Empezar

YOLOv7 frente a DAMO-YOLO

La detección de objetos en tiempo real sigue evolucionando mientras investigadores e ingenieros buscan el mejor equilibrio entre velocidad y precisión. Esta comparación técnica examina dos arquitecturas destacadas de 2022: YOLOv7 y DAMO-YOLO. Ambos modelos introdujeron conceptos nuevos en la comunidad de visión artificial y abordaron distintos retos relacionados con el entrenamiento de modelos, el diseño arquitectónico y la implementación.

Antecedentes y detalles técnicos de los modelos#

Ambos modelos fueron desarrollados por destacados grupos de investigación e introdujeron nuevos métodos para mejorar la detección de objetos en tiempo real.

Detalles de YOLOv7#

Desarrollado como continuación de la familia YOLO, YOLOv7 introdujo el concepto de «bag-of-freebies» entrenable para mejorar considerablemente la precisión sin aumentar el coste de inferencia.

Más información sobre YOLOv7

Detalles de DAMO-YOLO#

Creado por investigadores de Alibaba Group, DAMO-YOLO se centró especialmente en la búsqueda de arquitecturas neuronales (NAS) y la destilación de conocimiento para crear modelos eficientes en distintos tipos de hardware.

Más información sobre DAMO-YOLO

Innovaciones arquitectónicas#

YOLOv7: análisis de las rutas del gradiente y reparametrización#

YOLOv7 se centra especialmente en las redes Extended Efficient Layer Aggregation Networks (E-ELAN). Los autores diseñaron E-ELAN analizando las rutas de gradiente de la red para garantizar que esta pueda seguir aprendiendo sin deteriorar la ruta de gradiente original. Además, YOLOv7 aplica la reparametrización del modelo durante la inferencia y fusiona capas para reducir los FLOPs y acelerar la ejecución. Esto le permite ofrecer un gran rendimiento para la inferencia en tiempo real en GPU modernas.

DAMO-YOLO: búsqueda de arquitecturas neuronales y RepGFPN#

DAMO-YOLO se distingue por aprovechar ampliamente la búsqueda de arquitecturas neuronales (NAS) teniendo en cuenta las restricciones de latencia. Utiliza un framework llamado MAE-NAS para descubrir backbones óptimos adaptados a hardware específico, como dispositivos móviles o aceleradores edge concretos. Para su cuello de botella, introduce RepGFPN (red piramidal de características generalizada reparametrizada), una solución eficiente, y emplea un diseño ZeroHead para minimizar la carga computacional de los cabezales de predicción.

Diferencias en la destilación

Mientras que YOLOv7 se basa en optimizaciones arquitectónicas propias, DAMO-YOLO depende en gran medida de un complejo proceso de destilación de conocimiento en varias etapas. Para transferir conocimiento a un modelo estudiante más pequeño, es necesario entrenar un modelo profesor grande, lo que puede resultar costoso desde el punto de vista computacional durante el entrenamiento.

Comparativa de rendimiento y métricas#

Al comparar estos modelos, es fundamental tener en cuenta el mAP (precisión media promedio), la velocidad de inferencia y la complejidad del modelo.

Modelotamaño
(píxeles)
mAPval50-95Velocidad
CPU ONNX
(ms)
Velocidad
T4 TensorRT10
(ms)
parámetros
(M)
FLOPs
(B)
YOLOv7l64051.4-6.8436.9104.7
YOLOv7x64053.1-11.5771.3189.9
DAMO-YOLOt64042.0-2.328.518.1
DAMO-YOLOs64046.0-3.4516.337.8
DAMO-YOLOm64049.2-5.0928.261.8
DAMO-YOLOl64050.8-7.1842.197.3

La tabla anterior muestra que YOLOv7 escala bien en ámbitos que requieren una gran precisión (YOLOv7x), mientras que DAMO-YOLO ofrece modelos minúsculos muy optimizados para entornos con recursos limitados.

Eficiencia del entrenamiento y requisitos de memoria#

Una diferencia importante entre ambas arquitecturas está en sus métodos de entrenamiento. La dependencia de DAMO-YOLO de la destilación implica que entrenar un modelo desde cero o ajustarlo con un conjunto de datos personalizado de visión artificial suele requerir mucha más VRAM y más tiempo de cálculo en GPU.

En cambio, los modelos compatibles de forma nativa con el ecosistema Ultralytics, como YOLOv8 y las versiones posteriores, están optimizados para consumir poca memoria durante el entrenamiento. Permiten que los desarrolladores utilicen tamaños de lote mayores en hardware de consumo sin sufrir errores por falta de memoria, lo que simplifica el proceso de seguimiento de experimentos e iteración.

La ventaja de Ultralytics#

Aunque YOLOv7 y DAMO-YOLO ofrecen funciones interesantes, implementar modelos dentro del ecosistema Ultralytics proporciona una experiencia de desarrollo más sencilla.

  • Facilidad de uso: El paquete Python de Ultralytics ofrece una API unificada y sencilla. Puedes cambiar rápidamente de arquitectura de modelo, iniciar bucles de entrenamiento o ejecutar inferencias con unas pocas líneas de código.
  • Ecosistema bien mantenido: Ultralytics ofrece actualizaciones frecuentes que garantizan la 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 exclusivamente un detector de objetos, el ecosistema Ultralytics admite de forma nativa diversas tareas. Los modelos de la familia Ultralytics pueden realizar detección estándar de cajas delimitadoras, segmentación de instancias, clasificación de imágenes, estimación de poses y cajas delimitadoras orientadas (OBB); YOLO26 añade la segmentación semántica y la estimación de profundidad.

Ejemplo de código: primeros pasos rápidos#

A continuación te mostramos cómo cargar, entrenar y ejecutar la inferencia con modelos de Ultralytics:

from ultralytics import YOLO

# # Carga un modelo YOLO26 preentrenado (Ultralytics no admite los pesos nativos de YOLOv7)
model = YOLO("yolo26n.pt")

# # Entrena el modelo con el conjunto de datos COCO8 y gestión automatizada de hiperparámetros
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

# Ejecuta la inferencia en una imagen
predictions = model("https://ultralytics.com/images/bus.jpg")

# Exporta al formato ONNX para la implementación
model.export(format="onnx")
Exportación de modelos

Con Ultralytics, puedes exportar los pesos entrenados a distintos formatos acelerados por hardware (como TensorRT o CoreML) mediante un único argumento en el comando de exportación, sin necesidad de scripts de conversión independientes.

La próxima generación: YOLO26#

Aunque YOLOv7 sigue siendo una sólida arquitectura heredada, el sector ha avanzado rápidamente. Para nuevas implementaciones, la opción recomendada es Ultralytics YOLO26 (lanzado en enero de 2026), que mejora las generaciones anteriores tanto en precisión como en velocidad en CPU.

  • Diseño integral sin NMS: A partir del entrenamiento sin NMS que YOLOv10 introdujo en los modelos YOLO, la cabeza opcional uno a uno de YOLO26 (nms=False) omite el posprocesamiento de supresión no máxima (NMS). Esto reduce la variabilidad de la latencia y simplifica la implementación en robótica y sistemas 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 lograr un entrenamiento más estable y una convergencia más rápida.
  • Inferencia en CPU hasta un 43 % más rápida: Al eliminar Distribution Focal Loss (DFL), YOLO26 simplifica la exportación y acelera la inferencia en dispositivos edge y CPU; YOLO26n funciona hasta un 43 % más rápido en CPU que YOLO11n.
  • ProgLoss + STAL: La pérdida progresiva y una estrategia de asignación de etiquetas consciente de los objetos pequeños mejoran su detección, por lo que YOLO26 es ideal para las imágenes aéreas y la vigilancia detallada.

Casos de uso ideales#

Cuándo elegir DAMO-YOLO#

  • Investigación académica en NAS: Si tu organización dedica muchos recursos al estudio de metodologías de búsqueda de arquitecturas neuronales.
  • Latencia extremadamente limitada en hardware específico: Si dispones de recursos para realizar búsquedas NAS exhaustivas y encontrar un backbone adaptado a un chip acelerador de IA personalizado.

Cuándo elegir YOLOv7#

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

Por qué migrar a los modelos modernos de Ultralytics (YOLO11 / YOLO26)#

Para la gran mayoría de las aplicaciones empresariales —desde el análisis del comercio minorista y la fabricación inteligente hasta la atención sanitaria—, los modelos modernos de Ultralytics son la opción práctica por defecto. La integración con la plataforma Ultralytics ofrece un pipeline de ML completo, con una API sencilla, documentación exhaustiva, una comunidad activa y compatibilidad con múltiples tareas. Tanto si haces seguimiento del inventario en una Raspberry Pi como si ejecutas análisis complejos en la nube, modelos como YOLO26 ofrecen un sólido equilibrio entre velocidad y precisión.

Comentarios

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