YOLOX frente a EfficientDet
La evolución de la detección de objetos ha estado impulsada por la búsqueda constante de un equilibrio entre velocidad, precisión y eficiencia computacional. Dos modelos emblemáticos que influyeron significativamente en esta evolución son YOLOX y EfficientDet. Mientras que YOLOX introdujo un diseño sin anclajes en la familia YOLO, EfficientDet se centró en una arquitectura escalable mediante escalado compuesto y BiFPN. Esta guía ofrece una comparación técnica detallada de sus arquitecturas, métricas de rendimiento y metodologías de entrenamiento, y presenta alternativas más recientes, como el modelo Ultralytics YOLO26.
Orígenes de los modelos y detalles técnicos#
Antes de comparar sus diferencias estructurales, es importante conocer los orígenes y la investigación fundamental de ambos modelos.
Detalles de YOLOX:
- Autores: Zheng Ge, Songtao Liu, Feng Wang, Zeming Li y Jian Sun
- Organización: Megvii
- Fecha: 18 de julio de 2021
- arXiv: YOLOX: superar a la serie YOLO en 2021
- GitHub: Megvii-BaseDetection/YOLOX
- Documentación: Documentación oficial de YOLOX
Detalles de EfficientDet:
- Autores: Mingxing Tan, Ruoming Pang y Quoc V. Le
- Organización: Google Brain
- Fecha: 20 de noviembre de 2019
- arXiv: EfficientDet: detección de objetos escalable y eficiente
- GitHub y documentación: Google AutoML EfficientDet
Más información sobre EfficientDet
Comparativa arquitectónica#
La diferencia fundamental entre YOLOX y EfficientDet radica en cómo extraen características y predicen cuadros delimitadores. Comprender estas arquitecturas de detección de objetos es fundamental para elegir el modelo adecuado para tu entorno de implementación.
YOLOX: el innovador sin anchors#
YOLOX pasó de ser un detector basado en anclajes a un diseño sin anclajes. Esta transición redujo considerablemente el número de parámetros de diseño y simplificó el pipeline de entrenamiento.
Entre sus principales características arquitectónicas se encuentra una cabeza desacoplada que separa las tareas de clasificación y regresión. Así resuelve el conflicto entre identificar qué es un objeto y predecir exactamente dónde está. Además, YOLOX utiliza estrategias avanzadas de asignación de etiquetas, como SimOTA, que asignan dinámicamente muestras positivas a los objetos reales durante el entrenamiento, lo que permite converger más rápido y lograr un mejor equilibrio entre velocidad y precisión.
EfficientDet: escalado compuesto y BiFPN#
EfficientDet aborda la detección de objetos desde la perspectiva de la eficiencia y la escalabilidad. Desarrollado por Google, se basa en el backbone EfficientNet para extraer características.
Su característica distintiva es la red piramidal de características bidireccional (BiFPN). A diferencia de las FPN tradicionales, BiFPN facilita y acelera la fusión de características multiescala al introducir pesos entrenables que permiten aprender la importancia de las distintas características de entrada. Combinada con un método de escalado compuesto que escala uniformemente la resolución, la profundidad y la anchura de todas las redes de backbone, características y predicción de cajas/clases, EfficientDet puede escalar desde modelos del tamaño de un móvil (d0) hasta modelos grandes para servidores (d7).
Aunque el escalado compuesto de EfficientDet proporciona una vía predecible para mejorar la precisión, a menudo genera grafos computacionales complejos que pueden ser difíciles de optimizar para la computación en el edge en tiempo real, en comparación con el diseño simplificado y sin anchors de YOLOX.
Análisis del rendimiento y las métricas#
Al evaluar estos modelos para aplicaciones de visión artificial en el mundo real, son esenciales métricas como la precisión media promedio, la velocidad de inferencia y el número de parámetros.
| Modelo | tamaño (píxeles) | mAPval50-95 | Velocidad CPU ONNX (ms) | Velocidad T4 TensorRT10 (ms) | parámetros (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| 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 |
| 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 |
Análisis de las ventajas e inconvenientes#
Los datos muestran una clara divergencia en la filosofía de diseño. EfficientDet-d7 alcanza la mayor precisión global, con un mAP del 53,7 %, pero a costa de una velocidad de inferencia muy inferior (128,07 ms en una GPU T4). En cambio, YOLOXx alcanza un mAP competitivo del 51,1 % en 16,1 ms, por lo que es mucho más adecuado para la comprensión de vídeo en tiempo real y la robótica.
Casos de uso y recomendaciones#
La elección entre YOLOX y EfficientDet depende de los requisitos concretos de tu proyecto, las restricciones de implementación y tus preferencias de ecosistema.
Cuándo elegir YOLOX#
YOLOX es una buena opción para:
- Investigación sobre detección sin anclajes: Investigación académica que utiliza la arquitectura limpia y sin anclajes de YOLOX como base para experimentar con nuevos cabezales de detección o funciones de pérdida.
- Dispositivos de borde ultraligeros: Implementación en microcontroladores o hardware móvil heredado, donde el tamaño extremadamente reducido de la variante YOLOX-Nano (0,91 M de parámetros) es fundamental.
- Estudios de asignación de etiquetas SimOTA: Proyectos de investigación que analizan estrategias de asignación de etiquetas basadas en el transporte óptimo y su impacto en la convergencia del entrenamiento.
Cuándo elegir EfficientDet#
Se recomienda EfficientDet para:
- Google Cloud y procesos con TPU: Sistemas basados en TensorFlow sobre la infraestructura Google Cloud TPU, donde la implementación de referencia de EfficientDet es compatible con el entrenamiento en TPU.
- Investigación sobre el escalado compuesto: Evaluaciones comparativas académicas centradas en estudiar los efectos del escalado equilibrado de la profundidad, la anchura y la resolución de la red.
- Implementación móvil mediante LiteRT: Proyectos que requieren específicamente exportar a LiteRT (antes TensorFlow Lite) para Android o dispositivos Linux integrados.
Cuándo elegir Ultralytics (YOLO26)#
Para la mayoría de los proyectos nuevos, Ultralytics YOLO26 ofrece la mejor combinación de rendimiento y experiencia para desarrolladores:
- Implementación edge sin NMS: Aplicaciones que requieren una inferencia constante y de baja latencia, sin la complejidad del posprocesamiento de supresión no máxima (NMS).
- Entornos que solo usan CPU: Dispositivos sin aceleración de GPU dedicada, en los que la inferencia en CPU de YOLO26n, hasta un 43 % más rápida que la de YOLO11n, ofrece una ventaja decisiva.
- Detección de objetos pequeños: situaciones complejas, como las imágenes aéreas captadas con drones o el análisis de sensores IoT, en las que ProgLoss y STAL mejoran la precisión con objetos diminutos.
La alternativa moderna: Ultralytics YOLO26#
Aunque YOLOX y EfficientDet fueron hitos importantes, el panorama del aprendizaje automático ha avanzado rápidamente. Para los desarrolladores que implementan sistemas de visión hoy en día, la opción recomendada es YOLO26, el modelo más reciente de Ultralytics, lanzado en enero de 2026.
YOLO26 ofrece un ecosistema bien mantenido y mejoras significativas de velocidad y facilidad de uso frente a arquitecturas anteriores:
Principales innovaciones de YOLO26#
- Diseño integral sin NMS: La cabeza opcional uno a uno de YOLO26 (
nms=False) elimina la necesidad del posprocesamiento de NMS. Este enfoque integral nativo, introducido en los modelos YOLO por YOLOv10, simplifica el proceso de exportación y reduce la latencia de implementación. - Inferencia en CPU hasta un 43 % más rápida: Al eliminar NMS y Distribution Focal Loss (DFL), YOLO26n funciona hasta un 43 % más rápido que YOLO11n en CPU, por lo que es adecuado para dispositivos edge sin GPU discreta.
- Optimizador MuSGD: YOLO26 lleva las innovaciones de los modelos de lenguaje grandes (LLM) al campo de la visión. Utiliza el optimizador MuSGD, una combinación de SGD y Muon, para ofrecer un entrenamiento estable y una convergencia rápida, y mejorar la eficiencia del entrenamiento.
- ProgLoss + STAL: La pérdida progresiva y la asignación de etiquetas con atención a objetos pequeños (STAL) mejoran la detección de objetos pequeños, algo fundamental para casos de uso como las operaciones con drones y el análisis de imágenes aéreas.
- Versatilidad: A diferencia de YOLOX, que se dedica exclusivamente a la detección de objetos, YOLO26 admite de forma nativa una amplia variedad de tareas, como la segmentación de instancias, la clasificación de imágenes, la estimación de pose y la detección de cajas delimitadoras orientadas (OBB).
Facilidad de uso con la API de Ultralytics#
Una de las ventajas más importantes de los modelos Ultralytics es su experiencia de usuario optimizada. Entrenar e implementar un modelo YOLO26 requiere menos memoria que los complejos modelos Transformer y solo necesita unas pocas líneas de código Python:
from ultralytics import YOLO
# Inicializa el modelo YOLO26 integral de forma nativa
model = YOLO("yolo26n.pt")
# Entrena el modelo con tu conjunto de datos personalizado
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Exporta el modelo entrenado a TensorRT para inferir en GPU
model.export(format="engine", dynamic=True)Para quienes prefieren las interfaces visuales, la plataforma Ultralytics ofrece herramientas para anotar conjuntos de datos, entrenar en la nube e implementar modelos.
Casos de uso reales#
La elección de la arquitectura adecuada depende en gran medida de las restricciones específicas de tu implementación.
Cuándo tener en cuenta EfficientDet#
EfficientDet sigue despertando interés académico en entornos donde la velocidad de inferencia importa menos que la precisión en imágenes de alta resolución. Su implementación dentro del ecosistema TensorFlow también puede resultar atractiva para equipos que mantienen infraestructuras antiguas de Google.
Cuándo considerar YOLOX#
YOLOX es adecuado para aplicaciones que requieren un equilibrio entre velocidad y precisión sin la complejidad de los cuadros de anchors. Históricamente, ha ofrecido buenos resultados en entornos de fabricación industrial donde se necesita detectar rápidamente defectos en cintas transportadoras.
Por qué elegir YOLO26#
Para la mayoría de las aplicaciones modernas, YOLO26 es la opción más adecuada. Su diseño sin NMS ofrece una latencia predecible, por lo que es un candidato sólido para la conducción autónoma, los sistemas de alarma de seguridad de respuesta rápida y las implementaciones en ciudades inteligentes. El apoyo de una comunidad activa y las actualizaciones frecuentes de Ultralytics también ayudan a los desarrolladores a evitar dependencias obsoletas.
Los desarrolladores que exploran la visión artificial avanzada también deberían conocer otras arquitecturas del ecosistema Ultralytics, como YOLO11, para implementaciones existentes bien probadas, o modelos especializados como FastSAM, para tareas de segmentación guiadas por indicaciones.
Comentarios
Haz una pregunta, comparte tus resultados o ayuda a otra persona.