Empezar

YOLOv6-3.0 frente a YOLOv9

La detección de objetos en tiempo real sigue evolucionando para responder a la demanda de mayor precisión, menor latencia y mejor aprovechamiento del hardware. Esta comparación analiza dos hitos importantes del campo: YOLOv6-3.0, desarrollado para ofrecer un alto rendimiento industrial, y YOLOv9, que introdujo arquitecturas innovadoras para superar los cuellos de botella de información del aprendizaje profundo.

Aunque ambos modelos ofrecen innovaciones arquitectónicas únicas, los desarrolladores que buscan el mejor equilibrio entre rendimiento y simplicidad de despliegue suelen pasarse a ecosistemas modernos. Para los nuevos proyectos, se recomienda Ultralytics YOLO26, con su cabeza integral opcional sin NMS, que ofrece precisión de vanguardia y una experiencia de desarrollo más sencilla.

YOLOv6-3.0: optimización del rendimiento industrial#

Desarrollado por el Departamento de IA de visión de Meituan, YOLOv6-3.0 se diseñó minuciosamente para lograr el máximo rendimiento en aplicaciones industriales, especialmente en hardware GPU.

  • Autores: Chuyi Li, Lulu Li, Yifei Geng, Hongliang Jiang, Meng Cheng, Bo Zhang, Zaidan Ke, Xiaoming Xu y Xiangxiang Chu
  • Organización: Meituan
  • Fecha: 13 de enero de 2023
  • arXiv: 2301.05586
  • GitHub: meituan/YOLOv6

Innovaciones arquitectónicas#

YOLOv6-3.0 introdujo varias modificaciones importantes para mejorar la fusión de características y la eficiencia del hardware. La arquitectura incorpora un módulo de concatenación bidireccional (BiC) en su cuello, que proporciona señales de localización más precisas. También utiliza una estrategia de entrenamiento asistido por anclajes (AAT). Este enfoque combina la rica orientación del entrenamiento basado en anclajes con la velocidad de inferencia de un método sin anclajes, lo que ofrece un mejor rendimiento sin ralentizar el despliegue.

La red troncal se basa en un diseño EfficientRep optimizado para la compatibilidad con el hardware durante la inferencia en GPU. Esto la hace muy eficaz en escenarios de fabricación industrial, donde el procesamiento por lotes a gran escala es habitual.

Puntos fuertes y débiles#

La principal fortaleza de YOLOv6-3.0 es su alta frecuencia de fotogramas en GPU como la NVIDIA T4, lo que lo hace adecuado para flujos de comprensión de vídeo de alta densidad. Sin embargo, su gran dependencia de optimizaciones de hardware específicas puede provocar una latencia subóptima en dispositivos periféricos que solo disponen de CPU. Además, configurar su canalización de entrenamiento puede resultar complejo en comparación con marcos más unificados.

Más información sobre YOLOv6

YOLOv9: información de gradiente programable#

Publicado un año después, YOLOv9 se centra en resolver el problema del cuello de botella de información inherente a las redes neuronales convolucionales profundas (CNNs).

Innovaciones arquitectónicas#

La principal aportación de YOLOv9 es la información de gradiente programable (PGI), que ayuda a conservar información crucial a medida que atraviesa varias capas de la red, lo que permite actualizar los pesos de forma más fiable. Junto con PGI, el modelo incorpora la red de agregación de capas eficiente generalizada (GELAN). GELAN maximiza la eficiencia de los parámetros y permite a YOLOv9 alcanzar una precisión mayor con menos FLOPs que muchos modelos anteriores.

Puntos fuertes y débiles#

YOLOv9 alcanza un alto nivel de precisión media promedio (mAP) en conjuntos de datos de referencia como COCO, por lo que es una opción popular entre los investigadores que priorizan la precisión bruta. Sin embargo, al igual que YOLOv6, sigue dependiendo de la supresión no máxima (NMS) tradicional para el posprocesamiento. Esto añade latencia y complica la canalización de despliegue del modelo, especialmente al trasladarlo a dispositivos de borde mediante formatos como ONNX o TensorRT.

Más información sobre YOLOv9

Comparativa de rendimiento#

Al comparar estos modelos, es fundamental tener en cuenta el equilibrio entre precisión, número de parámetros y velocidad de inferencia.

Modelotamaño
(píxeles)
mAPval50-95Velocidad
CPU ONNX
(ms)
Velocidad
T4 TensorRT10
(ms)
parámetros
(M)
FLOPs
(B)
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
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

La ventaja de Ultralytics: descubre YOLO26#

Aunque YOLOv6-3.0 y YOLOv9 ofrecen arquitecturas robustas, los entornos de producción requieren un ecosistema bien mantenido, pocos requisitos de memoria y facilidad de uso. La plataforma Ultralytics y modelos como YOLO11 y el nuevo YOLO26 están diseñados para satisfacer estas necesidades.

Lanzado en enero de 2026, YOLO26 mejora la eficiencia del despliegue al eliminar varios cuellos de botella heredados.

Diseño integral nativo

YOLO26 incorpora un diseño integral sin NMS: su cabeza opcional uno a uno (nms=False) elimina la necesidad de posprocesamiento de supresión no máxima. Esto reduce la variabilidad de la latencia de inferencia y simplifica la lógica de despliegue en el borde.

Principales innovaciones de YOLO26#

  1. Optimizador MuSGD: Inspirado en el entrenamiento de modelos de lenguaje grandes (LLM), como Kimi K2 de Moonshot AI, YOLO26 utiliza una combinación de SGD y Muon. Esto aporta un entrenamiento estable y una convergencia más rápida a las tareas de visión artificial.
  2. Hasta un 43 % más rápido en inferencia en CPU: A diferencia del enfoque intensivo en GPU de YOLOv6, YOLO26 está optimizado para dispositivos de borde: YOLO26n funciona hasta un 43 % más rápido en CPU que YOLO11n. La eliminación de Distribution Focal Loss (DFL) simplifica la cabeza y la hace compatible con CPU de bajo consumo y hardware de computación en el borde.
  3. ProgLoss + STAL: La pérdida progresiva y la asignación de etiquetas adaptada a objetos pequeños mejoran la detección de estos objetos, algo fundamental para las imágenes aéreas y la robótica.
  4. Versatilidad: Mientras que YOLOv6 es únicamente un motor de detección, YOLO26 también gestiona la segmentación de instancias, la segmentación semántica, la estimación de profundidad, la clasificación, la estimación de pose y la detección mediante cajas delimitadoras orientadas (OBB).

Entrenamiento con Ultralytics#

Entrenar modelos de última generación no debería requerir complejos scripts de bash. La API de Python de Ultralytics ofrece una experiencia optimizada con carga automática de datos, uso mínimo de memoria CUDA y seguimiento integrado.

from ultralytics import YOLO

# Carga el modelo nano YOLO26
model = YOLO("yolo26n.pt")

# Entrena con el conjunto de datos COCO8 (optimizer='auto' selecciona MuSGD para entrenamientos más largos)
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Exporta el modelo entrenado a ONNX con un solo comando
model.export(format="onnx")

Casos de uso ideales#

La elección de la arquitectura adecuada depende por completo del entorno de despliegue de destino:

  • Usa YOLOv6-3.0 para: la automatización de fábricas y la detección de defectos cuando se dispone de numerosas GPU de clase servidor (por ejemplo, A100) y el procesamiento por lotes maximiza el rendimiento.
  • Utiliza YOLOv9 para: Investigación académica o competiciones en las que el objetivo principal sea alcanzar el mAP más alto posible en conjuntos de datos estandarizados como COCO.
  • Utiliza YOLO26 para: Casi todas las aplicaciones comerciales modernas. Su inferencia opcional sin NMS, su baja huella de memoria y su alta velocidad de inferencia en CPU lo hacen ideal para sistemas de alarma de seguridad, comercios inteligentes y el seguimiento de objetos en tiempo real en dispositivos integrados.

Al aprovechar el completo ecosistema de Ultralytics, los desarrolladores pueden probar fácilmente YOLOv8, YOLO11 y YOLO26 para encontrar el equilibrio de rendimiento adecuado para sus retos concretos en el mundo real.

Comentarios

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