YOLOv5 vs YOLOX: una comparación técnica exhaustiva
La evolución de la visión artificial en tiempo real ha marcado numerosos hitos, con diferentes arquitecturas que superan los límites de velocidad y precisión. Dos modelos altamente influyentes en este ámbito son YOLOv5 y YOLOX. Aunque ambos son conocidos por su alto rendimiento en la detección de objetos, adoptan enfoques arquitectónicos fundamentalmente diferentes.
Esta guía ofrece un análisis técnico profundo de estos dos modelos, comparando sus arquitecturas, métricas de rendimiento, metodologías de entrenamiento y escenarios de despliegue ideales para ayudar a desarrolladores e investigadores a elegir la herramienta adecuada para sus proyectos de IA de visión.
Resumen de 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 de la industria debido a su equilibrio excepcional entre rendimiento, facilidad de uso y eficiencia de memoria. Construido de forma nativa sobre el framework PyTorch, YOLOv5 utiliza una arquitectura basada en anclas. Se apoya en formas de cuadro delimitador predefinidas para predecir las ubicaciones de los objetos, lo que lo hace altamente eficaz para tareas estándar de detección de objetos.
Uno de los mayores puntos fuertes de YOLOv5 es su ecosistema bien mantenido. Cuenta con una documentación extensa, una API de Python increíblemente sencilla y una integración nativa con la Plataforma Ultralytics. Esto permite a los desarrolladores realizar una transición fluida desde el etiquetado de datasets hasta el entrenamiento y la exportación a formatos como ONNX y TensorRT.
Los modelos Ultralytics YOLO suelen requerir mucha menos memoria GPU durante el entrenamiento en comparación con las alternativas complejas basadas en Transformer. Este bajo consumo de memoria hace que YOLOv5 sea muy accesible para investigadores que trabajan con hardware de nivel de consumo.
Megvii YOLOX
- Autores: Zheng Ge, Songtao Liu, Feng Wang, Zeming Li y Jian Sun
- Organización: Megvii
- Fecha: 18-07-2021
- Arxiv: YOLOX: Superando la serie YOLO en 2021
- GitHub: Repositorio de Megvii YOLOX
- Documentación: ReadTheDocs de YOLOX
Desarrollado por investigadores de Megvii, YOLOX tomó un camino diferente al introducir un diseño sin anclas (anchor-free) a la familia YOLO. Al eliminar los cuadros de anclaje, YOLOX simplifica la cabecera de detección y reduce significativamente el número de parámetros heurísticos que requieren ajuste manual durante el entrenamiento.
YOLOX también incorpora una cabecera desacoplada (decoupled head)—que separa las tareas de clasificación y regresión en diferentes ramas de la red—y utiliza la estrategia de asignación de etiquetas SimOTA. Estas innovaciones cierran la brecha entre la investigación académica y las aplicaciones industriales, haciendo que YOLOX sea particularmente efectivo en entornos con escalas de objetos muy variadas.
Rendimiento y métricas
Al evaluar modelos de visión artificial, el equilibrio entre la precisión media (mAP) y la velocidad de inferencia es fundamental. Ambos modelos ofrecen una gama de tamaños (desde Nano hasta Extra-Large) para adaptarse a diferentes limitaciones de hardware.
| Modelo | tamaño (píxeles) | mAPval 50-95 | Velocidad CPU ONNX (ms) | Velocidad T4 TensorRT10 (ms) | params (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv5n | 640 | 28.0 | 73.6 | 1.12 | 2.6 | 7.7 |
| YOLOv5s | 640 | 37.4 | 120.7 | 1.92 | 9.1 | 24.0 |
| YOLOv5m | 640 | 45.4 | 233.9 | 4.03 | 25.1 | 64.2 |
| YOLOv5l | 640 | 49.0 | 408.4 | 6.61 | 53.2 | 135.0 |
| YOLOv5x | 640 | 50.7 | 763.2 | 11.89 | 97.2 | 246.4 |
| 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 logra una precisión máxima ligeramente superior (51.1 mAP), YOLOv5 proporciona un pipeline de despliegue mucho más robusto y probado minuciosamente en hardware CPU y GPU. Las velocidades de TensorRT para YOLOv5 destacan su profunda optimización para dispositivos de computación de borde (edge computing), lo que lo convierte en una opción altamente fiable para analítica de vídeo en tiempo real.
Metodologías de entrenamiento y usabilidad
La experiencia del desarrollador varía significativamente entre estas dos arquitecturas.
El enfoque de YOLOX
Entrenar YOLOX suele requerir clonar el repositorio original, gestionar dependencias específicas y ejecutar scripts complejos de línea de comandos. Aunque admite funciones avanzadas como el entrenamiento de precisión mixta y configuraciones multinodo a través de MegEngine, la curva de aprendizaje puede ser pronunciada para desarrolladores que necesitan prototipado rápido.
La ventaja de Ultralytics
Por el contrario, Ultralytics prioriza una experiencia de usuario excepcionalmente optimizada. Con el paquete de Python ultralytics, puedes cargar, entrenar y validar un modelo con un código base mínimo. Ultralytics gestiona automáticamente aumentos de datos complejos, evolución de hiperparámetros y programación de la tasa de aprendizaje.
from ultralytics import YOLO
# Load a pretrained YOLOv5 small model
model = YOLO("yolov5s.pt")
# Train the model on the COCO8 dataset
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Validate the model's performance
metrics = model.val()Además, la versatilidad de YOLOv5 se extiende más allá de la detección de objetos estándar, ofreciendo un soporte robusto para clasificación de imágenes y segmentación de instancias dentro de la misma API cohesiva.
Cuando termines tu entrenamiento, exportar un modelo YOLOv5 a CoreML, TFLite u OpenVINO es tan sencillo como ejecutar model.export(format="onnx"). Esto elimina la necesidad de scripts de conversión de terceros que suelen requerir los repositorios centrados en la investigación.
Aplicaciones en el mundo real
Elegir entre estos modelos depende de tu entorno de despliegue y tus requisitos técnicos:
- Venta minorista y gestión de inventario: Para aplicaciones que requieren reconocimiento de productos en tiempo real en dispositivos de borde como NVIDIA Jetson, YOLOv5 es excepcionalmente adecuado. Su mínimo consumo de memoria y sus rápidas velocidades de inferencia con TensorRT permiten el seguimiento con múltiples cámaras sin perder fotogramas.
- Investigación académica y arquitecturas personalizadas: YOLOX es muy valorado en la comunidad investigadora. Su cabecera desacoplada y su naturaleza sin anclas lo convierten en una excelente base para ingenieros que deseen experimentar con nuevas estrategias de asignación de etiquetas o para aquellos que trabajen con datasets donde los cuadros de anclaje tradicionales no logran generalizar.
- IA agrícola: Para tareas de agricultura de precisión como la detección de frutas o la identificación de malas hierbas mediante drones, la facilidad de entrenamiento y despliegue de los modelos YOLOv5 usando la Plataforma Ultralytics permite que los expertos en el dominio implementen soluciones de IA sin necesidad de tener profundos conocimientos en ingeniería de machine learning.
Casos de uso y recomendaciones
Elegir entre YOLOv5 y YOLOX depende de los requisitos específicos de tu proyecto, las limitaciones de despliegue y las preferencias de ecosistema.
Cuándo elegir YOLOv5
YOLOv5 es una opción sólida para:
- Sistemas de producción probados: Implementaciones existentes donde se valora la larga trayectoria de estabilidad de YOLOv5, su extensa documentación y el enorme soporte de la comunidad.
- Entrenamiento con recursos limitados: Entornos con recursos de GPU limitados donde el eficiente pipeline de entrenamiento de YOLOv5 y sus menores requisitos de memoria son ventajosos.
- Amplio soporte de formatos de exportación: Proyectos que requieren implementación en muchos formatos, incluyendo ONNX, TensorRT, CoreML y TFLite.
Cuándo elegir YOLOX
Se recomienda YOLOX para:
- Investigación de detección sin anclas: Investigación académica que utiliza la arquitectura limpia y sin anclas 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 antiguo donde la huella extremadamente pequeña de la variante YOLOX-Nano (0.91M parámetros) es fundamental.
- Estudios de asignación de etiquetas SimOTA: Proyectos de investigación que investigan estrategias de asignación de etiquetas basadas en 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 el desarrollador:
- Despliegue en borde sin NMS: Aplicaciones que requieren una inferencia consistente y de baja latencia sin la complejidad del posprocesamiento de la supresión de no máximos.
- Entornos solo de CPU: Dispositivos sin aceleración de GPU dedicada, donde la inferencia en CPU hasta un 43% más rápida de YOLO26 proporciona una ventaja decisiva.
- Detección de objetos pequeños: Escenarios desafiantes como imágenes de drones aéreos o análisis de sensores IoT donde ProgLoss y STAL aumentan significativamente la precisión en objetos diminutos.
El futuro de la IA visual: Llega YOLO26
Aunque tanto YOLOv5 como YOLOX han cimentado su lugar en la historia de la visión artificial, el campo está avanzando rápidamente. Para los desarrolladores que comienzan nuevos proyectos hoy, Ultralytics recomienda encarecidamente explorar su último modelo insignia, YOLO26.
Lanzado en enero de 2026, YOLO26 representa un salto masivo tanto en rendimiento como en usabilidad. Introduce un diseño innovador end-to-end NMS-free, eliminando por completo el post-procesamiento de Non-Maximum Suppression. Esto reduce significativamente la variabilidad de la latencia y simplifica la lógica de despliegue en dispositivos de baja potencia.
Además, YOLO26 utiliza el novedoso MuSGD Optimizer—un híbrido de SGD y Muon inspirado en las innovaciones de entrenamiento de LLMs—para una convergencia increíblemente estable y rápida. Con DFL Removal (Distribution Focal Loss eliminado para una exportación simplificada y mejor compatibilidad con dispositivos de borde/baja potencia), YOLO26 logra hasta un 43% más de rapidez en inferencia por CPU, consolidando su posición como el modelo definitivo para la computación de borde moderna, la robótica y las aplicaciones IoT. Adicionalmente, ProgLoss + STAL ofrece funciones de pérdida mejoradas con mejoras notables en el reconocimiento de objetos pequeños, fundamental para IoT, robótica e imágenes aéreas. Los usuarios interesados en generaciones anteriores pueden consultar también YOLO11, aunque YOLO26 es la elección indiscutible de vanguardia.
Conclusión
YOLOv5 y YOLOX ofrecen capacidades de detección de objetos increíbles. YOLOX amplió los límites arquitectónicos al demostrar que los diseños sin anclas podían competir y superar a los métodos tradicionales en 2021. Sin embargo, YOLOv5 sigue siendo una fuerza dominante debido a su facilidad de uso inigualable, su amplio ecosistema y sus menores requisitos de memoria durante el entrenamiento.
Para la gran mayoría de las aplicaciones comerciales, el ecosistema de Ultralytics proporciona el camino más rápido desde un dataset sin procesar hasta un modelo de producción desplegado. Ya sea utilizando el probado YOLOv5 o actualizándose al innovador YOLO26, los desarrolladores se benefician de un framework diseñado para hacer que la IA de visión sea accesible, eficiente y de alto rendimiento.