Empezar

YOLOX frente a YOLOv9

El panorama de la visión artificial se ha definido mediante avances arquitectónicos continuos que equilibran la eficiencia computacional y una gran precisión. Al evaluar modelos de detección de objetos en tiempo real, la comparación entre YOLOX de Megvii y YOLOv9 de Academia Sinica pone de manifiesto dos filosofías distintas de desarrollo del aprendizaje profundo. Mientras que YOLOX popularizó un diseño sin anclajes simplificado, YOLOv9 introdujo técnicas basadas en información de gradiente para maximizar la retención de información.

Esta guía técnica explora sus diferencias arquitectónicas, las pruebas de rendimiento y los casos de uso ideales, y muestra cómo Ultralytics Platform y el modelo YOLO26 ofrecen opciones superiores para despliegues en producción.

YOLOX: pionero del paradigma sin anclajes#

Publicado a mediados de 2021, YOLOX supuso un gran avance para reducir la brecha entre la investigación académica y las aplicaciones industriales. Al eliminar la necesidad de cuadros de anclaje predefinidos, simplificó considerablemente el ajuste heurístico necesario para los conjuntos de datos personalizados.

Innovaciones arquitectónicas#

YOLOX introdujo varios cambios clave en la canalización de detección estándar. Implementó un cabezal desacoplado que separa las tareas de clasificación y regresión, lo que redujo notablemente el conflicto entre identificar un objeto y localizar sus límites. YOLOX también adoptó SimOTA, una estrategia dinámica de asignación de etiquetas que asigna muestras positivas durante el entrenamiento y permite converger más rápido y obtener mejores resultados generales en conjuntos de datos de referencia estándar.

Puntos fuertes y limitaciones#

La principal ventaja de YOLOX reside en su diseño simplificado. Gracias al mecanismo sin anclajes, los desarrolladores dedican menos tiempo a ejecutar algoritmos de agrupamiento para encontrar los tamaños de anclaje óptimos para sus datos. Sin embargo, como arquitectura más antigua diseñada sin avances recientes en autoatención ni en las rutas del gradiente, no iguala la eficiencia de parámetros de las redes más nuevas. Tampoco ofrece compatibilidad nativa con tareas avanzadas como la segmentación de instancias y la estimación de pose dentro de una API unificada.

Más información sobre YOLOX

YOLOv9: maximización de la información de gradiente#

En 2024, YOLOv9 introdujo un enfoque basado en la teoría para abordar el problema del cuello de botella de información inherente a las redes neuronales convolucionales profundas.

Innovaciones arquitectónicas#

La característica distintiva de YOLOv9 es Programmable Gradient Information (PGI), que ayuda a evitar que se pierda información semántica crucial al pasar por varias capas de la red. Junto con Generalized Efficient Layer Aggregation Network (GELAN), YOLOv9 logra una sólida relación entre parámetros y precisión. Esto permite al modelo conservar gradientes precisos para actualizar los pesos y ser eficaz incluso en sus variantes ligeras.

Puntos fuertes y limitaciones#

YOLOv9 ofrece una gran precisión del modelo, con puntuaciones mAP elevadas en COCO que lo hacen popular entre los investigadores. Sin embargo, pese a su eficiencia, YOLOv9 sigue dependiendo de la supresión de máximos (NMS) tradicional para el posprocesamiento, lo que añade una latencia variable durante la inferencia. Para los ingenieros centrados en desplegar IA en dispositivos periféricos, gestionar la lógica de NMS complica la canalización de despliegue.

Más información sobre YOLOv9

Cuellos de botella en el posprocesamiento

Los modelos tradicionales como YOLOX y YOLOv9 requieren supresión no máxima (NMS) para filtrar los cuadros delimitadores duplicados. Este paso es intrínsecamente secuencial y a menudo genera un cuello de botella en las CPU, lo que pone de manifiesto la necesidad de las arquitecturas integrales nativas de los modelos más recientes de Ultralytics.

Comparativa de rendimiento#

Al comparar las métricas computacionales brutas de estas arquitecturas, queda claro que YOLOv9 ofrece una referencia más moderna, mientras que YOLOX sigue siendo una opción ligera para configuraciones heredadas. A continuación se desglosan en detalle sus modelos estándar.

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
YOLOv9t64038.3-2.32.07.7
YOLOv9s64046.8-3.547.226.7
YOLOv9m64051.4-6.4320.176.8
YOLOv9c64053.0-7.1625.5102.8
YOLOv9e64055.6-16.7758.1192.5

Aunque YOLOv9 ofrece una mayor precisión con un número de parámetros comparable, los desarrolladores que busquen el mejor equilibrio entre velocidad, precisión y facilidad de uso deberían tener en cuenta los avances más recientes de Ultralytics.

La ventaja de Ultralytics: descubre YOLO26#

Aunque evaluar modelos históricos como YOLOX y YOLOv9 aporta un contexto valioso, el modelo de Ultralytics recomendado actualmente es Ultralytics YOLO26, publicado en enero de 2026, que rediseña la canalización de detección para los entornos de producción modernos.

Innovaciones arquitectónicas#

YOLO26 resuelve los cuellos de botella del posprocesamiento de sus predecesores con un diseño integral opcional sin NMS (nms=False), lo que simplifica el despliegue en distintos tipos de hardware. YOLO26 también elimina Distribution Focal Loss (DFL) para simplificar la exportación e incorpora el optimizador MuSGD, una combinación de descenso de gradiente estocástico y Muon que ofrece un entrenamiento más estable.

Para los desarrolladores que despliegan en entornos con recursos limitados, como Raspberry Pi, YOLO26n ofrece una inferencia en CPU hasta un 43 % más rápida que YOLO11n. También incorpora ProgLoss + STAL (pérdida progresiva y asignación de etiquetas consciente de objetivos pequeños), que mejora la detección de objetos pequeños, algo fundamental para las imágenes aéreas y el análisis con drones.

Ecosistema de desarrollo optimizado#

A diferencia de los repositorios de investigación independientes, el ecosistema de Ultralytics ofrece una experiencia de desarrollo simplificada. Con la API de Python de Ultralytics, los ingenieros pueden reducir considerablemente el código repetitivo, y el uso optimizado de memoria permite entrenar modelos robustos con menos memoria VRAM de GPU que las arquitecturas con gran carga de atención.

from ultralytics import YOLO

# Carga el modelo pequeño YOLO26, muy optimizado y sin NMS
model = YOLO("yolo26s.pt")

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

# Exporta fácilmente a formatos de despliegue optimizados
model.export(format="engine", quantize=16)  # Se exporta a TensorRT

Además de la detección, YOLO26 admite muchas tareas dentro del mismo marco. Tanto si necesitas cuadros delimitadores orientados (OBB) precisos para imágenes de satélite como máscaras de píxeles detalladas para el análisis de imágenes médicas, el flujo de trabajo es el mismo. Los equipos que ya utilizan flujos de trabajo de generaciones anteriores también pueden recurrir a Ultralytics YOLO11, que sigue estando totalmente admitido.

Casos de uso ideales y estrategias de despliegue#

La elección de la arquitectura adecuada depende del entorno de despliegue de destino y de los requisitos del proyecto.

Computación periférica y robótica#

En dispositivos de bajo consumo, recurrir a modelos que requieren un posprocesamiento pesado puede perjudicar el rendimiento. Aunque YOLOX-Nano es muy pequeño, su precisión suele ser insuficiente para tareas críticas para la seguridad. En este caso, YOLO26 es la mejor opción: su cabezal sin DFL y la inferencia opcional sin NMS le permiten funcionar sin problemas en hilos de CPU, por lo que resulta adecuado para la robótica autónoma o la gestión de aparcamientos inteligentes.

Evaluación comparativa académica#

Si el único objetivo es analizar el flujo del gradiente y estudiar los cuellos de botella de las redes profundas, YOLOv9 sigue siendo un excelente objeto de estudio. Su marco PGI ofrece información útil sobre cómo se conservan las características en las capas de las redes neuronales profundas, lo que lo convierte en una herramienta valiosa para investigadores universitarios que estudian la teoría de las convoluciones.

Análisis de vídeo empresarial#

Para tareas de procesamiento de vídeo a gran escala, como los sistemas de alarma de seguridad o la supervisión del tráfico, la velocidad y la versatilidad de exportación son esenciales. Las herramientas de exportación nativas del marco de Ultralytics permiten a los equipos compilar YOLO26 directamente a TensorRT o OpenVINO con un solo comando, lo que reduce el tiempo de comercialización.

Con el ecosistema de Ultralytics, los equipos de aprendizaje automático pueden evitar las complejidades de las bases de código de investigación sin procesar y centrarse directamente en crear aplicaciones de IA escalables para el mundo real.

Colaboradores

Comentarios

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