🤖 AI

Ultralytics YOLO26: Unified Real-Time End-to-End Vision Models

Ultralytics YOLO26 introduce una familia unificada de modelos de visión en tiempo real de extremo a extremo que elimina la supresión de no máximo y la Pérdida Focal de Distribución mediante una arquitectura de doble cabeza y estrategias de entrenamiento avanzadas, logrando un rendimiento de precisión-latencia de vanguardia en múltiples tareas, incluyendo detección, segmentación, estimación de pose e inferencia de vocabulario abierto.

Autores originales: Glenn Jocher, Jing Qiu, Mengyu Liu, Shuai Lyu, Fatih Cagatay Akyon, Muhammet Esat Kalfaoglu

Publicado 2026-06-03

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Glenn Jocher, Jing Qiu, Mengyu Liu, Shuai Lyu, Fatih Cagatay Akyon, Muhammet Esat Kalfaoglu

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que tienes a un guardia de seguridad superrápido cuyo trabajo es detectar objetos en una transmisión de video en tiempo real. Durante años, los mejores guardias (llamados modelos "YOLO") han sido excelentes, pero tenían algunos hábitos molestos: necesitaban un paso de "doble verificación" lento después de detectar algo, cargaban con mochilas pesadas de datos extra que los ralentizaban y a menudo perdían objetos diminutos y distantes porque sus reglas de entrenamiento eran demasiado estrictas.

El artículo presenta a YOLO26, una nueva generación de estos guardias de visión diseñados para ser más rápidos, ligeros y agudos que nunca. Así es como solucionaron los viejos problemas, explicados con analogías de la vida cotidiana:

1. La regla de "No hacer doble verificación" (Inferencia libre de NMS)

El viejo problema: Anteriormente, cuando un guardia detectaba un coche, podía verlo tres o cuatro veces en puntos ligeramente diferentes. Tenía que detenerse y realizar un proceso de "Supresión de No Máximos" (NMS), una doble verificación manual y lenta, para elegir solo la mejor suposición y descartar los duplicados. Esto tomaba tiempo.
La solución de YOLO26: YOLO26 utiliza un diseño de doble cabeza (dual-head). Piensa en esto como tener dos trabajadores especializados:

Trabajador A (El Velocista): Este trabajador está entrenado para elegir exactamente una suposición perfecta para cada objeto de inmediato. Sin necesidad de doble verificación. Es como un francotirador que da en el blanco al primer intento.
Trabajador B (El Maximizador): Este trabajador todavía observa todo y puede ser utilizado si necesitas la máxima precisión absoluta y no te importa el tiempo extra de la "doble verificación".
El resultado: Obtienes un sistema que es "extremo a extremo" (end-to-end), lo que significa que va directamente de ver la imagen a dar la respuesta sin detenerse por una segunda opinión.

2. Deshacerse de la mochila pesada (Eliminación de DFL)

El viejo problema: Los modelos recientes cargaban con una pesada mochila de "Pérdida Focal de Distribución" (DFL). Esta mochila intentaba predecir el tamaño de un objeto adivinando a partir de una lista de 16 posibilidades diferentes para cada uno de los bordes. Esto hacía que el modelo fuera pesado (más memoria) y lento, especialmente para los modelos pequeños. También tenía un límite de "tamaño máximo"; si un objeto era demasiado grande para la lista, el modelo se confundía.
La solución de YOLO26: Tiraron la mochila. En lugar de adivinar a partir de una lista, el modelo ahora simplemente mide directamente el tamaño, como si usara una regla en lugar de adivinar mediante un menú.
El resultado: El modelo es más ligero, más rápido y ahora puede medir con precisión objetos muy grandes sin alcanzar un "techo" de tamaño.

3. La red de seguridad para "Objetos Diminutos" (STAL)

El viejo problema: Las reglas de entrenamiento anteriores eran como un juego de "escondite" donde las reglas decían: "Solo puedes esconderte dentro de una caja que encaje en una cuadrícula específica". Si un objeto diminuto (como un pájaro distante) era más pequeño que los cuadros de la cuadrícula, el guardia simplemente no podía verlo. Recibía cero atención y era ignorado durante el entrenamiento.
**La solución de YOLO2: Introdujeron STAL (Asignación de Etiquetas Consciente de Objetos Pequeños). Imagina que al guardia se le entrega una lupa especial para cosas diminutas. Incluso si un objeto diminuto no encaja en la cuadrícula estándar, el sistema obliga al guardia a prestarle atención mediante el "estiramiento" temporal de la cuadrícula lo suficiente como para cubrirlo.
El resultado: El modelo ya no ignora los objetos más pequeños y difíciles de ver.

4. El "Entrenador Inteligente" (MuSGD y Pérdida Progresiva)

El viejo problema: Entrenar estos modelos solía ser como un maratón donde el entrenador gritaba las mismas instrucciones durante toda la carrera de 600 millas. Tomaba mucho tiempo llegar a ser bueno. Además, el entrenador trataba al trabajador "Velocista" y al trabajador "Maximizador" exactamente igual, a pesar de que tenían trabajos diferentes.
La solución de YOLO26:

MuSGD (El Entrenador Inteligente): Reemplazaron el antiguo método de entrenamiento por un nuevo optimizador (MuSGD) que aprende más rápido, como un entrenador que sabe exactamente cómo marcar el ritmo del corredor para que termine en menos millas (menos épocas de entrenamiento).
Pérdida Progresiva (El Currículo): Cambiaron el programa de entrenamiento. Al principio, se enfocan en el trabajador "Maximizador" para construir una base sólida. A medida que avanza el entrenamiento, cambian gradualmente el enfoque hacia el trabajador "Velocista", asegurando que el producto final esté perfectamente ajustado para la inferencia rápida y sin comprobaciones.

5. Habilidades Especializadas para Diferentes Trabajos

Que el guardia sea rápido detectando coches no significa que sea bueno en todo. YOLO26 añade herramientas especializadas para otras tareas:

Recortar formas (Segmentación): Añadieron un sistema multiescala que ayuda al guardia a entender mejor el fondo, facilitando el trazado del contorno exacto de un objeto.
Rastrear personas (Estimación de Pose): Añadieron una forma de adivinar qué tan "incierto" es el guardia sobre una articulación (como un codo). Si el codo está oculto, el modelo admite que no está seguro en lugar de adivinar erróneamente.
Objetos rotados (OBB): Para cosas como barcos o aviones que no siempre están rectos hacia arriba y hacia abajo, arreglaron las matemáticas para que el modelo no se confunda cuando un objeto está inclinado.

6. La actualización de "Vocabulario Abierto" (YOLOE-26)

Finalmente, introdujeron YOLOE-26, que es como darle al guardia un traductor universal.

Prompt de Texto: Puedes decirle al guardia: "Busca un hidrante de incendios rojo", y lo encontrará, incluso si nunca fue entrenado explícitamente en hidrantes de incendios.
Prompt Visual: Puedes mostrarle al guardia la foto de un juguete específico, y él encontrará ese juguete en el video.
Sin Prompt: También puede simplemente mirar alrededor y describir lo que ve por su cuenta.

La Conclusión

YOLO26 es una familia unificada de modelos que son más rápidos, más ligeros y más precisos que sus predecesores. Lo logran eliminando el equipaje innecesario, corrigiendo las reglas para detectar cosas diminutas y utilizando un entrenador de entrenamiento más inteligente. Ya sea que necesites la velocidad absoluta (la vía libre de NMS) o la máxima precisión posible (la vía con NMS), YOLO26 ofrece una versión que se sitúa en la cima de la tabla de "velocidad vs. precisión".

Resumen Técnico: Ultralytics YOLO26

1. Declaración del Problema

A pesar de la adopción industrial generalizada de la familia YOLO para visión en tiempo real, los detectores actuales enfrentan cuatro limitaciones específicas que dificultan la precisión, eficiencia y flexibilidad de despliegue óptimas:

Dependencia de NMS y Entrenamiento Subóptimo: La mayoría de los detectores basados en CNN dependen de la Supresión de No Máximos (NMS) durante la inferencia. Aunque YOLOv10 introdujo un diseño de doble cabeza para permitir la inferencia libre de NMS, aplica pesos de pérdida idénticos tanto para la rama densa (uno-a-muchos) como para la de inferencia (uno-a-uno) durante todo el entrenamiento. Esto deja la rama crítica de uno-a-uno suboptimizada respecto a lo que una supervisión dirigida podría lograr.
Inflación de Parámetros y Limitación de Rango de DFL: El módulo de Pérdida Focal de Distribución (DFL), adoptado desde YOLOv8, expande la regresión de la caja delimitadora de 4 escalares a $4K$ logits (típicamente $K=16$ ). Esto infla los parámetros del modelo (por ejemplo, un aumento del 12% en los parámetros para YOLO11n) e impone un rango de regresión finito de $(K-1) \times \text{stride}$ , lo cual resulta restrictivo para objetos grandes en resoluciones altas.
Cronogramas de Entrenamiento Largos: Las recetas estándar basadas en SGD requieren aproximadamente 600 épocas para alcanzar una precisión competitiva en COCO, lo que hace que la iteración rápida sea costosa. Aunque el optimizador Muon ha mostrado ganancias de eficiencia en el entrenamiento de Grandes Modelos de Lenguaje (LLM), no ha sido adaptado para la detección de objetos.
Asignación Cero para Objetos Pequeños: La estrategia de asignación de etiquetas Task-Aligned Learning (TAL) depende de la contención geométrica dentro de las cajas de verdad de campo (ground-truth). Para objetos diminutos, el submuestreo del mapa de características puede resultar en cero centros de anclaje válidos dentro de la caja, lo que conduce a cero asignaciones positivas y una falta total de señal de gradiente para estos objetivos.

2. Metodología

YOLO26 aborda estas limitaciones mediante una arquitectura coordinada y un pipeline de entrenamiento, construido sobre la base de YOLO11.

2.1. Arquitectura: Diseño de Doble Cabeza Libre de NMS

YOLO26 emplea un diseño de doble cabeza para soportar tanto la inferencia de extremo a extremo como la predicción densa convencional:

Cabeza Uno-a-Uno (Predeterminada): Produce un conjunto de predicciones de tamaño fijo (hasta 300 por imagen) sin NMS. Utiliza una asignación de etiquetas uno-a-uno estricta (TAL con $topk=7$ seguido de $topk2=1$) para aprender una única predicción emparejada por instancia de verdad de campo.
Cabeza Uno-a-Muchos: Mantiene la predicción densa estándar con una supervisión más rica ($topk=10$) para escenarios donde se prioriza la máxima precisión sobre la sobrecarga de post-procesamiento.
Eliminación de DFL: El módulo de Pérdida Focal de Distribución se elimina por completo. La regresión se realiza mediante una salida directa de 4 escalares con un rango sin restricciones, reduciendo significativamente los parámetros y FLOPs de la cabeza.

2.2. Pipeline de Entrenamiento

Tres técnicas complementarias se aplican conjuntamente para mejorar la precisión y la convergencia:

Optimizador MuSGD: Un optimizador híbrido que combina Muon (de la formación de LLM) con el SGD-momentum estándar. Muon aplica actualizaciones de momentum seguidas de una ortogonalización ligera (vía iteraciones de Newton–Schulz) para mejorar el condicionamiento de la actualización. MuSGD aplica esto a parámetros multidimensionales (convoluciones, pesos lineales) mientras utiliza SGD puro para parámetros 1D (sesgos, escalas).
Pérdida Progresiva: Una estrategia de reponderación tipo currículo que aborda la asimetría de optimización entre las dos ramas. El peso de la pérdida para la rama densa (uno-a-muchos) decae linealmente de 0.8 a 0.1, mientras que el peso de la rama uno-a-uno aumenta de 0.2 a 0.9. Esto desplaza el énfasis de la supervisión hacia la cabeza de tiempo de inferencia a medida que avanza el entrenamiento.
STAL (Asignación de Etiquetas Consciente de Objetos Pequeños): Para prevenir asignaciones de positivos cero para objetos diminutos, STAL desacopla la geometría de selección de candidatos de la geometría de regresión. Durante el filtrado de candidatos, las dimensiones de la caja de verdad de campo se limitan a un tamaño de referencia ( $s_{ref}$ , típicamente el siguiente stride de la pirámide) si caen por debajo del stride mínimo. Esto asegura la cobertura de anclajes para objetivos pequeños preservando la geometría original de la caja para la regresión y puntuación final.

2.3. Extensiones Específicas de Tarea

Más allá de la detección, YOLO26 introduce diseños especializados para otras tareas:

Segmentación de Instancias: Utiliza una vía de prototipos multiescala (fusionando características de múltiples niveles de la pirámide) y una pérdida de segmentación semántica auxiliar (solo para entrenamiento) para mejorar la calidad de la máscara sin sobrecarga de inferencia.
Estimación de Pose: Reemplaza la regresión de coordenadas estándar con Estimación de Log-Verosimilitud Residual (RLE). Esto modela la incertidumbre por articulación usando un flujo normalizante, ponderando menos los puntos clave ambiguos u ocluidos.
Caja Delimitadora Orientada (OBB): Adopta una definición de ángulo de "largo borde" ( $[-45^\circ, 135^\circ)$ ) para resolver discontinuidades de frontera. Introduce una pérdida de ángulo consciente del ratio de aspecto específicamente para objetos cuadrados para manejar la ambigüedad de ángulo.
Vocabulario Abierto (YOLOE-26): Extiende la familia a escenarios de vocabulario abierto usando un backbone más fuerte, un codificador de texto actualizado (MobileCLIP2), un motor de datos de pseudo-etiquetas para refinar anotaciones y entrenamiento de segmentación desacoplado.

3. Resultados Clave

YOLO26 abarca cinco escalas (n/s/m/l/x) y logra compromisos de precisión-latencia de estado del arte en el benchmark COCO val2017.

Desempeño de Detección: YOLO26 alcanza 40.9–57.5 mAP en COCO con latencias de T4 TensorRT FP16 que van desde 1.7 ms (n) hasta 11.8 ms (x). Avanza la frontera de Pareto sobre versiones previas de YOLO (YOLO11, YOLOv10, etc.) y otros detectores en tiempo real.
- Comparado con YOLO11, YOLO26 mejora el AP de COCO entre 1.6 y 2.8 puntos a través de las escalas.
- Eliminar DFL por sí solo redujo los parámetros en un 12% y los FLOPs en un 20% para el modelo nano, recuperando y mejorando la precisión mediante el nuevo pipeline de entrenamiento.
Detección de Objetos Pequeños: STAL mejora significamente la detección de objetos pequeños (APS), recuperando detecciones perdidas por el TAL estándar.
Ganancias Específicas de Tarea:
- Segmentación: Hasta +3.7 de mejora en mask AP sobre YOLO11.
- Estimación de Pose: Hasta +7.2 de mejora en pose AP sobre YOLO11.
- Detección OBB: Hasta +3.4 mAP de mejora en DOTA-v1.0.
Vocabulario Abierto (YOLOE-26): El modelo YOLOE-26x alcanza 40.6 AP en LVIS minival bajo prompting de texto, superando a DetCLIP-T por +6.2 AP.
Eficiencia: La arquitectura logra hasta un 43% de inferencia en CPU más rápida comparado con versiones anteriores (YOLO26n vs. YOLO11n) y soporta la exportación a 19 objetivos no-PyTorch (TensorRT, ONNX, CoreML, etc.).

4. Significado y Reivindicaciones

El artículo afirma que YOLO26 representa un paso unificado hacia adelante en la visión en tiempo real al abordar directamente las ineficiencias estructurales y de entrenamiento de la estirpe YOLO. Su principal significancia radica en:

Viabilidad de Extremo a Extremo Libre de NMS: Demostrar que una arquitectura de doble cabeza con Pérdida Progresiva puede lograr una precisión de inferencia libre de NMS que rivaliza con los métodos basados en NMS, simplificando los procesos de despliegue.
Eficiencia mediante la Simplificación: Probar que eliminar el complejo módulo DFL no degrada el rendimiento, sino que lo mejora cuando se combina con una regresión sin restricciones y mejores estrategias de entrenamiento, resultando en modelos más ligeros aptos para dispositivos de borde.
Sinergia de Optimización y Etiquetado: Establecer que combinar optimizadores avanzados (MuSGD) con un peso de pérdida de currículo (Pérdida Progresiva) y un asignación de etiquetas robusta (STAL) crea un efecto sinérgico que acelera la convergencia y mejora la detección de objetos pequeños sin aumentar el tamaño del modelo.
Marco Multitarea Unificado: Proporcionar un único pipeline que soporta detección, segmentación, pose, clasificación y detección OBB con ganancias consistentes en todas las tareas, junto con una robusta extensión de vocabulario abierto.

Los autores enfatizan que YOLO26 está diseñado no solo para un fuerte comportamiento de optimización, sino para la integración de inferencia práctica a través de hardware heterogéneo, manteniendo la universalidad de despliegue que ha hecho de la familia YOLO el estándar de la industria.