Empezar

YOLOX frente a PP-YOLOE+

Al diseñar un pipeline robusto de visión artificial, elegir el modelo de detección de objetos adecuado es una decisión fundamental. El panorama de los detectores de objetos en tiempo real es muy competitivo, con numerosas arquitecturas que aspiran a lograr el mejor equilibrio entre velocidad de inferencia y precisión de detección. Esta comparación técnica evalúa dos modelos destacados, YOLOX y PP-YOLOE+, y examina sus diseños arquitectónicos, metodologías de entrenamiento y métricas de rendimiento para ayudar a desarrolladores e investigadores a elegir la herramienta adecuada para sus entornos de implementación.

Innovaciones y diseño arquitectónicos#

Ambos modelos se diseñaron para abordar problemas concretos de iteraciones anteriores de YOLO, pero adoptan enfoques distintos para equilibrar velocidad y precisión.

YOLOX: conectar la investigación y la industria#

Desarrollado por Zheng Ge, Songtao Liu, Feng Wang, Zeming Li y Jian Sun en Megvii, YOLOX se lanzó el 18 de julio de 2021. Supuso un cambio importante en la familia YOLO al adoptar plenamente un diseño sin anclajes. Puedes consultar la investigación fundamental en su artículo oficial de arXiv y el código fuente original en el repositorio de YOLOX en GitHub.

YOLOX incorpora una cabeza desacoplada que separa las tareas de clasificación y regresión, lo que mejora significativamente la velocidad de convergencia durante el entrenamiento. También introdujo estrategias avanzadas de asignación de etiquetas, como SimOTA, para asignar muestras positivas de forma dinámica. Esto hace que el modelo sea eficiente, y sus variantes más pequeñas son adecuadas para entornos de IA edge con recursos de cálculo muy limitados.

Descubre más sobre YOLOX

PP-YOLOE+: detección industrial de alto rendimiento#

PP-YOLOE+, presentado por los autores de PaddlePaddle en Baidu el 2 de abril de 2022, es una evolución optimizada de la serie PP-YOLO. Según se detalla en su publicación de arXiv, PP-YOLOE+ está profundamente integrado en el ecosistema Baidu y requiere el framework PaddlePaddle. Las configuraciones del modelo están disponibles en el repositorio PaddleDetection de GitHub.

PP-YOLOE+ se basa en CSPRepResNet y utiliza una cabeza Efficient Task-aligned (ET-head) junto con Task Alignment Learning (TAL). Esta arquitectura alcanza una precisión media promedio (mAP) elevada en el conjunto de datos COCO, por lo que es una opción sólida para detectar defectos industriales y realizar procesamiento intensivo en servidores, donde se prioriza la precisión frente a la reducción al mínimo de las dependencias.

Más información sobre PP-YOLOE+

Pruebas de rendimiento#

Comprender el rendimiento de estos modelos en distintas escalas es esencial para su implementación. La tabla siguiente recoge métricas clave, como mAP y velocidades de inferencia tras la exportación a TensorRT.

Modelotamaño
(píxeles)
mAPval50-95Velocidad
CPU ONNX
(ms)
Velocidad
T4 TensorRT10
(ms)
parámetros
(M)
FLOPs
(B)
YOLOXnano41625.8--0.911.08
YOLOXtiny41632.8--5.066.45
YOLOXs64040.5-2.569.026.8
YOLOXm64046.9-5.4325.373.8
YOLOXl64049.7-9.0454.2155.6
YOLOXx64051.1-16.199.1281.9
PP-YOLOE+t64039.9-2.844.8519.15
PP-YOLOE+s64043.7-2.627.9317.36
PP-YOLOE+m64049.8-5.5623.4349.91
PP-YOLOE+l64052.9-8.3652.2110.07
PP-YOLOE+x64054.7-14.398.42206.59
Consideraciones para el despliegue

PP-YOLOE+ es más preciso que YOLOX en todos los tamaños comparables y utiliza menos FLOPs a partir del tamaño s; PP-YOLOE+x alcanza la mayor precisión global. Sin embargo, YOLOX ofrece variantes muy ligeras (Nano y Tiny), adecuadas para microcontroladores de bajo consumo y hardware móvil antiguo.

Casos de uso y recomendaciones#

La elección entre YOLOX y PP-YOLOE+ depende de los requisitos específicos de tu proyecto, las limitaciones 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 PP-YOLOE+#

PP-YOLOE+ es recomendable para:

  • Integración con el ecosistema PaddlePaddle: Organizaciones con infraestructura existente basada en el framework y las herramientas de PaddlePaddle de Baidu.
  • Implementación edge con Paddle Lite: Implementación en hardware con kernels de inferencia muy optimizados, diseñados específicamente para Paddle Lite o el motor de inferencia Paddle.
  • Detección de alta precisión en servidores: Escenarios que priorizan la máxima precisión de detección en servidores con GPU potentes, donde la dependencia del framework no supone un problema.

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 solo con CPU: Dispositivos sin aceleración de GPU dedicada, en los que la inferencia en CPU hasta un 43 % más rápida de YOLO26 (YOLO26n frente a YOLO11n) supone 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 ventaja de Ultralytics: descubre YOLO26#

Aunque YOLOX y PP-YOLOE+ ofrecen ventajas distintas, la rápida evolución de la IA exige herramientas que combinen gran precisión y facilidad de uso. Aquí es donde los modelos de Ultralytics, especialmente Ultralytics YOLO26, destacan frente a los repositorios de investigación más antiguos.

Lanzado en enero de 2026, YOLO26 establece un nuevo estándar para la detección de objetos moderna y otras tareas de visión, con una experiencia de desarrollo optimizada.

Por qué los desarrolladores eligen YOLO26#

  1. Diseño integral sin NMS: A partir del entrenamiento sin NMS que YOLOv10 introdujo en los modelos YOLO, YOLO26 admite inferencia integral nativa. Al omitir el posprocesamiento de NMS con su cabeza opcional uno a uno (nms=False), ofrece una latencia uniforme y simplifica las canalizaciones de exportación para entornos edge.
  2. Optimización del entrenamiento: El optimizador MuSGD, una combinación de SGD y Muon (inspirada en metodologías de LLM como Kimi K2 de Moonshot AI), mejora la estabilidad del entrenamiento y la velocidad de convergencia. YOLO26 también utiliza ProgLoss + STAL (pérdida progresiva y asignación de etiquetas con atención a objetos pequeños) para mejorar la detección de objetos pequeños, una característica crucial para aplicaciones con imágenes aéreas y robótica.
  3. Eficiencia de hardware: Al eliminar Distribution Focal Loss (DFL), YOLO26 simplifica su cabeza de detección y el grafo de exportación. YOLO26n ofrece una inferencia en CPU hasta un 43 % más rápida que YOLO11n, por lo que es una opción sólida para dispositivos sin aceleración GPU dedicada.
  4. Versatilidad: A diferencia de PP-YOLOE+, que se centra exclusivamente en la detección, YOLO26 ofrece compatibilidad unificada con numerosas tareas. Incorpora una función de pérdida especializada de segmentación semántica para la segmentación de instancias, Residual Log-Likelihood Estimation (RLE) para una estimación de pose precisa y una función de pérdida angular especializada para las cajas delimitadoras orientadas (OBB).

Integración del ecosistema#

Ultralytics evita las instalaciones complejas de frameworks. Con la API unificada de Python o la intuitiva plataforma Ultralytics, puedes entrenar, validar y exportar modelos con solo unas pocas líneas de código.

from ultralytics import YOLO

# Carga el modelo pequeño YOLO26
model = YOLO("yolo26s.pt")

# Entrenar con un conjunto de datos personalizado y un consumo mínimo de memoria CUDA
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Ejecutar inferencia
predictions = model("https://ultralytics.com/images/bus.jpg")

# Exporta a ONNX de forma nativa y aprovecha al máximo la arquitectura sin NMS
model.export(format="onnx", nms=False)

Si estás evaluando otras arquitecturas robustas del ecosistema Ultralytics, YOLO11 sigue siendo una opción fiable para implementaciones existentes, mientras que RT-DETR, basado en Transformer, ofrece sólidas prestaciones a quienes buscan soluciones basadas en mecanismos de atención.

Resumen#

La elección entre YOLOX y PP-YOLOE+ suele depender de las restricciones de tu framework principal: si prefieres la flexibilidad basada en PyTorch o la integración profunda con PaddlePaddle de Baidu. Sin embargo, para las organizaciones que planean una nueva infraestructura de IA, la alternativa recomendada es Ultralytics YOLO26. Con inferencia opcional sin NMS, una huella de memoria reducida y una amplia compatibilidad con tareas, YOLO26 ayuda a los equipos a crear aplicaciones de visión artificial rápidas y eficientes.

Comentarios6

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

  1. UltralyticsAssistantGitHubUltralytics

    👋 Hello, thank you for sharing your interest in comparing YOLOX and PP-YOLOE+ 🚀!

    For a detailed breakdown of performance, architecture, and use cases, you can explore our dedicated Compare YOLOX vs PP-YOLOE+ Guide. This resource provides valuable insights to help you choose the best model for your specific requirements.

    If you have specific questions or need further assistance, please provide more details about your use case. For example:

    • What type of dataset are you working with?
    • Are there specific metrics or constraints you are prioritizing?

    Join the Ultralytics community for more discussions and insights:

    • Real-time chat? Join us on Discord 🎧.
    • Prefer forum-style discussions? Check out Discourse.
    • Or head over to our Subreddit to connect with other users.

    Additionally, ensure you're using the latest version of the ultralytics package for optimal performance and features. Upgrade with the following command:

    pip install -U ultralytics

    This is an automated response to assist you quickly, but don't worry—an Ultralytics engineer will review your discussion and provide further input soon. Thanks for being part of the community! 😊

    1. Glenn JocherUltralytics(editado)

      @UltralyticsAssistant Thanks for the automated response.

      @Amine-Torki You've raised a valid point about our documentation consistency. We're actively updating our comparison articles to reflect the latest models. The Ultralytics ecosystem now includes YOLO26 (our latest release) and YOLO11, both offering significant improvements over earlier models.

      For those comparing YOLOX and PP-YOLOE+, both are solid anchor-free detectors, but Ultralytics YOLO26 provides advantages in terms of ecosystem integration, versatility across multiple vision tasks, and overall performance balance. Our documentation team is working to ensure all comparison pages accurately represent the current state of YOLO development.

  2. Amine-TorkiGitHub

    "YOLOv8: The latest iteration in the YOLO series" Yeah another article written by ChatGPT, Ultralytics isn't what it used to be...

    -1
    1. Glenn JocherUltralytics(editado)

      @Amine-Torki thank you for your feedback. Our documentation is continuously improved by both the Ultralytics team and community contributions to ensure accuracy and relevance. For the latest advancements, check out YOLO26 and YOLO11, which showcase our ongoing commitment to innovation in computer vision.

    2. Amine-TorkiGitHub(editado)

      Hi. My question is about why saying in this article "YOLOv8: The latest iteration in the YOLO series" when there is, as you just said, YOLO11 and YOLOv10. Since the Technical Comparison was last updated 1 month ago, it just make me think it was written by a llm with lack of knowledge/hallucination on the latest updates.

    3. Glenn JocherUltralytics(editado)

      Thank you for catching this! The article you referenced is an older resource, while our YOLO26 and YOLO11 documentation reflect the latest updates. We continuously improve our docs with community contributions - feel free to suggest edits via GitHub if you spot areas needing refresh! 😊