Link to this sectionYOLOv7 frente a DAMO-YOLO#

El panorama de la detección de objetos en tiempo real evoluciona continuamente, y tanto investigadores como ingenieros se esfuerzan por encontrar el equilibrio óptimo entre velocidad y precisión. En esta comparativa técnica, profundizaremos en dos arquitecturas destacadas de 2022: YOLOv7 y DAMO-YOLO. Ambos modelos introdujeron conceptos novedosos en la comunidad de visión artificial, abordando diferentes desafíos en el entrenamiento de modelos, el diseño arquitectónico y el despliegue.

Link to this sectionAntecedentes de los modelos y detalles técnicos#

Antes de profundizar en sus arquitecturas, es esencial comprender el origen de estos dos modelos. Ambos fueron desarrollados por grupos de investigación líderes e introdujeron metodologías avanzadas para superar los límites de la detección de objetos en tiempo real.

Link to this sectionDetalles de YOLOv7#

Desarrollado como una continuación de la familia YOLO, YOLOv7 introdujo el concepto de "bag-of-freebies" entrenables para mejorar significativamente la precisión sin aumentar el coste de inferencia.

• Autores: Chien-Yao Wang, Alexey Bochkovskiy y Hong-Yuan Mark Liao
• Organización: Institute of Information Science, Academia Sinica, Taiwan
• Fecha: 2022-07-06
• Arxiv: https://arxiv.org/abs/2207.02696
• GitHub: https://github.com/WongKinYiu/yolov7
• Docs: https://docs.ultralytics.com/models/yolov7/

Más información sobre YOLOv7

Link to this sectionDetalles de DAMO-YOLO#

Creado por investigadores de Alibaba Group, DAMO-YOLO se centró intensamente en la búsqueda de arquitectura neuronal (NAS) y en la destilación de conocimiento avanzada para construir modelos altamente eficientes para hardware variado.

• Autores: Xianzhe Xu, Yiqi Jiang, Weihua Chen, Yilun Huang, Yuan Zhang y Xiuyu Sun
• Organización: Alibaba Group
• Fecha: 23-11-2022
• Arxiv: https://arxiv.org/abs/2211.15444v2
• GitHub: https://github.com/tinyvision/DAMO-YOLO

Más información sobre DAMO-YOLO

Link to this sectionInnovaciones arquitectónicas#

Link to this sectionYOLOv7: Análisis de rutas de gradiente y reparametrización#

YOLOv7 se centra en gran medida en las Extended Efficient Layer Aggregation Networks (E-ELAN). Los autores diseñaron E-ELAN analizando las rutas de gradiente de la red, asegurando que la red pueda aprender continuamente sin degradar la ruta de gradiente original. Además, YOLOv7 utiliza eficazmente la reparametrización del modelo durante la inferencia, fusionando capas sin problemas para reducir los FLOPs y acelerar los tiempos de ejecución. Esto lo hace muy capaz para la real-time inference en GPUs modernas.

Link to this sectionDAMO-YOLO: Búsqueda de arquitectura neuronal y RepGFPN#

DAMO-YOLO diverge al aprovechar intensamente la Neural Architecture Search (NAS) bajo restricciones de latencia. Utiliza un marco llamado MAE-NAS para descubrir backbones óptimos adaptados a hardware específico, como dispositivos móviles o aceleradores de borde concretos. Para su cuello, introduce una eficiente RepGFPN (Rep-parameterized Generalized Feature Pyramid Network), y emplea un diseño ZeroHead para minimizar la carga computacional en las cabezas de predicción.

Link to this sectionComparación de rendimiento y métricas#

Al comparar estos modelos, es crucial observar el mAP (Mean Average Precision), la velocidad de inferencia y la complejidad del modelo.

La tabla anterior demuestra que YOLOv7 escala bien en dominios de alta precisión (YOLOv7x), mientras que DAMO-YOLO proporciona modelos diminutos altamente optimizados para entornos restringidos.

Link to this sectionEficiencia de entrenamiento y requisitos de memoria#

Una distinción importante entre las dos arquitecturas reside en sus metodologías de entrenamiento. La dependencia de DAMO-YOLO de la destilación significa que entrenar un nuevo modelo desde cero o realizar un ajuste fino en un dataset de visión artificial personalizado suele exigir mucha más VRAM y tiempo de GPU compute.

En cambio, los modelos integrados en el ecosistema Ultralytics, como YOLOv7 y versiones posteriores, están altamente optimizados para requisitos de memoria. Permiten a los desarrolladores utilizar tamaños de lote mayores en hardware de consumo sin encontrar errores de memoria insuficiente, lo que simplifica el proceso de experiment tracking e iteración.

Link to this sectionLa ventaja de Ultralytics#

Si bien tanto YOLOv7 como DAMO-YOLO ofrecen características convincentes, desplegar modelos dentro del ecosistema Ultralytics proporciona una experiencia de desarrollo inigualable.

• Facilidad de uso: El paquete Python de Ultralytics ofrece una API unificada y sencilla. Puedes cambiar rápidamente entre arquitecturas de modelos, iniciar bucles de entrenamiento o ejecutar inferencia con unas pocas líneas de código.
• Ecosistema bien mantenido: Ultralytics proporciona actualizaciones frecuentes, asegurando una compatibilidad nativa con las últimas versiones de PyTorch y los controladores CUDA. También simplifica la exportación de modelos a formatos como ONNX, TensorRT y OpenVINO.
• Versatilidad: A diferencia de DAMO-YOLO, que es estrictamente un detector de objetos, el ecosistema Ultralytics admite diversas tareas de forma nativa. Los modelos de la familia Ultralytics pueden realizar detección de cajas delimitadoras estándar, estimación de pose, segmentación de instancias y cajas delimitadoras orientadas (OBB).

Link to this sectionEjemplo de código: Empezando rápidamente#

Así de fácil puedes cargar, entrenar y ejecutar inferencias utilizando modelos de Ultralytics:

from ultralytics import YOLO

# Load a pre-trained YOLOv7 model (or newer models like yolo26n.pt)
model = YOLO("yolov7.pt")

# Train the model on the COCO8 dataset with automated hyperparameter handling
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

# Run inference on an image
predictions = model("https://ultralytics.com/images/bus.jpg")

# Export to ONNX format for deployment
model.export(format="onnx")

Link to this sectionLa próxima generación: YOLO26#

Aunque YOLOv7 sigue siendo una arquitectura heredada sólida, el campo ha avanzado rápidamente. Para nuevos despliegues, Ultralytics YOLO26 (lanzado en enero de 2026) es el estándar recomendado, superando a las generaciones anteriores en casi todas las métricas.

• Diseño integral sin NMS: Introducido por primera vez en YOLOv10, YOLO26 elimina de forma nativa el posprocesamiento de supresión no máxima (NMS). Esto asegura una inferencia determinista de latencia ultrabaja, crítica para la robótica y las tecnologías de conducción autónoma.
• Optimizador MuSGD: Inspirado en técnicas avanzadas de entrenamiento de LLM (como Kimi K2 de Moonshot AI), este optimizador híbrido combina SGD y Muon para ofrecer un entrenamiento altamente estable y una convergencia más rápida en todos los datasets.
• Inferencia en CPU hasta un 43% más rápida: Al eliminar estratégicamente la Distribution Focal Loss (DFL), YOLO26 aumenta significativamente el rendimiento en plataformas de computación de borde y CPUs.
• ProgLoss + STAL: Estas funciones de pérdida avanzadas producen mejoras sustanciales en la detección de objetos pequeños, haciendo que YOLO26 sea excepcionalmente adecuado para imágenes aéreas y vigilancia detallada.

Más información sobre YOLO26

Link to this sectionCasos de uso ideales#

Link to this sectionCuándo elegir DAMO-YOLO#

• Investigación académica en NAS: Si tu organización está fuertemente invertida en el estudio de metodologías de búsqueda de arquitectura neuronal.
• Latencia hiperrestringida en hardware específico: Si tienes los recursos para ejecutar búsquedas NAS exhaustivas para encontrar un backbone adaptado para un chip acelerador de IA personalizado.

Link to this sectionCuándo elegir YOLOv7#

• Pipelines de GPU existentes: Para equipos que mantienen pipelines de producción heredados profundamente optimizados en torno a la arquitectura E-ELAN específica de YOLOv7 en hardware NVIDIA de gama alta.

Link to this sectionPor qué migrar a modelos Ultralytics modernos (YOLO11 / YOLO26)#

Para la gran mayoría de las aplicaciones empresariales —desde análisis minorista y fabricación inteligente hasta la atención sanitaria— los modelos modernos de Ultralytics no tienen rival. La integración con la Plataforma Ultralytics proporciona un pipeline de ML completo, ofreciendo facilidad de uso, documentación superior, soporte comunitario robusto y versatilidad multitarea. Ya sea rastreando inventario en una Raspberry Pi o ejecutando análisis pesados en la nube, modelos como YOLO26 ofrecen el equilibrio de rendimiento ideal para el futuro de la visión artificial.