YOLOv7 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.
Antecedentes 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.
Detalles 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
Detalles 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
- Organization: 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
Innovaciones arquitectónicas#
YOLOv7: Análisis de rutas de gradiente y reparametrización#
YOLOv7 se centra intensamente en las Redes de Agregación de Capas Eficientes Extendidas (E-ELAN). Los autores diseñaron E-ELAN analizando las rutas de gradiente de la red, asegurando que esta pueda aprender continuamente sin degradar la ruta de gradiente original. Además, YOLOv7 utiliza eficazmente la re-parametrización del modelo durante la inferencia, fusionando capas sin problemas para reducir los FLOPs y acelerar los tiempos de ejecución. Esto lo hace altamente capaz para la inferencia en tiempo real en GPUs modernas.
DAMO-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.
Mientras que YOLOv7 depende de optimizaciones de arquitectura inherentes y sólidas, DAMO-YOLO depende en gran medida de un complejo proceso de destilación de conocimiento en varias etapas. Requiere entrenar un modelo profesor grande para destilar el conocimiento en un modelo estudiante más pequeño, lo que puede resultar costoso desde el punto de vista computacional durante la fase de entrenamiento.
Comparación de rendimiento y métricas#
Al comparar estos modelos, es fundamental observar el mAP (Mean Average Precision), la velocidad de inferencia y la complejidad del modelo.
| Modelo | tamaño (píxeles) | mAPval 50-95 | Velocidad CPU ONNX (ms) | Velocidad T4 TensorRT10 (ms) | params (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv7l | 640 | 51.4 | - | 6.84 | 36.9 | 104.7 |
| YOLOv7x | 640 | 53.1 | - | 11.57 | 71.3 | 189.9 |
| DAMO-YOLOt | 640 | 42.0 | - | 2.32 | 8.5 | 18.1 |
| DAMO-YOLOs | 640 | 46.0 | - | 3.45 | 16.3 | 37.8 |
| DAMO-YOLOm | 640 | 49.2 | - | 5.09 | 28.2 | 61.8 |
| DAMO-YOLOl | 640 | 50.8 | - | 7.18 | 42.1 | 97.3 |
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.
Eficiencia de entrenamiento y requisitos de memoria#
Una distinción importante entre ambas arquitecturas radica en sus metodologías de entrenamiento. La dependencia de DAMO-YOLO en la destilación significa que entrenar un nuevo modelo desde cero o realizar un ajuste fino en un conjunto de datos de visión por computadora personalizado a menudo exige significativamente más VRAM y tiempo de cómputo de GPU.
En contraste, los modelos integrados en el ecosistema Ultralytics, como YOLOv7 y versiones posteriores, están fuertemente optimizados para los requisitos de memoria. Permiten a los desarrolladores utilizar tamaños de lote más grandes en hardware de consumo sin encontrar errores de falta de memoria, simplificando el proceso de seguimiento de experimentos e iteración.
La ventaja de Ultralytics#
Aunque tanto YOLOv7 como DAMO-YOLO ofrecen características atractivas, desplegar modelos dentro del ecosistema Ultralytics proporciona una experiencia de desarrollo inigualable.
- Facilidad de uso: El paquete de Python de Ultralytics ofrece una API unificada y sencilla. Puedes cambiar rápidamente entre arquitecturas de modelos, iniciar bucles de entrenamiento o ejecutar la inferencia con unas pocas líneas de código.
- Ecosistema bien mantenido: Ultralytics proporciona actualizaciones frecuentes, garantizando la compatibilidad nativa con las últimas versiones de PyTorch y 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 la detección de cuadros delimitadores estándar, estimación de posturas, segmentación de instancias y cuadros delimitadores orientados (OBB).
Ejemplo 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")Con Ultralytics, la exportación de tus pesos entrenados a varios formatos acelerados por hardware (como TensorRT o CoreML) se gestiona a través de un único argumento en el comando de exportación, ahorrando horas de configuraciones de scripts complejas.
La próxima generación: YOLO26#
Aunque YOLOv7 sigue siendo una arquitectura heredada sólida, el campo ha avanzado rápidamente. Para los nuevos despliegues, Ultralytics YOLO26 (lanzado en enero de 2026) es el estándar recomendado, superando a las generaciones anteriores en casi todas las métricas.
- Diseño de extremo a extremo sin NMS: Pionero en YOLOv10, YOLO26 elimina de forma nativa el postprocesamiento de Supresión de No Máximos (NMS). Esto garantiza 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.
Casos de uso ideales#
Cuándo 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.
Cuándo 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.
Por qué migrar a modelos Ultralytics modernos (YOLO11 / YOLO26)#
Para la gran mayoría de las aplicaciones empresariales —desde analítica minorista y fabricación inteligente hasta la atención médica— los modelos modernos de Ultralytics no tienen igual. La integración con la Plataforma Ultralytics proporciona un pipeline de ML completo, ofreciendo facilidad de uso, documentación superior, un sólido soporte de comunidad 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 por computadora.