YOLOv7 YOLOX: un análisis en profundidad de las arquitecturas de detección de objetos en tiempo real

En el panorama en rápida evolución de la visión artificial, elegir el modelo de detección de objetos adecuado es fundamental para el éxito. Dos hitos importantes en este viaje son YOLOv7 y YOLOX. Aunque ambas arquitecturas ampliaron los límites de la velocidad y la precisión tras su lanzamiento, adoptaron enfoques fundamentalmente diferentes para resolver el problema de la detección. Esta guía ofrece una comparación técnica detallada para ayudar a los desarrolladores, investigadores e ingenieros a tomar decisiones informadas para sus casos de uso específicos.

Visión General y Orígenes del Modelo

Comprender el linaje de estos modelos proporciona un contexto para sus decisiones arquitectónicas.

YOLOv7: La potente bolsa de regalos

Lanzado en julio de 2022, YOLOv7 diseñado para ser el detector de objetos en tiempo real más rápido y preciso de su época. Se centró en gran medida en optimizaciones arquitectónicas como E-ELAN (Extended Efficient Layer Aggregation Networks) y un «bag-of-freebies» entrenable para mejorar 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:2207.02696
GitHub:WongKinYiu/yolov7

Más información sobre YOLOv7

YOLOX: La evolución sin anclajes

YOLOX, lanzado por Megvii en 2021, supuso un cambio significativo al alejarse del mecanismo basado en anclajes que dominaba YOLO anteriores YOLO (como YOLOv3 y YOLOv5). Al incorporar un cabezal desacoplado y un diseño sin anclajes, YOLOX simplificó el proceso de entrenamiento y mejoró el rendimiento, salvando la brecha entre la investigación y la aplicación industrial.

Autores: Zheng Ge, Songtao Liu, Feng Wang, Zeming Li, y Jian Sun
Organización:Megvii
Fecha: 2021-07-18
Arxiv:2107.08430
GitHub:Megvii-BaseDetection/YOLOX

Comparación del rendimiento técnico

La siguiente tabla destaca las métricas de rendimiento de modelos comparables en el COCO .

Modelo	tamaño ^(píxeles)	mAP^val 50-95	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

YOLOXnano	416	25.8	-	-	0.91	1.08
YOLOXtiny	416	32.8	-	-	5.06	6.45
YOLOXs	640	40.5	-	2.56	9.0	26.8
YOLOXm	640	46.9	-	5.43	25.3	73.8
YOLOXl	640	49.7	-	9.04	54.2	155.6
YOLOXx	640	51.1	-	16.1	99.1	281.9

Diferencias Arquitectónicas Clave

Mecanismos de anclaje:
- YOLOv7: Utiliza un enfoque basado en anclajes. Requiere cuadros de anclaje predefinidos, que pueden ser sensibles al ajuste de hiperparámetros, pero que a menudo funcionan de manera sólida en conjuntos de datos estándar como MS COCO.
- YOLOX: Adopta un diseño sin anclajes. Esto elimina la necesidad de agrupar cajas de anclaje (como K-means) y reduce el número de parámetros de diseño, lo que simplifica la configuración del modelo.
Diseño de redes:
- YOLOv7: Cuenta con la arquitectura E-ELAN, que guía las rutas de gradiente para aprender diversas características de manera eficaz. También emplea la «reparametrización planificada» para fusionar capas durante la inferencia, lo que aumenta la velocidad sin sacrificar la precisión del entrenamiento.
- YOLOX: Utiliza un cabezal desacoplado, separando las tareas de clasificación y regresión. Esto suele conducir a una convergencia más rápida y una mayor precisión, pero puede aumentar ligeramente el número de parámetros en comparación con un cabezal acoplado.
Asignación de etiquetas:
- YOLOv7: Utiliza una estrategia de asignación de etiquetas guiada por pistas, de grueso a fino.
- YOLOX: Introdujo SimOTA (Simplified Optimal Transport Assignment), una estrategia dinámica de asignación de etiquetas que trata el problema de la asignación como una tarea de transporte óptimo, mejorando la estabilidad del entrenamiento.

El estándar moderno: YOLO26

Aunque YOLOv7 YOLOX fueron revolucionarios, el campo ha avanzado. El nuevo YOLO26, lanzado en enero de 2026, combina lo mejor de ambos mundos. Cuenta con un diseño nativo de extremo a extremo NMS (similar a la filosofía sin anclajes de YOLOX, pero más evolucionada) y elimina la pérdida focal de distribución (DFL) para CPU hasta un 43 % más rápida.

Más información sobre YOLO26

Entrenamiento y ecosistema

La experiencia del desarrollador suele ser tan importante como las métricas de rendimiento brutas. Aquí es donde el Ultralytics se diferencia significativamente.

Facilidad de uso e integración

El entrenamiento de YOLOX suele requerir navegar por el código base de Megvii, que, aunque es robusto, puede presentar una curva de aprendizaje más pronunciada para los usuarios acostumbrados a las API de alto nivel. Por el contrario, ejecutar YOLOv7 Ultralytics una experiencia fluida.

Python Ultralytics unifica el flujo de trabajo. Puede cambiar entre YOLOv7, YOLOv10o incluso YOLO11 con solo cambiar la cadena del nombre del modelo. Esta flexibilidad es vital para la creación rápida de prototipos y la evaluación comparativa.

Ejemplo de código: Interfaz coherente

A continuación se explica cómo se puede entrenar un YOLOv7 utilizando el Ultralytics . La misma estructura de código funciona para modelos más recientes, como YOLO26.

from ultralytics import YOLO

# Load a YOLOv7 model (or swap to "yolo26n.pt" for the latest)
model = YOLO("yolov7.pt")

# Train on a custom dataset
# Ultralytics automatically handles data augmentation and logging
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference on an image
results = model("path/to/image.jpg")

Memoria y Eficiencia

Ultralytics son conocidos por su eficiente utilización de los recursos.

Eficiencia de entrenamiento: YOLOv7 del Ultralytics está optimizado para utilizar menos CUDA en comparación con implementaciones sin procesar o modelos basados en transformadores como RT-DETR, lo que permite tamaños de lote más grandes en hardware de consumo.
Implementación: La exportación de modelos a formatos de producción es una operación que se realiza con un solo comando. Ya sea que se dirija a ONNX, TensorRT, o CoreML, Ultralyticstralytics export El modo gestiona la complejidad de la conversión de gráficos.

Casos de Uso Ideales

La elección entre estos modelos suele depender de las limitaciones específicas de su entorno de implementación.

Cuándo elegir YOLOv7

YOLOv7 un fuerte competidor para GPU de alto rendimiento en los que se requiere una precisión máxima.

Vigilancia de alta gama: ideal para sistemas de alarma de seguridad en los que es fundamental detectar objetos pequeños a distancia.
Inspección industrial: su sólida extracción de características lo hace adecuado para tareas de fabricación complejas, como la detección de defectos en líneas de montaje.
BordeGPU: dispositivos como la serie NVIDIA Orin pueden aprovechar eficazmente la arquitectura reparametrizada YOLOv7.

Cuándo elegir YOLOX

YOLOX suele ser la opción preferida en entornos de investigación o en escenarios específicos de periféricos heredados.

Investigación académica: El diseño sin anclajes y el código base limpio hacen de YOLOX una excelente base de referencia para los investigadores que experimentan con nuevos cabezales de detección o estrategias de asignación.
Implementación móvil (Nano/Tiny): Las variantes YOLOX-Nano y Tiny están altamente optimizadas para CPU móviles, de forma similar a los objetivos de eficiencia de YOLOv6 Lite.
Códigos heredados: Los equipos que ya están profundamente integrados en MegEngine o en PyTorch específicas PyTorch pueden encontrar YOLOX más fácil de mantener.

El futuro: mudarse a YOLO26

Si bien YOLOv7 YOLOX cumplen su función, YOLO26 representa el siguiente salto adelante. Aborda las limitaciones de sus dos predecesores:

NMS: a diferencia de YOLOv7 que requiere NMS) y YOLOX (que simplifica los anclajes pero sigue utilizando NMS), YOLO26 utiliza un diseño nativo de extremo a extremo. Esto elimina por completo el cuello de botella de la latencia del posprocesamiento.
Optimizador MuSGD: inspirado en el entrenamiento LLM, este optimizador estabiliza el entrenamiento para tareas de visión artificial, superando SGD estándar SGD en YOLO anteriores YOLO .
Versatilidad de tareas: mientras que YOLOX se centra principalmente en la detección, YOLO26 ofrece un rendimiento de vanguardia en segmentación de instancias, estimación de poses y cuadros delimitadores orientados (OBB).

Conclusión

Tanto YOLOv7 YOLOX han contribuido significativamente al avance de la detección de objetos. YOLOv7 demostró que los métodos basados en anclajes podían seguir dominando en precisión gracias a una arquitectura inteligente como E-ELAN. YOLOX desafió con éxito el statu quo al popularizar la detección sin anclajes en la YOLO .

Para los desarrolladores que inician nuevos proyectos hoy en día, aprovechar el Ultralytics es la opción más estratégica. Proporciona acceso a YOLOv7 comparaciones heredadas, al tiempo que ofrece una vía directa hacia la velocidad y precisión superiores de YOLO26. La facilidad para cambiar de modelo, combinada con una documentación completa y el apoyo de la comunidad, garantiza que sus proyectos de visión artificial estén preparados para el futuro.