¡Momentos destacados de Ultralytics en YOLO Vision 2025 Shenzhen!

El 26 de octubre, YOLO Vision 2025 (YV25) debutó en China en el edificio B10 del parque cultural y creativo OCT de Shenzhen. El evento híbrido de IA visual de Ultralytics reunió a más de 200 asistentes en persona y a muchos más en línea a través de YouTube y Bilibili.

La retransmisión en directo de YV25 Shenzhen ya ha superado las 3500 visualizaciones en YouTube y sigue despertando interés a medida que se comparten los momentos destacados del evento en toda la comunidad. Fue una jornada repleta de ideas, conversaciones y experiencias prácticas para explorar el futuro de la IA visual.

La jornada comenzó con una cálida bienvenida de nuestra presentadora, Huang Xueying, que invitó a todos a conectar, aprender y participar en los debates a lo largo del evento. Explicó que era el segundo YOLO Vision del año, después de la edición de Londres en septiembre, y comentó lo emocionante que era volver a reunir aquí, en Shenzhen, a la comunidad de IA visual.

En este artículo repasaremos los momentos más destacados de la jornada, incluidas las actualizaciones de los modelos, las sesiones de los ponentes, las demostraciones en directo y los momentos de comunidad que reunieron a todo el mundo.

La trayectoria de los modelos Ultralytics YOLO hasta la fecha#

La primera ponencia magistral de la jornada corrió a cargo de Glenn Jocher, fundador y director ejecutivo de Ultralytics, quien explicó cómo los modelos Ultralytics YOLO han pasado de ser un avance de investigación a convertirse en algunos de los modelos de IA visual más utilizados del mundo. Glenn explicó que sus primeros trabajos se centraron en facilitar el uso de YOLO.

Adaptó los modelos a PyTorch, mejoró la documentación y lo compartió todo abiertamente para que desarrolladores de todo el mundo pudieran seguir trabajando a partir de ello. Como recordó: «Me lancé de lleno en 2018. Decidí que este era mi futuro». Lo que empezó como un proyecto personal se convirtió rápidamente en un movimiento mundial de código abierto.

Fig. 1. Glenn Jocher hablando en el escenario de YOLO Vision 2025 Shenzhen.

Hoy, los modelos Ultralytics YOLO procesan miles de millones de inferencias cada día, y Glenn destacó que esta escala solo fue posible gracias a las personas que contribuyeron a desarrollarlos. Investigadores, ingenieros, estudiantes, aficionados y colaboradores de código abierto de todo el mundo han dado forma al YOLO que conocemos hoy.

Como dijo Glenn: «Hay casi mil [colaboradores] ahí fuera y estamos muy agradecidos. No estaríamos donde estamos hoy sin estas personas».

Novedades de Ultralytics YOLO26#

La primera presentación de Ultralytics YOLO26 tuvo lugar a principios de este año en el evento YOLO Vision 2025 London, donde se presentó como el siguiente gran paso adelante de la familia de modelos Ultralytics YOLO. En YV25 Shenzhen, Glenn informó sobre los avances desde aquel anuncio y ofreció a la comunidad de IA una visión más detallada de la evolución del modelo.

Ultralytics YOLO26 está diseñado para ser más pequeño, rápido y preciso, sin dejar de ser práctico para su uso en el mundo real. Glenn explicó que el equipo ha dedicado el último año a perfeccionar la arquitectura, evaluar el rendimiento en distintos dispositivos e incorporar conclusiones de la investigación y los comentarios de la comunidad. El objetivo es ofrecer un rendimiento de vanguardia sin dificultar la implementación de los modelos.

Qué puedes esperar de Ultralytics YOLO26#

Una de las principales novedades que destacó Glenn es que Ultralytics YOLO26 se acompaña de una campaña específica de ajuste de hiperparámetros, que cambia el enfoque de entrenar completamente desde cero a ajustar modelos con conjuntos de datos más grandes. Explicó que este enfoque encaja mucho mejor con los casos de uso del mundo real.

Estas son algunas de las otras mejoras importantes presentadas en el evento:

• Arquitectura simplificada: Se ha eliminado la capa Distribution Focal Loss (DFL). Esto hace que los modelos sean más sencillos y rápidos de ejecutar, sin perder precisión.
• Compatibilidad con la inferencia de extremo a extremo: Ultralytics YOLO26 es nativamente de extremo a extremo, lo que significa que puede ejecutarse sin una capa NMS independiente. Esto facilita mucho la exportación a formatos como ONNX y TensorRT, así como el despliegue en hardware de borde.
• Mejor rendimiento con objetos pequeños: Las estrategias de pérdida actualizadas ayudan al modelo a detectar objetos diminutos con mayor fiabilidad, un reto persistente en visión artificial.
• Un nuevo optimizador híbrido: YOLO26 incluye un nuevo optimizador inspirado en investigaciones recientes sobre el entrenamiento de modelos de lenguaje grandes, que mejora la precisión del modelo y ahora viene integrado directamente en el paquete Ultralytics Python.

Ultralytics YOLO26 es el siguiente paso hacia una IA visual práctica#

En conjunto, estas mejoras dan lugar a modelos hasta un 43 % más rápidos en CPU y más precisos que Ultralytics YOLO11, lo que hace que YOLO26 sea especialmente útil en dispositivos integrados, robótica y sistemas perimetrales.

Ultralytics YOLO26 admitirá las mismas tareas y tamaños de modelo disponibles actualmente en YOLO11, lo que dará lugar a 25 variantes de modelos en toda la familia. Esto incluye modelos de detección, segmentación, clasificación, estimación de poses y cajas delimitadoras orientadas, desde nano hasta extragrande.

El equipo también está trabajando en cinco variantes que admiten instrucciones. Estos modelos pueden recibir una instrucción de texto y devolver cuadros delimitadores directamente, sin necesidad de entrenamiento.

Es un primer paso hacia flujos de trabajo de visión más flexibles y basados en instrucciones, que resultan más fáciles de adaptar a distintos casos de uso. Los modelos Ultralytics YOLO26 siguen en desarrollo activo, pero los primeros resultados de rendimiento son prometedores y el equipo trabaja para publicarlos pronto. (Actualización: Ultralytics YOLO26 ya se ha publicado.)

Un vistazo a Ultralytics Platform#

Tras la actualización sobre YOLO26, Glenn dio la bienvenida a Prateek Bhatnagar, nuestro responsable de Ingeniería de Producto, para que hiciera una demostración en directo de la plataforma Ultralytics. Esta plataforma se está desarrollando para reunir partes clave del flujo de trabajo de visión artificial, como explorar conjuntos de datos, anotar imágenes, entrenar modelos y comparar resultados.

Fig. 2. Prateek Bhatnagar presenta Ultralytics Platform.

Prateek señaló que la plataforma mantiene las raíces de código abierto de Ultralytics e incorpora dos espacios comunitarios: una comunidad de conjuntos de datos y otra de proyectos, donde los desarrolladores pueden contribuir, reutilizar y mejorar el trabajo de los demás. Durante la demostración, presentó la anotación asistida por IA, el entrenamiento sencillo en la nube y la posibilidad de ajustar modelos directamente desde la comunidad, sin necesidad de recursos de GPU locales.

La plataforma está actualmente en desarrollo (desde entonces, se ha lanzado). Prateek animó al público a estar pendiente de los anuncios y señaló que el equipo está creciendo en China para respaldar el lanzamiento.

Las voces detrás de YOLO: el panel de autores#

Con el entusiasmo en aumento, el evento dio paso a un debate con varios investigadores responsables de distintos modelos YOLO. En el panel participaron Glenn Jocher, junto con Jing Qiu, nuestro ingeniero sénior de aprendizaje automático; Chen Hui, ingeniero de aprendizaje automático en Meta y uno de los autores de YOLOv10; y Bo Zhang, estratega de algoritmos en Meituan y uno de los autores de YOLOv6.

Fig. 3. Un panel sobre el desarrollo de modelos YOLO con Huang Xueying, Chen Hui, Bo Zhang, Jing Qiu y Glenn Jocher.

El debate se centró en cómo YOLO sigue evolucionando gracias a su uso en entornos reales. Los ponentes comentaron que el progreso suele estar impulsado por los retos prácticos de la implementación, como ejecutar modelos de forma eficiente en dispositivos periféricos, mejorar la detección de objetos pequeños y simplificar la exportación de modelos.

En lugar de perseguir únicamente la precisión, el panel destacó la importancia de equilibrar la velocidad, la facilidad de uso y la fiabilidad en entornos de producción. Otro punto en común fue el valor de la iteración y los comentarios de la comunidad.

Estas son algunas otras ideas interesantes que surgieron en la conversación:

• La detección de vocabulario abierto gana terreno en el ecosistema YOLO: Los modelos más recientes muestran cómo la alineación entre visión y lenguaje, junto con flujos de trabajo basados en instrucciones, permite detectar objetos más allá de las categorías predefinidas.
• La atención ligera está en auge: El panel debatió cómo el uso de mecanismos de atención eficientes, en lugar de aplicar atención completa en todas partes, puede mejorar la precisión y mantener una inferencia lo bastante ligera para los dispositivos periféricos.
• Itera pronto y con frecuencia junto a la comunidad: Los participantes del panel defendieron una mentalidad de desarrollo, prueba y mejora, en la que publicar modelos antes y aprender de los usuarios genera mejores resultados que los largos ciclos de desarrollo privados.

Líderes de opinión que definen el futuro de la IA y la visión artificial#

A continuación, veremos más de cerca algunas de las ponencias principales de YV25 Shenzhen, donde líderes de la comunidad de IA compartieron cómo evoluciona la IA visual, desde los humanos digitales y la robótica hasta el razonamiento multimodal y la implementación eficiente en dispositivos periféricos.

Enseñar a la IA a comprender la experiencia humana#

En una sesión muy interesante, el Dr. Peng Zhang, de Alibaba Qwen Lab, explicó cómo su equipo desarrolla grandes modelos de vídeo capaces de generar humanos digitales expresivos con movimientos y control más naturales. Presentó Wan S2V y Wan Animate, que utilizan referencias de audio o movimiento para producir habla, gestos y animaciones realistas, y que abordan las limitaciones de la generación basada únicamente en texto.

Fig. 4. Peng Zhang explica cómo los grandes modelos de vídeo pueden impulsar los humanos digitales.

El Dr. Zhang también habló de los avances hacia avatares interactivos en tiempo real, como la clonación zero-shot de la apariencia y el movimiento, y los modelos ligeros que pueden animar un rostro directamente a partir de una señal de cámara en directo. Esto acerca los humanos digitales realistas a una ejecución fluida en dispositivos cotidianos.

De la percepción a la acción: la era de la inteligencia corporeizada#

Uno de los temas clave de YV25 Shenzhen fue el paso de los modelos de visión que simplemente observan el mundo a sistemas capaces de actuar en él. En otras palabras, la percepción ya no es el final del proceso, sino que se está convirtiendo en el comienzo de la acción.

Por ejemplo, en su ponencia principal, Hu Chunxu, de D-Robotics, explicó cómo sus kits de desarrollo y soluciones SoC (sistema en chip) integran la percepción, el control del movimiento en tiempo real y la toma de decisiones en una plataforma unificada de hardware y software. Al tratar la percepción y la acción como un ciclo continuo de retroalimentación, en lugar de como etapas separadas, su enfoque permite crear robots capaces de moverse, adaptarse e interactuar de forma más fiable en entornos reales.

Fig. 5. Demostración de D-Robotics en YOLO Vision 2025, en Shenzhen (China).

Alex Zhang, de Baidu Paddle, reiteró esta idea en su charla y explicó cómo YOLO y PaddleOCR colaboran para detectar objetos e interpretar después el texto y la estructura que los rodean. Esto permite a los sistemas convertir imágenes y documentos en información estructurada y práctica para tareas como la logística, las inspecciones y el procesamiento automatizado.

Inteligencia en el borde: IA eficiente para todos los dispositivos#

Otro tema interesante de YV25 Shenzhen fue cómo la IA visual está ganando eficiencia y capacidad en los dispositivos de borde.

Paul Jung, de DEEPX, habló sobre la implementación de modelos YOLO directamente en hardware integrado, reduciendo la dependencia de la nube. Al centrarse en el bajo consumo energético, la inferencia optimizada y el ajuste de modelos teniendo en cuenta el hardware, DEEPX permite la percepción en tiempo real para drones, robots móviles y sistemas industriales que operan en entornos dinámicos.

Por su parte, Liu Lingfei, de Moore Threads, explicó cómo la plataforma Moore Threads E300 integra la computación de la unidad central de procesamiento (CPU), la unidad de procesamiento gráfico (GPU) y la unidad de procesamiento neuronal (NPU) para ofrecer inferencia visual de alta velocidad en dispositivos compactos.

La plataforma puede ejecutar varios flujos de YOLO con altas tasas de fotogramas, y su cadena de herramientas simplifica pasos como la cuantización, la compilación estática y el ajuste del rendimiento. Moore Threads también ha publicado como código abierto un amplio conjunto de modelos de visión artificial y ejemplos de implementación para facilitar el acceso a los desarrolladores.

Combinar visión y lenguaje para crear sistemas de IA más inteligentes#

Hasta hace poco, crear un único modelo capaz de comprender imágenes e interpretar lenguaje requería grandes arquitecturas Transformer, cuyo coste de ejecución era elevado. En YV25 Shenzhen, Yue Ziyin, de Yuanshi Intelligence, presentó RWKV, una arquitectura que combina las capacidades de razonamiento con contextos largos de los Transformer con la eficiencia de los modelos recurrentes.

Explicó cómo Vision-RWKV aplica este diseño a la visión artificial procesando imágenes de forma que el coste aumenta linealmente con la resolución. Esto lo hace adecuado para entradas de alta resolución y para dispositivos periféricos con recursos computacionales limitados.

Yue también mostró cómo se utiliza RWKV en sistemas de visión y lenguaje, donde las características de las imágenes se combinan con la comprensión del texto para ir más allá de la detección de objetos e interpretar escenas, documentos y contextos del mundo real.

Fig. 6. Yue Ziyin habla sobre las aplicaciones de RWKV.

Puestos y demostraciones en directo que dieron vida a la IA visual#

Mientras que las charlas del escenario se centraban en el futuro de la IA visual, los puestos mostraban cómo se utiliza ya en la actualidad. Los asistentes pudieron ver modelos en funcionamiento, comparar opciones de hardware y hablar directamente con los equipos que desarrollan estos sistemas.

Este es un adelanto de la tecnología que se mostró:

• Plataformas para desarrolladores y prototipos: Seeed, M5Stack e Infermove presentaron placas de desarrollo compactas y kits de iniciación que facilitan la experimentación con aplicaciones basadas en YOLO y permiten pasar rápidamente de las ideas a las demostraciones funcionales.
• Hardware periférico de alto rendimiento: Hailo, DEEPX, Intel y Moore Threads mostraron chips y módulos diseñados para ofrecer una inferencia rápida y eficiente.
• Flujos de trabajo de visión y lenguaje: Baidu Paddle y RWKV destacaron pilas de software capaces de detectar objetos, así como de leer, interpretar y razonar sobre lo que aparece en una imagen o un documento.
• Herramientas de código abierto y para la comunidad: Ultralytics y Datawhale interactuaron con los desarrolladores mediante demostraciones en directo de modelos, consejos de entrenamiento y orientación práctica, y recalcaron cómo compartir conocimientos acelera la innovación.

Fig. 7. Una imagen del puesto de M5Stack en YV25 Shenzhen.

Conectar con la comunidad de IA visual#

Además de toda la emocionante tecnología, una de las mejores cosas de YV25 Shenzhen fue volver a reunir en persona a la comunidad de visión artificial y al equipo de Ultralytics. A lo largo del día, la gente se congregó alrededor de las demostraciones, compartió ideas durante las pausas para el café y siguió conversando mucho después de que terminaran las charlas.

Investigadores, ingenieros, estudiantes y creadores intercambiaron ideas, hicieron preguntas y compartieron experiencias del mundo real, desde la implementación hasta el entrenamiento de modelos. Además, gracias a Cinco Jotas, de Grupo Osborne, llevamos al evento un toque de cultura española con jamón recién cortado, creando un cálido momento de conexión. Un lugar precioso, un público entusiasta y una sensación compartida de impulso hicieron que el día fuera realmente especial.

Conclusiones clave#

Desde inspiradoras ponencias principales hasta demostraciones prácticas, YOLO Vision 2025 Shenzhen reflejó el espíritu innovador que define a la comunidad de Ultralytics. A lo largo del día, ponentes y asistentes intercambiaron ideas, exploraron nuevas tecnologías y conectaron gracias a una visión compartida del futuro de la IA. Juntos, se marcharon llenos de energía y preparados para lo que viene con Ultralytics YOLO.

Reimagina lo que es posible con la IA y la visión artificial. Únete a nuestra comunidad y visita nuestro repositorio de GitHub para descubrir más. Infórmate sobre aplicaciones como la visión artificial en la agricultura y la IA en el comercio minorista. Explora nuestras opciones de licencia y empieza hoy mismo a trabajar con visión artificial.