YOLOv7 frente a EfficientDet
Elegir la arquitectura de red neuronal adecuada es la base de cualquier proyecto de visión artificial que tenga éxito. Esta guía ofrece una comparación técnica detallada entre dos modelos clave en la historia de las arquitecturas de detección de objetos: YOLOv7 y EfficientDet. Al analizar sus innovaciones arquitectónicas, métodos de entrenamiento y escenarios de implementación ideales, los desarrolladores pueden tomar decisiones fundamentadas. La guía también explica cómo Ultralytics YOLO26 mejora ambos modelos.
Orígenes de los modelos y detalles técnicos#
Ambos modelos fueron desarrollados por destacados equipos de investigación e introdujeron avances importantes en el campo del aprendizaje automático.
YOLOv7
- Autores: Chien-Yao Wang, Alexey Bochkovskiy y Hong-Yuan Mark Liao
- Organización: Institute of Information Science, Academia Sinica, Taiwán
- Fecha: 2022-07-06
- arXiv: YOLOv7: un conjunto de «bag-of-freebies» entrenables establece un nuevo estado del arte para los detectores de objetos en tiempo real
- GitHub: WongKinYiu/yolov7
- Documentación: Documentación de Ultralytics YOLOv7
EfficientDet
- Autores: Mingxing Tan, Ruoming Pang y Quoc V. Le
- Organización: Google Research
- Fecha: 2019-11-20
- arXiv: EfficientDet: detección de objetos escalable y eficiente
- GitHub: Google AutoML EfficientDet
Más información sobre EfficientDet
Diferencias arquitectónicas y análisis equilibrado#
Comprender las diferencias estructurales fundamentales entre estas redes es esencial para un despliegue eficaz de modelos.
EfficientDet: escalado compuesto y BiFPN#
Desarrollado dentro del ecosistema TensorFlow, EfficientDet introdujo un enfoque metódico para escalar modelos. En lugar de ampliar o profundizar la red de forma arbitraria, los investigadores de Google utilizaron un método de escalado compuesto que escala de manera uniforme la resolución, la profundidad y la anchura.
Además, EfficientDet introdujo la red piramidal de características bidireccional (BiFPN). Esta variante de red piramidal de características permite fusionar rápidamente características multiescala.
Ventajas: Muy eficiente en cuanto al número de parámetros; alcanza una precisión media promedio (mAP) elevada con menos FLOP que muchos modelos contemporáneos. Desventajas: Depende en gran medida de estrategias de búsqueda heredadas de AutoML. Integrarlo en flujos de trabajo modernos y dinámicos de PyTorch puede resultar complicado, y la latencia en dispositivos Edge suele ser superior a la esperada pese al bajo número de FLOP.
YOLOv7: conjunto de técnicas gratuitas entrenables#
YOLOv7 priorizó la inferencia en tiempo real y la optimización del entrenamiento. Introdujo el concepto de una red extendida y eficiente de agregación de capas (E-ELAN), que permite que el modelo aprenda continuamente características más diversas sin destruir la ruta de gradiente original. YOLOv7 también empleó una técnica llamada «recursos gratuitos entrenables», que mejora la precisión de detección sin aumentar el coste de inferencia.
Ventajas: Velocidades de procesamiento rápidas y una latencia de inferencia favorable, ideales para flujos de vídeo con muchos FPS. Desventajas: Aunque es muy capaz, sigue dependiendo de las cajas de anclaje y requiere supresión no máxima (NMS) durante el posprocesamiento, lo que puede crear un cuello de botella de latencia en escenas muy concurridas.
Al evaluar modelos, el ecosistema que los rodea es tan importante como la arquitectura. La plataforma Ultralytics integrada ofrece una API unificada, documentación exhaustiva y el apoyo de una comunidad activa. Este entorno unificado suele consumir menos memoria durante el entrenamiento que los modelos Transformer pesados, lo que acelera la creación de prototipos y el seguimiento de experimentos.
Métricas de rendimiento y pruebas de referencia#
La tabla siguiente compara las principales métricas de rendimiento para que los desarrolladores puedan evaluar las compensaciones entre velocidad, número de parámetros y precisión.
| Modelo | tamaño (píxeles) | mAPval50-95 | Velocidad CPU ONNX (ms) | Velocidad T4 TensorRT10 (ms) | parámetros (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv7l | 640 | 51.4 | - | 6.84 | 36.9 | 104.7 |
| YOLOv7x | 640 | 53.1 | - | 11.57 | 71.3 | 189.9 |
| EfficientDet-d0 | 512 | 34.6 | - | 3.92 | 3.9 | 2.54 |
| EfficientDet-d1 | 640 | 40.5 | - | 7.31 | 6.6 | 6.1 |
| EfficientDet-d2 | 768 | 43.0 | - | 10.92 | 8.1 | 11.0 |
| EfficientDet-d3 | 896 | 47.5 | - | 19.59 | 12.0 | 24.9 |
| EfficientDet-d4 | 1024 | 49.7 | - | 33.55 | 20.7 | 55.2 |
| EfficientDet-d5 | 1280 | 51.5 | - | 67.86 | 33.7 | 130.0 |
| EfficientDet-d6 | 1280 | 52.6 | - | 89.29 | 51.9 | 226.0 |
| EfficientDet-d7 | 1536 | 53.7 | - | 128.07 | 51.9 | 325.0 |
Como se muestra, aunque EfficientDet-d7 alcanza un mAP alto, su velocidad con TensorRT queda muy por detrás de las variantes de YOLOv7, lo que pone de relieve la ventaja de estas últimas en la detección de objetos en tiempo real acelerada por GPU.
La evolución de la detección de objetos: YOLO26#
Aunque YOLOv7 y EfficientDet sentaron bases fundamentales, el panorama de la IA visual evoluciona rápidamente. Para las aplicaciones modernas que necesitan la mejor eficiencia y precisión, la actualización recomendada es YOLO26, lanzado en enero de 2026.
YOLO26 aborda las limitaciones de las generaciones anteriores y ofrece una amplia versatilidad en detección de objetos, segmentación de instancias, segmentación semántica, estimación de profundidad, clasificación de imágenes, estimación de poses y detección con cajas delimitadoras orientadas (OBB).
Principales innovaciones de YOLO26#
- Diseño integral sin NMS: YOLO26 ofrece una cabeza opcional uno a uno (
nms=False) que omite el posprocesamiento de supresión no máxima (NMS). YOLOv10 introdujo este diseño en los modelos YOLO; simplifica la lógica de implementación y mantiene una latencia constante independientemente de la densidad de objetos. - Eliminación de DFL: Al eliminar Distribution Focal Loss (DFL), se simplifica la arquitectura del modelo y mejora la compatibilidad con entornos de computación en el borde con recursos muy limitados.
- Hasta un 43 % más rápido en inferencia en CPU: YOLO26n funciona hasta un 43 % más rápido en CPU que YOLO11n, por lo que es ideal para hardware sin GPU dedicada.
- Optimizador MuSGD: Inspirado en técnicas de modelos de lenguaje grandes, como Kimi K2 de Moonshot AI, esta combinación de SGD y Muon ofrece un entrenamiento más estable y una convergencia más rápida para el entrenamiento de visión artificial.
- ProgLoss + STAL: La pérdida progresiva y la asignación de etiquetas adaptada a objetos pequeños mejoran el reconocimiento de objetos pequeños, algo importante para las imágenes aéreas y las aplicaciones con drones.
- Mejoras específicas para cada tarea: Incluye una pérdida de segmentación semántica y un prototipo multiescala para tareas de segmentación, estimación de la verosimilitud residual (RLE) para la estimación de pose y una pérdida angular especializada que corrige los problemas de límites de las cajas delimitadoras orientadas (OBB).
Para los equipos que todavía utilizan sistemas heredados, la transición a la plataforma Ultralytics ofrece un flujo de trabajo optimizado que facilita el entrenamiento y el despliegue de estos modelos. Según los requisitos específicos de compatibilidad con versiones anteriores, los desarrolladores también pueden explorar generaciones previas como YOLO11 y YOLOv8.
Entrenamiento optimizado y facilidad de uso#
Una de las características que definen los modelos de Ultralytics es su facilidad de uso. A diferencia de la compleja configuración con múltiples dependencias que requieren los entornos TensorFlow AutoML de EfficientDet, Ultralytics ofrece una API sencilla e idiomática de Python.
Este entorno mantiene bajo el uso de memoria CUDA durante el entrenamiento, lo que permite entrenar grandes conjuntos de datos sin los errores de memoria insuficiente (OOM) habituales en las arquitecturas basadas en Transformer.
Ejemplo de código: primeros pasos con Ultralytics#
El siguiente fragmento muestra cómo los desarrolladores pueden aprovechar el paquete Ultralytics para entrenar un modelo YOLO26 directamente.
from ultralytics import YOLO
# Initialize a YOLO26 nano model for object detection
model = YOLO("yolo26n.pt")
# Train the model on the COCO8 example dataset
results = model.train(
data="coco8.yaml",
epochs=100,
imgsz=640,
device=0, # GPU index; use device='cpu' to train on CPU
batch=16,
)
# Validate the model's performance
metrics = model.val()
print(f"Validation mAP50-95: {metrics.box.map}")
# Export the model for edge deployment (e.g., OpenVINO for CPU optimization)
model.export(format="openvino")Casos de uso ideales y aplicaciones reales#
Al diseñar una solución, es importante adaptar las fortalezas del modelo al caso de uso específico.
Cuándo usar EfficientDet#
EfficientDet sigue siendo una opción para la investigación académica heredada o para entornos vinculados estrictamente al ecosistema de Google Cloud, donde los experimentos de escalado compuesto son el principal objetivo. Sus variantes más pequeñas (d0-d2) resultan útiles cuando el espacio en disco está muy limitado.
Cuándo usar YOLOv7#
YOLOv7 destaca en configuraciones heredadas de alto rendimiento, especialmente cuando se prefiere la integración con PyTorch a la de TensorFlow. Sigue utilizándose ampliamente en:
- Análisis de vídeo: Procesamiento de flujos de seguridad con alta frecuencia de fotogramas y abundante aceleración GPU.
- Inspección industrial: Detección de defectos en líneas de montaje de fabricación de movimiento rápido.
Cuándo elegir YOLO26#
Para nuevos despliegues, YOLO26 es la opción recomendada. Su equilibrio de rendimiento y su ecosistema bien mantenido lo convierten en una excelente opción para:
- Ciudades inteligentes y gestión del tráfico: Su cabeza opcional sin NMS mantiene constante la latencia de inferencia para la coordinación del tráfico en tiempo real.
- Robótica y sistemas autónomos: La inferencia en CPU hasta un 43 % más rápida de YOLO26n respecto a YOLO11n ayuda a mantener una navegación ágil en dispositivos integrados.
- Monitorización agrícola y aérea: Uso de ProgLoss y STAL para identificar objetos pequeños, como determinados cultivos o fauna, en imágenes tomadas desde gran altitud.
En resumen, aunque EfficientDet y YOLOv7 aportan un valioso contexto histórico y resultan útiles en determinados nichos, los profesionales actuales de la visión artificial obtienen mejores resultados con la arquitectura Ultralytics YOLO26, que aborda los cuellos de botella anteriores en el despliegue, la velocidad en CPU y la precisión con objetos pequeños.
Comentarios
Haz una pregunta, comparte tus resultados o ayuda a otra persona.