velocidad de producción. Gracias a la eliminación de DFL (se elimina Distribution Focal Loss para simplificar la exportación y mejorar la compatibilidad con dispositivos edge y de bajo consumo), YOLO26n alcanza hasta un 43 % más de velocidad de inferencia en CPU que YOLO11n, por lo que es muy adecuado para la computación edge. Además, ProgLoss + STAL combina una pérdida progresiva con una asignación de etiquetas adaptada a objetos pequeños para mejorar notablemente su reconocimiento, algo fundamental en IoT, robótica e imágenes aéreas.

También te puede interesar comparar estas arquitecturas con otros modelos, como YOLOv5 frente a RT-DETR o YOLOv5 frente a YOLO11. El framework unificado de Ultralytics mantiene la coherencia de tu canalización de desarrollo, elijas el modelo que elijas.

Comentarios

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