Multiscale Real-Time Object Detection in the NMS-Free Era: A Comparative Performance Evaluation of YOLOv8 and YOLO26

Resumen Técnico: Detección de Objetos en Tiempo Real Multiescala en la Era Libre de NMS

Enunciado del Problema
Las pipelines de detección de objetos en tiempo real han dependido durante mucho tiempo de la Supresión de Máximos (NMS) como un paso crítico de post-procesamiento para filtrar predicciones redundantes de cajas delimitadoras. Aunque es efectiva para la deduplicación, la NMS introduce tres limitaciones principales: (1) variabilidad de latencia que escala con la densidad de la escena, interrumpiendo la ejecución síncrona en hardware de borde; (2) sensibilidad a hiperparámetros que requiere un ajuste manual de los umbrales de Intersección sobre Unión (IoU) por cada despliegue; y (3) incompatibilidad con aceleradores de aritmética entera, donde el filtrado secuencial interrumpe los gráficos de ejecución paralela.

Aunque arquitecturas recientes como YOLO26 (introducida por Ultralytics a principios de 2026) proponen diseños nativos de extremo a extremo, libres de NMS, para resolver estos problemas, su rendimiento empírico en comparación con modelos establecidos basados en NMS como YOLOv8 sigue siendo poco explorado. Los puntos de referencia existentes, principalmente MS COCO, enfatizan objetos de tamaño mediano a grande y no logran someter a prueba modos de fallo específicos, como la fidelidad de objetos pequeños en vigilancia aérea o la generalización a través de taxonomías heredadas.

Metodología
Este estudio realiza una evaluación comparativa exhaustiva de YOLOv8 y YOLO26 en cinco escalas de modelo (nano, pequeña, mediana, grande y extra-grande). La evaluación utiliza dos conjuntos de datos distintos para someter a prueba diferentes capacidades de detección:

• Pascal VOC: Un punto de referencia fundamental para la detección general de objetos con instancias relativamente grandes y bien centradas.
• VisDrone2019-DET: Un conjunto de datos capturado por UAV caracterizado por escenas densas y desafíos severos de objetos pequeños (el 75% de los objetos ocupa <2,000 píxeles).

La metodología implica entrenar y ajustar finamente ambas familias de modelos en estos conjuntos de datos utilizando configuraciones idénticas (entrada de 640×640, tamaño de lote 16, 100 épocas) en una GPU NVIDIA RTX 6000 Ada. El rendimiento se evalúa mediante:

1. Precisión de Detección: Precisión, Recall, puntuación F1, mAP@50 y mAP@50:95.
2. Eficiencia Computacional: Tamaño del modelo, recuento de parámetros, GFLOPs y latencia de CPU/GPU.
3. Análisis Arquitectónico: Una comparación lado a lado de funciones de pérdida, estrategias de asignación de etiquetas y pipelines de post-procesamiento.

Diferencias Arquitectónicas Clave
El artículo destaca divergencias fundamentales entre las dos familias de modelos:

• YOLOv8: Utiliza una cabeza desacoplada con Pérdida Focal de Distribución (DFL) para la regresión de cajas delimitadoras y depende de NMS para el post-procesamiento. Emplea Aprendizaje de Alineación de Tareas (TAL) para la asignación de etiquetas.
• YOLO26: Adopta una arquitectura nativa de extremo a extremo que elimina NMS y DFL. Las innovaciones clave incluyen:
  • Asignación de Etiquetas Uno a Uno: Impone predicciones deterministas y no redundantes sin post-procesamiento.
  • Regresión Directa: Reemplaza DFL con regresión directa de coordenadas para reducir la sobrecarga de cuantización en hardware de borde.
  • Asignación de Etiquetas Consciente de Objetivos Pequeños (STAL): Un criterio de asignación dinámica que reduce el umbral de IoU para objetos diminutos para evitar el desvanecimiento del gradiente.
  • Equilibrio de Pérdida Progresiva (ProgLoss): Una estrategia de modulación de pérdida dependiente del tiempo que desplaza el enfoque desde el aprendizaje semántico hacia la precisión geométrica durante el entrenamiento.
  • Optimizador MuSGD: Una variante de optimizador normalizada espectralmente diseñada para estabilizar espaldas ligeras.

Resultados Clave

• Rendimiento en Pascal VOC: YOLO26 demuestra una ventaja consistente sobre YOLOv8 en la mayoría de las escalas, logrando mayor precisión, recall, puntuaciones F1 y métricas mAP. La variante YOLO26-extra-grande (x) logra la mayor precisión general, aunque la ganancia marginal sobre la variante grande (l) sugiere rendimientos decrecientes en la escala más alta.
• Rendimiento en VisDrone: Ambos modelos luchan significativamente en el conjunto de datos VisDrone debido a objetivos pequeños densos. Aunque YOLO26 aún logra las puntuaciones más altas en la escala extra-grande, la brecha de rendimiento entre YOLO26 y YOLOv8 se reduce considerablemente en comparación con Pascal VOC. Ambas arquitecturas enfrentan desafíos en la localización precisa de objetos pequeños aéreos.
• Eficiencia y Latencia:
  • Complejidad del Modelo: YOLO26 generalmente exhibe menores recuentos de parámetros, tamaños de modelo más pequeños y GFLOPs reducidos en comparación con las escalas equivalentes de YOLOv8.
  • Latencia: Contrario a la suposición de que los diseños libres de NMS ofrecen universalmente menor latencia, YOLOv8 sigue siendo competitivo y, en algunos casos, más rápido, en hardware GPU en escalas comparables. En CPU, la latencia aumenta bruscamente para ambas familias a medida que crece la escala.
  • Despliegue: La eliminación de DFL en YOLO26 se señala como beneficiosa para la cuantización INT8 y el despliegue en el borde, reduciendo la diversidad de operadores y la sobrecarga de inferencia.

Significado y Afirmaciones
El artículo afirma que la selección de detectores no está determinada únicamente por la novedad arquitectónica, sino que depende en gran medida de las características del conjunto de datos, la escala de los objetos y las limitaciones de hardware.

• Superioridad Contextual: YOLO26 ofrece un rendimiento superior y compacidad del modelo para la detección general de objetos (Pascal VOC) y escenarios de despliegue en el borde que requieren latencia determinista.
• Limitaciones de los Diseños Libres de NMS: El estudio desafía la suposición de que las arquitecturas más nuevas dominan universalmente a sus predecesoras. Específicamente, el diseño libre de NMS no garantiza una superioridad universal de despliegue, particularmente en entornos limitados por GPU donde YOLOv8 sigue siendo competitivo.
• Desafíos de Objetos Pequeños: Los resultados subrayan que incluso las arquitecturas libres de NMS más avanzadas luchan con la detección densa de objetos pequeños en imágenes aéreas, lo que indica que los cambios arquitectónicos por sí solos pueden no resolver completamente el problema de los "objetos pequeños" sin una optimización específica del conjunto de datos adicional.

El estudio concluye que, aunque YOLO26 representa una alternativa sólida a YOLOv8, particularmente para restricciones de precisión y tamaño de modelo, la elección óptima para el despliegue en el mundo real requiere una evaluación matizada de la distribución de datos específica y el entorno de hardware.