YOLOv5 frente a YOLOX
La evolución de la visión artificial en tiempo real ha alcanzado numerosos hitos, con arquitecturas distintas que han mejorado la velocidad y la precisión. Dos modelos muy influyentes en este ámbito son YOLOv5 y YOLOX. Aunque ambos destacan por su alto rendimiento en la detección de objetos, adoptan enfoques arquitectónicos fundamentalmente distintos.
Esta guía ofrece un análisis técnico de estos dos modelos y compara sus arquitecturas, métricas de rendimiento, metodologías de entrenamiento y escenarios de implementación ideales para ayudar a desarrolladores e investigadores a elegir la herramienta adecuada para sus proyectos de IA visual.
Resumen de los modelos y diferencias arquitectónicas#
Ultralytics YOLOv5#
- Autor: Glenn Jocher
- Organización: Ultralytics
- Fecha: 2020-06-26
- GitHub: Repositorio de Ultralytics YOLOv5
- Documentación: Documentación oficial de YOLOv5
Presentado por Ultralytics, YOLOv5 se convirtió rápidamente en un estándar del sector gracias a su buen equilibrio entre rendimiento, facilidad de uso y eficiencia de memoria. Desarrollado de forma nativa en el framework PyTorch, YOLOv5 utiliza una arquitectura basada en anclajes. Se apoya en formas de cajas delimitadoras predefinidas para predecir la ubicación de los objetos, lo que lo hace muy eficaz en las tareas habituales de detección de objetos.
Uno de los mayores puntos fuertes de YOLOv5 es su ecosistema bien mantenido. Ofrece documentación extensa, una API de Python sencilla e integración nativa con la plataforma Ultralytics. Esto permite a los desarrolladores pasar directamente del etiquetado de conjuntos de datos al entrenamiento y la exportación a formatos como ONNX y TensorRT.
Los modelos Ultralytics YOLO suelen necesitar mucha menos memoria GPU durante el entrenamiento que las complejas alternativas basadas en Transformer. Esta baja huella de memoria hace que YOLOv5 sea muy accesible para los investigadores que trabajan con hardware de consumo.
YOLOX de Megvii#
- Autores: Zheng Ge, Songtao Liu, Feng Wang, Zeming Li y Jian Sun
- Organización: Megvii
- Fecha: 2021-07-18
- arXiv: YOLOX: superar a la serie YOLO en 2021
- GitHub: Repositorio de YOLOX de Megvii
- Documentación: Documentación de YOLOX en GitHub
Desarrollado por investigadores de Megvii, YOLOX siguió un camino diferente al introducir un diseño sin anclajes en la familia YOLO. Al eliminar los cuadros de anclaje, YOLOX simplifica la cabeza de detección y reduce considerablemente el número de parámetros heurísticos que deben ajustarse manualmente durante el entrenamiento.
YOLOX también incorpora una cabeza desacoplada —que separa las tareas de clasificación y regresión en distintas ramas de la red— y utiliza la estrategia de asignación de etiquetas SimOTA. Estas innovaciones tienden un puente entre la investigación académica y las aplicaciones industriales, lo que hace que YOLOX sea especialmente eficaz en entornos con objetos de escalas muy variadas.
Rendimiento y métricas#
Al evaluar modelos de visión artificial, es fundamental tener en cuenta el equilibrio entre la precisión media (mAP) y la velocidad de inferencia. Ambos modelos ofrecen distintos tamaños (de Nano a Extra-Large) para adaptarse a diferentes limitaciones de hardware.
| Modelo | tamaño (píxeles) | mAPval50-95 | Velocidad CPU ONNX (ms) | Velocidad T4 TensorRT10 (ms) | parámetros (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv5n | 640 | 28.0 | - | 1.12 | 1.9 | 4.5 |
| YOLOv5s | 640 | 37.4 | - | 1.92 | 7.2 | 16.5 |
| YOLOv5m | 640 | 45.4 | - | 4.03 | 21.2 | 49.0 |
| YOLOv5l | 640 | 49.0 | - | 6.61 | 46.5 | 109.1 |
| YOLOv5x | 640 | 50.7 | - | 11.89 | 86.7 | 205.7 |
| YOLOXnano | 416 | 25.8 | - | - | 0.91 | 1.08 |
| YOLOXtiny | 416 | 32.8 | - | - | 5.06 | 6.45 |
| YOLOXs | 640 | 40.5 | - | 2.56 | 9.0 | 26.8 |
| YOLOXm | 640 | 46.9 | - | 5.43 | 25.3 | 73.8 |
| YOLOXl | 640 | 49.7 | - | 9.04 | 54.2 | 155.6 |
| YOLOXx | 640 | 51.1 | - | 16.1 | 99.1 | 281.9 |
Aunque YOLOXx alcanza una precisión máxima ligeramente superior (51,1 mAP), YOLOv5 ofrece un proceso de implementación más maduro y probado en una amplia variedad de hardware CPU y GPU. Además, YOLOv5 registra una latencia TensorRT en T4 inferior a la de YOLOX con tamaños equivalentes, lo que lo convierte en una opción fiable para el análisis de vídeo en tiempo real.
Metodologías de entrenamiento y facilidad de uso#
La experiencia de desarrollo varía considerablemente entre estas dos arquitecturas.
El enfoque de YOLOX#
Para entrenar YOLOX, normalmente hay que clonar el repositorio original, gestionar dependencias específicas y ejecutar scripts complejos desde la línea de comandos. Aunque admite funciones avanzadas como el entrenamiento de precisión mixta y las configuraciones multinodo mediante MegEngine, la curva de aprendizaje puede ser pronunciada para los desarrolladores que necesitan crear prototipos rápidamente.
La ventaja de Ultralytics#
En cambio, Ultralytics prioriza una experiencia de usuario sencilla. Con el paquete Python ultralytics, los desarrolladores pueden cargar, entrenar y validar un modelo con muy poco código repetitivo. Ultralytics gestiona automáticamente el aumento de datos y la programación de la tasa de aprendizaje, y ofrece ajuste de hiperparámetros integrado.
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=100, imgsz=640)
# Valida el rendimiento del modelo
metrics = model.val()La versatilidad de YOLOv5 también va más allá de la detección de objetos habitual: el repositorio original de YOLOv5 admite la segmentación de instancias y la clasificación de imágenes, y el paquete ultralytics ofrece estas tareas con modelos más recientes, como YOLO26.
Cuando termines el entrenamiento, exportar un modelo YOLOv5 a ONNX, CoreML, LiteRT u OpenVINO es tan sencillo como ejecutar una única llamada, por ejemplo, model.export(format="onnx"). Así se evita tener que recurrir a los scripts de conversión de terceros que suelen necesitar los repositorios centrados en la investigación.
Aplicaciones en el mundo real#
La elección entre estos modelos depende de tu entorno de despliegue y de tus requisitos técnicos:
- Comercio minorista y gestión de inventario: YOLOv5 es adecuado para aplicaciones que requieren reconocimiento de productos en tiempo real en dispositivos periféricos como NVIDIA Jetson. Su uso mínimo de memoria y sus rápidas velocidades de inferencia TensorRT permiten ejecutar procesos con varias cámaras a frecuencias de fotogramas en tiempo real.
- Investigación académica y arquitecturas personalizadas: YOLOX goza de gran prestigio en la comunidad investigadora. Su cabeza desacoplada y su diseño sin anclajes lo convierten en una excelente base para los ingenieros que quieran experimentar con nuevas estrategias de asignación de etiquetas o que trabajen con conjuntos de datos en los que los cuadros de anclaje tradicionales no se generalizan bien.
- IA agrícola: Para tareas de agricultura de precisión, como detectar fruta o identificar malas hierbas mediante drones, la facilidad para entrenar e implementar modelos YOLOv5 con la Plataforma Ultralytics permite a los expertos del sector desarrollar soluciones de IA sin necesidad de tener conocimientos profundos de ingeniería de aprendizaje automático.
Casos de uso y recomendaciones#
La elección entre YOLOv5 y YOLOX depende de los requisitos concretos de tu proyecto, las limitaciones de despliegue y tus preferencias de 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 YOLOX#
Se recomienda YOLOX para:
- Investigación sobre detección sin anclajes: Investigación académica que utiliza la arquitectura limpia y sin anclajes de YOLOX como base para experimentar con nuevos cabezales de detección o funciones de pérdida.
- Dispositivos de borde ultraligeros: Implementación en microcontroladores o hardware móvil heredado, donde el tamaño extremadamente reducido de la variante YOLOX-Nano (0,91 M de parámetros) es fundamental.
- Estudios de asignación de etiquetas SimOTA: Proyectos de investigación que analizan estrategias de asignación de etiquetas basadas en el transporte óptimo y su impacto en la convergencia del entrenamiento.
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 de la IA visual: llega YOLO26#
Aunque YOLOv5 y YOLOX ya ocupan un lugar destacado en la historia de la visión artificial, el campo avanza rápidamente. Para los desarrolladores que empiezan hoy proyectos nuevos, Ultralytics recomienda su modelo más reciente, YOLO26.
Lanzado en enero de 2026, YOLO26 supone un avance importante tanto en rendimiento como en facilidad de uso. Incorpora un diseño opcional de extremo a extremo sin NMS (que se selecciona con nms=False) y elimina el posprocesamiento de supresión no máxima. Esto reduce la variabilidad de la latencia y simplifica la lógica de implementación en dispositivos de bajo consumo.
Además, YOLO26 utiliza el optimizador MuSGD, un híbrido de SGD y Muon inspirado en las innovaciones del entrenamiento de LLM, que proporciona una convergencia estable y rápida. Al eliminar DFL (eliminación de Distribution Focal Loss para simplificar la exportación y mejorar la compatibilidad con dispositivos periféricos y de bajo consumo), YOLO26n consigue una inferencia en CPU hasta un 43 % más rápida que YOLO11n, lo que convierte a YOLO26 en una opción sólida para la computación periférica moderna, la robótica y las aplicaciones de IoT. Además, ProgLoss + STAL (pérdida progresiva y asignación de etiquetas adaptada a objetos pequeños) mejora notablemente el reconocimiento de objetos pequeños, algo fundamental para el IoT, la robótica y las imágenes aéreas. Los usuarios interesados en generaciones anteriores también pueden consultar YOLO11, aunque YOLO26 es la opción recomendada para los proyectos nuevos.
Conclusión#
Tanto YOLOv5 como YOLOX ofrecen sólidas capacidades de detección de objetos. En 2021, YOLOX demostró que los diseños sin anclajes podían igualar e incluso superar a los métodos basados en anclajes. Sin embargo, YOLOv5 sigue utilizándose ampliamente gracias a su facilidad de uso, su extenso ecosistema y sus menores requisitos de memoria durante el entrenamiento.
Para la gran mayoría de las aplicaciones comerciales, el ecosistema de Ultralytics ofrece la vía más rápida para convertir un conjunto de datos sin procesar en un modelo de producción implementado. Tanto si usas el probado YOLOv5 como si actualizas a YOLO26, te beneficias de un framework diseñado para hacer que la IA visual sea accesible y eficiente.
Comentarios
Haz una pregunta, comparte tus resultados o ayuda a otra persona.