Por qué Ultralytics YOLO26 elimina NMS y cómo cambia la implementación

El 14 de enero lanzamos Ultralytics YOLO26, la última generación de nuestros modelos de visión por computador. Con YOLO26, nuestro objetivo no era solo mejorar la precisión o la velocidad, sino replantearnos cómo se crean y despliegan los modelos de detección de objetos en sistemas reales.

A medida que la visión por computador pasa de la investigación a la producción, cada vez se espera más que los modelos se ejecuten en CPU, dispositivos periféricos, cámaras, robots y hardware integrado. En estos entornos, la fiabilidad, la baja latencia y la facilidad de despliegue importan tanto como el rendimiento.

Ultralytics YOLO26 se diseñó teniendo en cuenta esta realidad, con una arquitectura optimizada de extremo a extremo que elimina la complejidad innecesaria de la canalización de inferencia. Una de las innovaciones más importantes de YOLO26 es la eliminación de la supresión de máximos no máximos, conocida habitualmente como NMS.

Durante años, NMS ha sido una parte estándar de los sistemas de detección de objetos, utilizada como paso de posprocesamiento para eliminar detecciones duplicadas. Aunque es eficaz, también introducía computación adicional y dificultades de despliegue, especialmente en hardware periférico.

Con YOLO26, adoptamos un enfoque diferente. Al replantearnos cómo se generan y entrenan las predicciones, hacemos posible una inferencia real de extremo a extremo y sin NMS. El modelo produce directamente las detecciones finales, sin depender de pasos externos de limpieza ni de reglas diseñadas manualmente. Esto hace que YOLO26 sea más rápido, facilita su exportación y ofrece un despliegue más fiable en una amplia variedad de plataformas de hardware.

Fig. 1. Detección de objetos en una imagen mediante Ultralytics YOLO26.

En este artículo analizaremos con más detalle por qué la detección de objetos tradicional dependía de NMS, cómo se convirtió en un cuello de botella para el despliegue y cómo Ultralytics YOLO26 elimina la necesidad de soluciones alternativas. ¡Empecemos!

La detección de objetos tradicional produce detecciones duplicadas#

Antes de profundizar en qué es NMS y por qué lo eliminamos en Ultralytics YOLO26, demos un paso atrás y veamos cómo los modelos tradicionales de detección de objetos generan sus predicciones.

Los modelos tradicionales de detección de objetos suelen producir varias cajas delimitadoras superpuestas para el mismo objeto. Cada una de estas cajas tiene su propia puntuación de confianza, aunque todas hagan referencia al mismo objeto de la imagen.

Esto ocurre por varios motivos. En primer lugar, el modelo realiza predicciones simultáneamente en muchas posiciones espaciales y a distintas escalas. Esto ayuda al modelo a detectar objetos de diferentes tamaños, pero también significa que varias posiciones cercanas pueden identificar el mismo objeto de forma independiente.

En segundo lugar, muchos sistemas de detección de objetos utilizan enfoques basados en anclajes, que generan un gran número de cajas candidatas alrededor de cada posición. Aunque esto aumenta las probabilidades de encontrar objetos con precisión, también incrementa el número de predicciones superpuestas.

Por último, la propia detección basada en cuadrícula conduce naturalmente a la redundancia. Cuando un objeto se encuentra cerca del límite de varias celdas de la cuadrícula, varias celdas pueden predecir una caja para ese objeto, lo que da lugar a múltiples detecciones superpuestas.

Por este motivo, la salida sin procesar del modelo suele contener varias cajas para un solo objeto. Para que los resultados sean utilizables, hay que filtrar estas predicciones redundantes para que solo quede una detección final.

Cómo funciona la supresión de máximos no máximos#

Cuando un modelo de detección de objetos produce varias cajas delimitadoras superpuestas para el mismo objeto, hay que limpiar esos resultados antes de poder utilizarlos. Aquí es donde se aplica la supresión de máximos no máximos.

La supresión de máximos no máximos es un paso de posprocesamiento que se ejecuta después de que el modelo haya terminado de realizar sus predicciones. Su objetivo es reducir las detecciones duplicadas para que cada objeto quede representado por una única caja delimitadora final.

Fig. 2. Visión general de NMS. Imagen del autor.

El proceso compara las cajas delimitadoras en función de sus puntuaciones de confianza y del grado de superposición. Primero se eliminan las predicciones con una confianza muy baja.

A continuación, las cajas restantes se ordenan por confianza y se selecciona la caja con la puntuación más alta como la mejor detección. Esa caja seleccionada se compara con las demás.

Si otra caja se superpone demasiado con ella, esa caja se suprime y se elimina. La superposición suele medirse mediante la intersección sobre la unión, una métrica que calcula la proporción entre el área compartida por dos cajas y el área total cubierta por ambas. El proceso se repite hasta que solo quedan las detecciones con mayor confianza y sin superposición.

Por qué NMS complica el despliegue#

Aunque la supresión de máximos no máximos ayuda a filtrar las detecciones duplicadas, también introduce dificultades que se hacen más visibles cuando los modelos pasan de la investigación al despliegue en el mundo real.

Uno de los problemas principales es el rendimiento. NMS se ejecuta después de la inferencia y requiere comparar entre sí las cajas delimitadoras para decidir cuáles conservar.

Este proceso es costoso desde el punto de vista computacional y difícil de paralelizar de forma eficiente. En dispositivos periféricos y sistemas basados en CPU, este trabajo adicional puede añadir una latencia apreciable, lo que dificulta cumplir los requisitos de tiempo real.

NMS también aumenta la complejidad del despliegue. Como no forma parte del propio modelo, debe implementarse por separado como código de posprocesamiento.

Los distintos entornos de ejecución y plataformas gestionan NMS de maneras diferentes, lo que suele implicar mantener implementaciones personalizadas para cada entorno de destino. Lo que funciona en una configuración puede comportarse de forma ligeramente distinta en otra, haciendo que el despliegue sea más frágil y difícil de escalar.

La optimización del hardware es otro desafío. NMS no se adapta bien a los aceleradores de IA especializados, que están diseñados para ejecutar operaciones de redes neuronales de forma eficiente. Como resultado, aunque el modelo se ejecute rápidamente en hardware optimizado, NMS puede convertirse en un cuello de botella que limite el rendimiento general.

Además de estos factores, NMS depende de parámetros seleccionados manualmente, como los umbrales de confianza y de superposición. Estos ajustes pueden afectar significativamente a los resultados y a menudo deben calibrarse para distintos conjuntos de datos, aplicaciones o tipos de hardware. Esto hace que el comportamiento sea menos predecible en los sistemas de producción y añade una sobrecarga de configuración adicional.

Explicación de la inferencia de detección de objetos de extremo a extremo#

Las limitaciones de la supresión de máximos no máximos nos llevaron a replantearnos cómo deberían comportarse los modelos de detección de objetos durante la inferencia. En lugar de generar muchas predicciones superpuestas y limpiarlas después, nos planteamos una pregunta más fundamental.

¿Y si el modelo pudiera producir directamente las detecciones finales? Esta pregunta constituye el núcleo de la inferencia de detección de objetos de extremo a extremo. En un sistema de extremo a extremo, el modelo se entrena para gestionar todo el proceso de detección de principio a fin, sin depender de pasos externos de limpieza.

En lugar de producir muchas cajas candidatas y filtrarlas después de la inferencia, el modelo aprende a generar por sí mismo un pequeño conjunto de predicciones con confianza y sin superposición. Las detecciones duplicadas se resuelven dentro de la red, en lugar de eliminarse mediante posprocesamiento.

Las arquitecturas de modelos más recientes demostraron que este enfoque era posible y práctico. Con la estrategia de entrenamiento adecuada, los modelos podían aprender a asociar cada objeto con una única predicción en lugar de con varias predicciones en competencia, reduciendo la redundancia desde su origen.

Fig. 3. Ejemplo de detección de objetos mediante Ultralytics YOLO26.

Para que esto funcione, el entrenamiento también debe cambiar. En lugar de permitir que muchas predicciones compitan por el mismo objeto, el modelo aprende a tomar una decisión clara, produciendo menos detecciones y con mayor confianza.

El resultado general es una canalización de inferencia más sencilla. Como los duplicados ya se resuelven internamente, no se necesita la supresión de máximos no máximos durante la inferencia. La salida del modelo ya es el conjunto final de detecciones.

Este diseño de extremo a extremo también facilita el despliegue. Sin pasos de posprocesamiento ni implementaciones de NMS específicas para cada plataforma, el modelo exportado es totalmente autónomo y se comporta de forma coherente en distintos frameworks de inferencia y objetivos de hardware.

Como explica nuestro Lead Partnership Engineer, Francesco Mattioli, «El aprendizaje real de extremo a extremo significa que el modelo debe gestionar todo, desde los píxeles hasta las predicciones, sin pasos de posprocesamiento diseñados manualmente que rompan la diferenciabilidad y compliquen el despliegue».

Cómo elimina NMS Ultralytics YOLO26#

Ultralytics YOLO26 elimina la supresión de máximos no máximos cambiando la forma en que se aprenden y producen las detecciones, en lugar de depender del posprocesamiento para limpiarlas. En vez de permitir que muchas predicciones compitan por el mismo objeto, YOLO26 se entrena para aprender una relación clara uno a uno entre los objetos y las salidas.

Esto es posible en parte gracias a la detección basada en consultas entrenables, que ayuda al modelo a centrarse en producir una única predicción con confianza para cada objeto, en lugar de muchas candidatas superpuestas. Cada objeto se asocia con una predicción, lo que reduce de forma natural las detecciones duplicadas.

Este comportamiento se refuerza mediante estrategias de correspondencia coherentes durante el entrenamiento, que animan al modelo a tomar una decisión con confianza por cada objeto en lugar de generar predicciones superpuestas. En última instancia, el modelo produce menos predicciones, pero cada una representa una detección final.

Por qué eliminar DFL hizo posible la detección sin NMS#

Otra innovación importante que permite la inferencia sin NMS en Ultralytics YOLO26 es la eliminación de Distribution Focal Loss, o DFL. En modelos YOLO anteriores, DFL se utilizaba para mejorar la regresión de las cajas delimitadoras prediciendo una distribución de posibles ubicaciones de la caja en lugar de un único valor.

Aunque este enfoque mejoraba la precisión de la localización, también añadía complejidad a la canalización de detección. Esa complejidad se convirtió en una limitación al avanzar hacia una inferencia real de extremo a extremo.

DFL introducía computación adicional y rangos de regresión fijos, lo que dificultaba que el modelo aprendiera asignaciones de objetos limpias y uno a uno, y aumentaba la dependencia de pasos de posprocesamiento como la supresión de máximos no máximos. Con Ultralytics YOLO26, eliminamos DFL y rediseñamos la regresión de las cajas delimitadoras para hacerla más sencilla y directa.

En lugar de depender de salidas basadas en distribuciones, el modelo aprende a predecir coordenadas precisas de las cajas de una forma que favorece un menor número de detecciones con mayor confianza. Este cambio ayuda a reducir las predicciones superpuestas desde su origen y alinea la regresión de las cajas delimitadoras con el diseño de extremo a extremo y sin NMS de Ultralytics YOLO26.

Ultralytics YOLO26 no necesita NMS y es fácil de desplegar#

Un diseño sin NMS convierte a Ultralytics YOLO26 en un modelo verdaderamente de extremo a extremo. Esto tiene un impacto importante en la exportación de modelos.

Exportar significa convertir un modelo entrenado a un formato que pueda ejecutarse fuera del entorno de entrenamiento, como ONNX, TensorRT, CoreML u OpenVINO. En las canalizaciones tradicionales, este proceso suele fallar porque la supresión de máximos no máximos no forma parte del propio modelo.

Al eliminar NMS, Ultralytics YOLO26 evita por completo este problema. El modelo exportado ya incluye todo lo necesario para producir las detecciones finales.

Esto hace que el modelo exportado sea totalmente autónomo y más portable entre frameworks de inferencia y objetivos de hardware. El mismo modelo se comporta de forma coherente tanto si se despliega en servidores como en sistemas que solo utilizan CPU, dispositivos integrados o aceleradores periféricos. El despliegue se vuelve más sencillo porque lo que exportas es exactamente lo que ejecutas.

Esta sencillez es especialmente importante para las aplicaciones periféricas. Por ejemplo, YOLO26 puede desplegarse fácilmente en dispositivos como drones para casos de uso como la supervisión de cultivos, la inspección de campos y el análisis de la salud de las plantas, donde las limitaciones de computación y energía hacen que las canalizaciones complejas de posprocesamiento no sean prácticas. Como el modelo produce directamente las detecciones finales, funciona de forma fiable en hardware ligero sin pasos de procesamiento adicionales.

Fig. 4. Ultralytics YOLO26 es fácil de desplegar en dispositivos periféricos como drones.

En resumen, la inferencia sin NMS elimina la fricción de la exportación y el despliegue, y permite crear sistemas de visión más limpios y fiables. NMS era una solución alternativa. Ultralytics YOLO26 ya no necesita soluciones alternativas.

Conclusiones clave#

Ultralytics YOLO26 elimina la supresión de máximos no máximos al resolver el problema subyacente de las detecciones duplicadas, en lugar de limpiarlas posteriormente. Su diseño de extremo a extremo permite que el modelo produzca directamente las detecciones finales, haciendo que la exportación y el despliegue sean más sencillos y coherentes en distintos tipos de hardware. NMS era una solución alternativa útil para los sistemas anteriores, pero YOLO26 ya no la necesita.

Únete a nuestra comunidad y consulta nuestro repositorio de GitHub para obtener más información sobre la IA. Explora nuestras páginas de soluciones sobre IA en la agricultura y visión por computador en el comercio minorista. Descubre nuestras opciones de licencia y empieza hoy mismo a utilizar la IA de visión.