Empezar

YOLOv7 frente a YOLOv5

Al crear canalizaciones modernas de visión artificial, elegir la arquitectura de detección de objetos adecuada es fundamental para equilibrar la precisión, la velocidad de inferencia y el uso de recursos. Esta comparación analiza dos modelos influyentes en el ámbito de la visión artificial: YOLOv7 y Ultralytics YOLOv5.

Al analizar sus diferencias arquitectónicas, métricas de rendimiento y escenarios de despliegue ideales, esta guía ayuda a desarrolladores e investigadores a elegir el mejor modelo según sus requisitos específicos.

Contexto y orígenes de los modelos#

Conocer los orígenes de estos modelos permite entender sus filosofías de diseño y los casos de uso a los que se dirigen.

YOLOv5#

Lanzado por Glenn Jocher y el equipo de Ultralytics el 26 de junio de 2020, YOLOv5 ofreció una implementación nativa de PyTorch que priorizaba la facilidad de uso sin sacrificar el rendimiento. Se convirtió rápidamente en un estándar del sector gracias a su ecosistema simplificado y a una dinámica de entrenamiento fiable. Puedes consultar el código fuente en el repositorio de YOLOv5 en GitHub o acceder directamente al modelo desde la plataforma Ultralytics.

YOLOv7#

Presentado por Chien-Yao Wang, Alexey Bochkovskiy y Hong-Yuan Mark Liao, del Instituto de Ciencias de la Información de la Academia Sinica de Taiwán, el 6 de julio de 2022, YOLOv7 se centró especialmente en innovaciones arquitectónicas como las redes de agregación de capas eficientes extendidas (E-ELAN) y un «bag-of-freebies» entrenable para impulsar el estado del arte en precisión. Puedes encontrar más detalles en su artículo oficial de arXiv y en el repositorio de GitHub de YOLOv7. Para ejecutar modelos YOLOv7 exportados con Ultralytics, consulta la documentación de Ultralytics YOLOv7.

Más información sobre YOLOv7

Compatibilidad con el paquete Ultralytics

YOLOv5 está totalmente integrado en el paquete de Python de Ultralytics. YOLOv7 no es compatible de forma nativa con el entrenamiento ni la inferencia de PyTorch, pero los puntos de control originales de YOLOv7 exportados a ONNX o TensorRT pueden ejecutarse con Ultralytics, tal como se explica en la documentación de YOLOv7.

Innovaciones arquitectónicas#

Diseño de Ultralytics YOLOv5#

YOLOv5 utiliza una red troncal CSPDarknet53 modificada, junto con un cuello Path Aggregation Network (PANet). Este diseño está muy optimizado para la extracción de características rápida y la eficiencia de memoria. A diferencia de arquitecturas más antiguas o de modelos Transformer pesados, YOLOv5 requiere mucha menos memoria CUDA durante el entrenamiento, lo que permite usar tamaños de lote mayores en GPU de consumo estándar. Además de los cuadros delimitadores estándar, el repositorio de YOLOv5 también incorporó la segmentación de instancias (v7.0) y la clasificación de imágenes (v6.2).

Diseño de YOLOv7#

YOLOv7 introdujo varias reparametrizaciones estructurales y la arquitectura E-ELAN, que permite a la red aprender características más diversas sin destruir la ruta de gradiente original. También incorpora una cabeza auxiliar para la supervisión intermedia durante el entrenamiento. Aunque estos avances ofrecen una precisión media promedio (mAP) elevada, suelen introducir estructuras tensoriales complejas que pueden dificultar ligeramente la exportación a formatos para dispositivos periféricos como ONNX o TensorRT, en comparación con las exportaciones optimizadas nativas de los modelos de Ultralytics.

Análisis del rendimiento#

Al comparar estos modelos, los desarrolladores deben encontrar un equilibrio entre el mAPval50-95, la velocidad de inferencia y la complejidad computacional (FLOPs). La tabla siguiente muestra el rendimiento de ambas arquitecturas evaluadas en el conjunto de datos COCO.

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
YOLOv5n64028.0-1.121.94.5
YOLOv5s64037.4-1.927.216.5
YOLOv5m64045.4-4.0321.249.0
YOLOv5l64049.0-6.6146.5109.1
YOLOv5x64050.7-11.8986.7205.7

Conclusiones clave#

  • Límite de precisión: YOLOv7x alcanza la mayor precisión global, con un mAPval50-95 de 53,1, por lo que es muy competitivo en situaciones en las que el objetivo principal es maximizar el rendimiento de detección.
  • Velocidad y eficiencia: Ultralytics YOLOv5n es muy eficiente: ofrece una latencia de inferencia de 1,12 ms con TensorRT en T4 y solo tiene 1,9 M de parámetros. Por eso es una buena opción para despliegues en el borde con recursos muy limitados.
  • Equilibrio de rendimiento: La serie YOLOv5 ofrece una amplia gama de tamaños de modelo. YOLOv5l proporciona un buen equilibrio: queda ligeramente por detrás de YOLOv7l en precisión, pero cuenta con una canalización de despliegue muy madura.

La ventaja del ecosistema Ultralytics#

La arquitectura de un modelo es solo la mitad de la ecuación: el ecosistema que lo rodea determina su viabilidad en el mundo real, y los modelos de Ultralytics se diseñan teniendo esto en cuenta.

Facilidad de uso: Ultralytics ofrece una API de Python unificada e intuitiva. Puedes entrenar, validar y desplegar modelos con muy poco código repetitivo, respaldado por una amplia documentación oficial. Ecosistema bien mantenido: El desarrollo activo aporta actualizaciones periódicas, correcciones de errores e integración con herramientas modernas de seguimiento, como Weights & Biases. Eficiencia del entrenamiento: Gracias a cargadores de datos optimizados y al almacenamiento en caché inteligente, YOLOv5 reduce los tiempos de entrenamiento. Además, los pesos preentrenados listos para usar aceleran el aprendizaje por transferencia en distintos ámbitos.

Ejemplo de código: entrenamiento simplificado#

Con el paquete Ultralytics, iniciar un entrenamiento tiene el mismo aspecto para todas las arquitecturas compatibles.

from ultralytics import YOLO

# Carga un modelo YOLOv5 preentrenado
model = YOLO("yolov5su.pt")  # YOLOv5u: pesos de YOLOv5 sin anclajes para el paquete ultralytics

# Entrena el modelo con el conjunto de datos de ejemplo COCO8
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Exporta el modelo entrenado al formato ONNX para implementarlo
success = model.export(format="onnx")

Casos de uso ideales#

Cuándo elegir YOLOv7#

  • Evaluación comparativa académica: Útil para investigadores que necesitan comparar técnicas novedosas con una referencia de 2022 bien documentada.
  • Procesamiento en la nube con GPU de alta gama: Para despliegues en hardware de servidor potente, cuando lograr el mAP más alto en escenas densas prima sobre la sencillez de exportación.

Cuándo elegir YOLOv5#

  • Implementaciones en producción: Ideal para aplicaciones comerciales que requieren gran estabilidad, opciones sencillas de implementación de modelos y amplia compatibilidad multiplataforma.
  • Dispositivos de borde: Las variantes más pequeñas (YOLOv5n y YOLOv5s) funcionan bien en teléfonos móviles y sistemas integrados.
  • Requisitos multitarea: Si tu proyecto necesita pasar de la detección simple a la segmentación de instancias o la clasificación mediante un framework unificado.
Explora otras arquitecturas

¿Buscas versiones más recientes? Explora Ultralytics YOLOv8 o Ultralytics YOLO11 para descubrir más avances en detección sin anclajes y capacidades de aprendizaje multitarea.

La próxima generación: Ultralytics YOLO26#

Aunque YOLOv5 y YOLOv7 ocupan un lugar fundamental en la historia de la IA visual, el panorama evoluciona constantemente. Lanzado en enero de 2026, Ultralytics YOLO26 es el modelo más reciente de Ultralytics y mejora las generaciones anteriores en precisión, velocidad en CPU y sencillez de implementación.

YOLO26 incorpora varias funciones clave:

  • Diseño integral sin NMS: A partir del entrenamiento sin NMS que YOLOv10 introdujo en los modelos YOLO, YOLO26 ofrece una cabeza integral opcional (nms=False) que omite el posprocesamiento de supresión no máxima (NMS), lo que reduce la latencia y simplifica la lógica de implementación.
  • Optimizador MuSGD: Inspirado en Kimi K2 de Moonshot AI, este optimizador híbrido combina SGD estándar con Muon e incorpora ideas del entrenamiento de LLM a la visión artificial para conseguir un entrenamiento más estable y una convergencia más rápida.
  • Mayor velocidad en CPU: Al eliminar Distribution Focal Loss (DFL), YOLO26n consigue una inferencia en CPU hasta un 43 % más rápida que YOLO11n, por lo que YOLO26 es ideal para la IA en el edge y la implementación en dispositivos IoT de bajo consumo.
  • ProgLoss + STAL: La pérdida progresiva y la asignación de etiquetas consciente de los objetos pequeños mejoran su reconocimiento, algo crucial para las imágenes aéreas y la robótica de precisión.
  • Mejoras específicas para cada tarea: Incluye una pérdida de segmentación semántica para generar máscaras, estimación de log-verosimilitud residual (RLE) para la estimación de poses y una pérdida de ángulo especializada para resolver problemas en los límites de las cajas delimitadoras orientadas (OBB).

Conclusión#

Tanto YOLOv5 como YOLOv7 ofrecen soluciones sólidas para la detección de objetos en tiempo real. YOLOv7 sigue siendo una opción destacada por su precisión bruta en hardware de alto rendimiento, mientras que YOLOv5 sobresale como herramienta fácil de usar para desarrolladores, con un buen equilibrio entre velocidad y eficiencia y un ecosistema maduro.

Sin embargo, para los desarrolladores que quieran preparar sus pipelines para el futuro con la mejor combinación de velocidad, sencillez y precisión, la opción recomendada es migrar a Ultralytics YOLO26. Mantiene la facilidad de uso del ecosistema Ultralytics y añade las mejoras arquitectónicas descritas anteriormente.

Comentarios

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