Conoce Ultralytics YOLO26: un modelo YOLO mejor, más rápido y más pequeño

El 25 de septiembre, en nuestro evento híbrido anual, YOLO Vision 2025 (YV25) en Londres, Glenn Jocher, nuestro fundador y CEO, anunció oficialmente el último avance en la serie de modelos Ultralytics YOLO: ¡Ultralytics YOLO26! Nuestro nuevo modelo de visión artificial, YOLO26, puede analizar e interpretar imágenes y vídeo con una arquitectura optimizada que equilibra velocidad, precisión y facilidad de despliegue.

Aunque Ultralytics YOLO26 simplifica aspectos del diseño del modelo y añade nuevas mejoras, también sigue ofreciendo las funciones familiares que los usuarios esperan de los modelos Ultralytics YOLO. Por ejemplo, Ultralytics YOLO26 es fácil de usar, admite una gama de tareas de visión artificial y proporciona opciones flexibles de integración y despliegue.

No hace falta decir que esto hace que cambiar al uso de Ultralytics YOLO26 sea sencillo, y estamos deseando ver a los usuarios experimentándolo por sí mismos cuando esté disponible públicamente a finales de octubre.

Fig 1. Un ejemplo de cómo usar YOLO26 para detectar objetos en una imagen.

En pocas palabras, Ultralytics YOLO26 es un modelo de IA de visión mejor, más rápido y más pequeño. En este artículo, exploraremos las características clave de Ultralytics YOLO26 y lo que aporta. ¡Empecemos!

Link to this sectionAmpliando los límites de la IA de visión con Ultralytics YOLO26#

Antes de profundizar en las características clave de Ultralytics YOLO26 y las aplicaciones que hace posibles, demos un paso atrás y hablemos de la inspiración y motivación que impulsaron el desarrollo de este modelo.

En Ultralytics, siempre hemos creído en el poder de la innovación. Desde el principio, nuestra misión ha sido doble. Por un lado, queremos hacer que la IA de visión sea accesible para que cualquiera pueda usarla sin barreras. Por otro lado, estamos igualmente comprometidos a mantenerla a la vanguardia, ampliando los límites de lo que los modelos de visión artificial pueden lograr.

Un factor clave detrás de esta misión es que el espacio de la IA siempre está evolucionando. Por ejemplo, la IA en el borde (edge AI), que consiste en ejecutar modelos de IA directamente en los dispositivos en lugar de depender de la nube, se está adoptando rápidamente en todos los sectores.

Desde cámaras inteligentes hasta sistemas autónomos, ahora se espera que los dispositivos en el borde procesen información en tiempo real. Este cambio exige modelos que sean más ligeros y rápidos, sin dejar de ofrecer el mismo alto nivel de precisión.

Es por eso que existe una necesidad constante de seguir mejorando nuestros modelos Ultralytics YOLO. Como dice Glenn Jocher: "Uno de los mayores retos fue asegurarse de que los usuarios puedan aprovechar al máximo YOLO26 mientras se ofrece un rendimiento superior".

Link to this sectionUna visión general de Ultralytics YOLO26#

YOLO26 está disponible listo para usar en cinco variantes de modelo diferentes, dándote la flexibilidad de aprovechar sus capacidades en aplicaciones de cualquier escala. Todas estas variantes de modelo admiten múltiples tareas de visión artificial, al igual que los modelos Ultralytics YOLO anteriores. Esto significa que, independientemente del tamaño que elijas, puedes confiar en YOLO26 para ofrecer una amplia gama de capacidades, al igual que Ultralytics YOLO11.

Aquí tienes una visión general de las tareas de visión artificial admitidas por YOLO26:

• Detección de objetos: YOLO26 puede identificar y localizar múltiples objetos dentro de una imagen o fotograma de vídeo.
• Segmentación de instancias: Yendo un paso más allá de la detección, YOLO26 puede generar bordes perfectos a nivel de píxel alrededor de cada objeto que identifica.
• Clasificación de imágenes: El modelo puede analizar una imagen completa y asignarla a una categoría o etiqueta específica.
• Estimación de poses: YOLO26 puede detectar puntos clave y estimar poses tanto de humanos como de otros objetos.
• Cajas delimitadoras orientadas (OBB): El modelo puede detectar objetos en cualquier ángulo, lo que es especialmente útil para imágenes aéreas, de drones y satelitales, donde elementos como edificios, vehículos o cultivos pueden no estar alineados con el marco de la imagen.
• Seguimiento de objetos: YOLO26 se puede utilizar para realizar un seguimiento de objetos a través de fotogramas de vídeo o flujos en tiempo real.

Fig 2. Detección de objetos en una imagen usando YOLO26.

Link to this sectionUn vistazo a la arquitectura de YOLO26#

Ahora que entendemos mejor de qué es capaz YOLO26, repasemos algunas de las innovaciones en su arquitectura.

El diseño del modelo se ha optimizado eliminando el módulo Distribution Focal Loss (DFL), que anteriormente ralentizaba la inferencia y limitaba la regresión de la caja delimitadora.

El proceso de predicción también se ha simplificado con una opción de inferencia de extremo a extremo (E2E), que permite al modelo saltarse el paso tradicional de Non-Maximum Suppression (NMS). Esta mejora reduce la complejidad y permite que el modelo entregue resultados más rápidamente, haciendo que el despliegue sea más fácil en aplicaciones del mundo real.

Otras mejoras hacen que el modelo sea más inteligente y fiable. Progressive Loss Balancing (ProgLoss) ayuda a estabilizar el entrenamiento y mejorar la precisión, mientras que Small-Target-Aware Label Assignment (STAL) asegura que el modelo detecte objetos pequeños de manera más efectiva. Además de eso, un nuevo optimizador MuSGD mejora la convergencia del entrenamiento y aumenta el rendimiento general.

De hecho, la versión más pequeña de YOLO26, el modelo nano, ahora se ejecuta hasta un 43% más rápido en CPUs estándar, lo que lo hace especialmente adecuado para aplicaciones móviles, cámaras inteligentes y otros dispositivos en el borde donde la velocidad y la eficiencia son críticas. Aquí tienes un rápido resumen de las características de YOLO26 y lo que los usuarios pueden esperar:

• Eliminación de DFL: Eliminamos el módulo Distribution Focal Loss de la arquitectura del modelo. Independientemente de los tamaños de los objetos en una imagen, YOLO26 puede colocar cajas delimitadoras personalizadas mientras funciona de manera más eficiente.
• Inferencia de extremo a extremo sin NMS: YOLO26 añade un modo opcional que no necesita Non-Maximum Suppression (NMS), un paso normalmente utilizado para eliminar predicciones duplicadas, haciendo que el despliegue sea más sencillo y rápido para su uso en tiempo real.
• ProgLoss y STAL: Estas mejoras hacen que el entrenamiento sea más estable y aumentan significativamente la precisión, especialmente para detectar objetos pequeños en escenas complejas.
• Optimizador MuSGD: YOLO26 utiliza un nuevo optimizador que combina las fortalezas de dos optimizadores de entrenamiento (Muon y SGD), ayudando al modelo a aprender más rápido y alcanzar una mayor precisión.

Fig 3. Evaluación comparativa de YOLO26.

Link to this sectionSimplificando el despliegue con Ultralytics YOLO26#

Tanto si trabajas en aplicaciones móviles, cámaras inteligentes o sistemas empresariales, desplegar YOLO26 es simple y flexible. El paquete de Python de Ultralytics admite un número constantemente creciente de formatos de exportación, lo que facilita la integración de YOLO26 en flujos de trabajo existentes y lo hace compatible con casi cualquier plataforma.

Algunas de las opciones de exportación incluyen TensorRT para la máxima aceleración de GPU, ONNX para una amplia compatibilidad, CoreML para aplicaciones nativas de iOS, TFLite para Android y dispositivos en el borde, y OpenVINO para un rendimiento optimizado en hardware Intel. Esta flexibilidad hace que sea directo llevar YOLO26 del desarrollo a la producción sin obstáculos adicionales.

Otra parte crucial del despliegue es asegurarse de que los modelos se ejecuten de manera eficiente en dispositivos con recursos limitados. Aquí es donde entra en juego la cuantización. Gracias a su arquitectura simplificada, YOLO26 maneja esto excepcionalmente bien. Admite despliegue INT8 (usando compresión de 8 bits para reducir el tamaño y mejorar la velocidad con una pérdida mínima de precisión), así como media precisión (FP16) para una inferencia más rápida en hardware compatible.

Más importante aún, YOLO26 ofrece un rendimiento constante en estos niveles de cuantización, por lo que puedes confiar en él tanto si se ejecuta en un servidor potente como en un dispositivo compacto en el borde.

Link to this sectionDe la robótica a la fabricación: Casos de uso de YOLO26#

YOLO26 se puede utilizar en una amplia variedad de aplicaciones de visión artificial en muchos sectores y casos de uso diferentes. Desde la robótica hasta la fabricación, puede tener un impacto significativo mejorando los flujos de trabajo y permitiendo una toma de decisiones más rápida y precisa.

Por ejemplo, un buen ejemplo es la robótica, donde YOLO26 puede ayudar a los robots a interpretar su entorno en tiempo real. Esto hace que la navegación sea más fluida y el manejo de objetos sea más preciso. También permite una colaboración más segura con las personas.

Otro ejemplo es la fabricación, donde el modelo se puede utilizar para la detección de defectos. Puede identificar automáticamente fallos en las líneas de producción de manera más rápida y precisa que la inspección manual.

Fig 4. Detección de botellas en una fábrica utilizando YOLO26.

En general, debido a que YOLO26 es mejor, más rápido y más ligero, se adapta fácilmente a una amplia gama de entornos, desde dispositivos ligeros en el borde hasta grandes sistemas empresariales. Esto lo convierte en una opción práctica para las industrias que buscan mejorar la eficiencia, la precisión y la fiabilidad.

Link to this sectionConclusiones clave#

Ultralytics YOLO26 es un modelo de visión artificial que es mejor, más rápido y más ligero, a la vez que sigue siendo fácil de usar y ofrece un rendimiento sólido. Funciona en una amplia gama de tareas y plataformas y estará disponible para todos a finales de octubre. Estamos deseando ver cómo la comunidad lo utiliza para crear nuevas soluciones y ampliar los límites de la visión artificial.

¡Únete a nuestra creciente comunidad! Explora nuestro repositorio de GitHub para aprender más sobre IA. Descubre innovaciones como visión artificial en el comercio minorista y IA en la industria automotriz visitando nuestras páginas de soluciones. Para empezar a crear con visión artificial hoy mismo, echa un vistazo a nuestras opciones de licencia.