Empezar

YOLOv7 frente a YOLO26

La evolución de la visión artificial ha estado marcada por hitos importantes, y comparar arquitecturas anteriores con modelos modernos ofrece información valiosa a los ingenieros de aprendizaje automático. Esta comparación técnica analiza las diferencias entre el influyente YOLOv7 y Ultralytics YOLO26, y destaca los avances en arquitectura, metodologías de entrenamiento y eficiencia de despliegue.

YOLOv7: pionero del «bag of freebies»#

Presentado a mediados de 2022, YOLOv7 mejoró la detección en tiempo real en hardware GPU con varias optimizaciones arquitectónicas que aumentaron la precisión sin incrementar el coste de inferencia.

Detalles del modelo

YOLOv7 introdujo el concepto de «bag-of-freebies» entrenable, que aprovechaba ampliamente las técnicas de reparametrización y las redes eficientes de agregación de capas extendidas (E-ELAN). Esto permitía al modelo aprender características más diversas y mejorar continuamente la capacidad de aprendizaje de la red sin destruir la ruta de gradientes original. Aunque en su momento obtuvo resultados punteros en COCO, su arquitectura depende de salidas basadas en anclajes y requiere el posprocesamiento de supresión no máxima (NMS), que puede crear cuellos de botella de latencia durante el despliegue.

Más información sobre YOLOv7

YOLO26: el estándar de IA visual diseñado para edge#

Publicado en enero de 2026, Ultralytics YOLO26 replantea el flujo de detección para priorizar la facilidad de despliegue, la estabilidad del entrenamiento y la eficiencia del hardware.

Detalles del modelo

YOLO26 está diseñado para las necesidades actuales de despliegue. Su arquitectura incorpora varias innovaciones importantes:

  • Diseño integral sin NMS: YOLO26 ofrece una cabeza opcional uno a uno (nms=False) que omite el posprocesamiento de NMS, un enfoque introducido por primera vez en YOLOv10. El resultado es un flujo de despliegue más rápido y sencillo, que evita la latencia variable que suelen provocar las escenas con mucha densidad de objetos.
  • Eliminación de DFL: al eliminar Distribution Focal Loss (DFL), se simplifica la exportación del modelo y mejora su compatibilidad con dispositivos periféricos y hardware del IoT de bajo consumo.
  • Inferencia en CPU hasta un 43 % más rápida: gracias a sus simplificaciones arquitectónicas, YOLO26 está optimizado para la computación en el borde y los dispositivos sin GPU dedicada; YOLO26n se ejecuta en CPU hasta un 43 % más rápido que YOLO11n.
  • Optimizador MuSGD: inspirado en técnicas de entrenamiento de modelos de lenguaje grandes, en concreto Kimi K2 de Moonshot AI, YOLO26 utiliza el optimizador MuSGD, un híbrido de descenso de gradiente estocástico y Muon. Esto proporciona mayor estabilidad al entrenamiento y acelera la convergencia en tareas de visión artificial.
  • ProgLoss + STAL: una pérdida progresiva y una estrategia de asignación de etiquetas consciente de los objetos pequeños mejoran el reconocimiento de objetos pequeños, algo fundamental para las imágenes aéreas, la robótica y la inspección de calidad automatizada.
  • Mejoras específicas para cada tarea: Además de la detección de objetos estándar, YOLO26 incorpora prototipos multiescala y una función de pérdida semántica especializada para las tareas de segmentación, estimación residual de máxima verosimilitud (RLE) para la estimación de poses y algoritmos especializados de pérdida angular para resolver problemas de límites en las cajas delimitadoras orientadas (OBB).
Migración a YOLO26

Para los proyectos que ya usan el paquete ultralytics, actualizar a YOLO26 es tan sencillo como cambiar la cadena del modelo en tu código Python por yolo26n.pt; los pesos se descargan automáticamente. Los proyectos YOLOv7 del repositorio original pueden reutilizar sus conjuntos de datos en formato YOLO y volver a entrenarse con la API de Ultralytics.

Comparativa de rendimiento y métricas#

Al comparar la huella computacional, YOLO26 ofrece un mejor equilibrio entre precisión, velocidad y requisitos de memoria. Los modelos basados en Transformer y las arquitecturas antiguas más pesadas suelen requerir grandes cantidades de memoria CUDA, mientras que YOLO26 se entrena de forma eficiente en GPU de consumo.

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
YOLO26n64040.938.91.72.45.5
YOLO26s64048.687.22.59.520.9
YOLO26m64053.1220.04.720.468.4
YOLO26l64055.0286.26.224.886.8
YOLO26x64057.5525.811.855.7194.4

Como se muestra arriba, el modelo YOLO26m iguala la precisión del modelo mucho más grande YOLOv7x (53,1 mAP), con menos de un tercio de sus parámetros (20,4 M frente a 71,3 M) y una inferencia más rápida mediante TensorRT (4,7 ms frente a 11,57 ms).

La ventaja del ecosistema Ultralytics#

El despliegue de modelos antiguos suele implicar repositorios de terceros complejos, conflictos entre dependencias y scripts de exportación manuales. En cambio, Ultralytics Platform ofrece un ecosistema cohesionado y con mantenimiento activo que agiliza todo el ciclo de vida del aprendizaje automático.

  • Facilidad de uso: con una API de Python intuitiva y documentación exhaustiva, puedes anotar, entrenar y desplegar modelos en cuestión de minutos. Para exportar a formatos como ONNX o CoreML, basta con una sola línea de código.
  • Requisitos de memoria: los modelos de Ultralytics son conocidos por su bajo consumo de memoria. A diferencia de algunos Transformer de visión de gran tamaño, YOLO26 puede ajustarse con hardware estándar sin que se produzcan errores de falta de memoria (OOM).
  • Versatilidad: aunque YOLOv7 era principalmente un detector de objetos (con algunas ramas experimentales para otras tareas), YOLO26 es un marco unificado que admite detección, segmentación de instancias, segmentación semántica, estimación de profundidad, clasificación, estimación de poses y OBB, además del seguimiento de varios objetos.
Otros modelos de Ultralytics

Aunque YOLO26 es el estándar recomendado, los desarrolladores que migren sistemas antiguos también pueden explorar YOLO11, la generación anterior de la gama Ultralytics, que ofrece una estabilidad probada para proyectos con soporte a largo plazo.

Ejemplo de código: entrenamiento y despliegue#

El siguiente ejemplo muestra el flujo de trabajo de ultralytics, que sustituye los largos argumentos de línea de comandos utilizados por los repositorios antiguos.

from ultralytics import YOLO

# Load the lightweight YOLO26 nano model
model = YOLO("yolo26n.pt")

# Train the model efficiently on a dataset (e.g., COCO8)
results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    batch=32,  # Efficient memory usage allows larger batch sizes
    device=0,
)

# Run an NMS-free, end-to-end inference on a test image
predictions = model("https://ultralytics.com/images/bus.jpg", nms=False)

# Export directly to ONNX for edge deployment
export_path = model.export(format="onnx")
print(f"Model exported successfully to: {export_path}")

Casos de uso reales#

La elección de la arquitectura adecuada depende de las limitaciones de producción.

Cuándo considerar YOLOv7: YOLOv7 sigue siendo una herramienta valiosa para realizar comparativas académicas con respecto a los estándares de 2022. Si tu infraestructura utiliza canalizaciones heredadas de CUDA codificadas específicamente para las salidas de anclaje de YOLOv7 y no puedes asignar recursos a la refactorización, YOLOv7 seguirá funcionando como un detector de referencia robusto.

Cuándo elegir YOLO26: Para los proyectos nuevos, la opción recomendada es YOLO26. Su cabeza opcional sin NMS es adecuada para la navegación autónoma de baja latencia y los sistemas de seguridad en tiempo real. La eliminación de DFL y la inferencia más rápida en CPU lo hacen muy apropiado para despliegues de IA en el borde, como la ejecución en una Raspberry Pi o en dispositivos electrónicos de consumo. Además, las mejoras de ProgLoss + STAL le ayudan a detectar anomalías diminutas en el control de calidad de fabricación o en imágenes por satélite.

En definitiva, YOLO26 ofrece a los desarrolladores una excelente combinación de precisión, velocidad y sencillez, respaldada por una comunidad activa de código abierto.

Colaboradores

Comentarios2

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

  1. Murat Raimbekov(editado)

    hey @bit-scientist, you're right - the YOLOv7 vs YOLO26 comparison tables only included YOLOv7l (51.4 mAP, 36.9M params) and YOLOv7x (53.1 mAP, 71.3M params) at 640px. they didn't include YOLOv7-tiny or the higher-resolution variants (W6, E6, D6, E6E at 1280px).

    these variants do exist in the yolov7 model docs with the numbers from the original paper:

    variantimgszmAPparams (M)flops (B)
    YOLOv7-tiny-SiLU64038.76.213.8
    YOLOv764051.436.9104.7
    YOLOv7-X64053.171.3189.9
    YOLOv7-W6128054.970.4360.0
    YOLOv7-E6128056.097.2515.2
    YOLOv7-D6128056.6154.7806.8
    YOLOv7-E6E128056.8151.7843.2

    the comparison focused on the two 640-resolution scales that line up most directly with the modern yolo26 sizes (n/s/m/l/x @ 640).

    worth noting: yolov7 is a third-party model from wang et al. and is not natively supported in the ultralytics package. we publish docs for reference, but training/inference uses the original WongKinYiu/yolov7 repo.

    1