Does YOLO26 Truly Offer Advantages Over Its Predecessors for Edge Deployment? A Benchmark Study in Aquaculture

Resumen Técnico: Evaluación Comparativa de YOLO26 para el Despliegue en el Borde en Acuicultura

Planteamiento del Problema
La adopción de la Visión Computacional (CV) y la Inteligencia Artificial (IA) en la acuicultura intensiva, particularmente en los Sistemas de Recirculación Acuícola (RAS), ofrece un potencial significativo para el monitoreo automatizado de la salud y el bienestar de los peces. Sin embargo, el despliegue de estos sistemas enfrenta desafíos únicos, incluyendo altas densidades de siembra, turbidez del agua, distorsiones ópticas y el movimiento rápido e impredecible de los animales acuáticos. Una restricción crítica es la dependencia de dispositivos de borde con recursos limitados (por ejemplo, computadoras de placa única basadas en CPU como la Raspberry Pi) debido al ancho de banda limitado para la transmisión a la nube y al alto costo/consumo de energía de las plataformas embebidas aceleradas por GPU.

Si bien la familia de modelos You Only Look Once (YOLO) es ampliamente utilizada para la detección de objetos en tiempo real, el rendimiento de la última generación, YOLO26, permanece sin validar en escenarios de acuicultura específicos de dominio. YOLO26 introduce innovaciones arquitectónicas como la inferencia end-to-end libre de Supresión de No Máximos (NMS) y optimizaciones para el despliegue en el borde basado en CPU. La pregunta central abordada por este estudio es si estas ventajas arquitectónicas se traducen en ventajas tangibles sobre sus predecesores (YOLOv5u, YOLOv8 y YOLO11) para la tarea específica de detectar la mortalidad de peces en entornos RAS, o si la selección del modelo debe ser impulsada por otros factores como la disponibilidad de datos y las restricciones de hardware.

Metodología
Este estudio realizó una evaluación comparativa exhaustiva de doce variantes de modelos YOLO de Ultralytics (cuatro generaciones: v5u, v8, 11, 26; a través de tres escalas: nano, pequeña, mediana) para la detección de mortalidad de peces (muerto vs. vivo).

• Conjunto de Datos: Se utilizó un conjunto de datos de escala semi-comercial RAS (RAS-MortDB), que comprende 2,000 imágenes anotadas manualmente de salmón del Atlántico (Salmo salar) recolectadas durante 90 días. El conjunto de datos incluyó diversas condiciones de iluminación (ambiente y suplementaria) y niveles de mortalidad. Las imágenes fueron aumentadas para crear un conjunto de entrenamiento de 2,800 imágenes con 2,204 instancias de 'muertos' y 3,209 de 'vivos'.
• Entorno de Entrenamiento: Los modelos fueron entrenados en un clúster de GPUs NVIDIA A100 utilizando hiperparámetros estandarizados (100 épocas, entrada de 640px, tamaño de lote de 32) para asegurar una comparación justa.
• Métricas de Evaluación:
  1. Precisión: Promedio de Precisión Media en IoU 0.50 (mAP50) y 0.50–0.95 (mAP50-95).
  2. Eficiencia de Datos: Análisis de la curva de aprendizaje a través de siete tamaños de dataset (100 a 2,800 imágenes) para determinar los requisitos mínimos de datos para un 90% de mAP50.
  3. Rendimiento de GPU: Velocidad de inferencia (FPS) y latencia en GPUs A100, distinguiendo entre el tiempo de pase hacia adelante bruto (forward-pass), el tiempo de post-procesamiento (sobrecarga de NMS) y la latencia end-to-end.
  4. Despliegue en el Borde (Edge): Evaluación de rendimiento en una Raspberry Pi 5 (solo CPU, 8GB de RAM) utilizando ONNX Runtime. Las métricas incluyeron latencia promedio, FPS, estado de estrangulamiento térmico (thermal throttling) y tamaño del modelo (huella de ONNX).

Resultados Clave

• Precisión de Detección: Los 12 modelos lograron una precisión de detección comparable en el conjunto de datos completo, con valores de mAP50 que oscilaron estrechamente entre 93.77% (YOLOv8m) y 94.81% (YOLO11m). La diferencia de solo 1.04 puntos porcentuales indica que la generación arquitectónica tiene una influencia mínima en la precisión final de la detección de mortalidad cuando se dispone de suficientes datos de entrenamiento.
• Eficiencia de Datos: YOLOv8 demostró una eficiencia de entrenamiento superior, logrando ≥90% de mAP50 con solo 400 imágenes de entrenamiento. En contraste, YOLO26 (variantes nano y pequeña) requirió 1,000 imágenes para alcanzar el mismo umbral, lo que lo hace aproximadamente 2.5 veces menos eficiente en datos. Esto se atribuye a la estrategia de asignación de etiquetas uno-a-uno de YOLO26, que genera señales de supervisión más dispersas en comparación con las estrategias de muchos-a-uno de los modelos anteriores.
• Inferencia de GPU: En GPUs de alto rendimiento, YOLOv8 logró consistentemente las velocidades de inferencia (FPS) más altas y la latencia end-to-end más baja. A pesar de que el diseño libre de NMS de YOLO26 reduce significativamente la sobrecarga de post-procesamiento, incurrió en una mayor latencia residual (preprocesamiento y asignación de tensores), resultando en un FPS total menor en comparación con YOLOv8 y YOLOv5u.
• Inferencia en el Borde (CPU): El ranking de rendimiento se invirtió en la Raspberry Pi 5 con recursos limitados:
  • Niveles Nano/Pequeño: YOLO26n logró la velocidad de inferencia más alta (7.51 FPS), superando a YOLOv8n (6.51 FPS) y YOLO11n (6.71 FPS). Esto valida el diseño libre de NMS de YOLO26 para la eficiencia de la CPU.
  • Nivel Medio: Sorprendentemente, YOLOv5mu superó a todos los demás modelos de escala media (1.25 FPS vs. ~1.05 FPS para YOLO26m), probablemente debido a que la simplicidad estructural de su arquitectura basada en anclas es más compatible con los conjuntos de instrucciones de la CPU ARM que los complejos mecanismos de atención de los modelos más nuevos.
• Tamaño del Modelo: YOLO26n produjo el export de ONNX más pequeño (9.8 MB), ofreciendo ventajas para dispositivos de borde con restricciones de almacenamiento.

Contribuciones Clave

1. Validación Específica de Dominio: Este estudio proporciona la primera evaluación comparativa revisada por pares de YOLO26 en un contexto de acuicultura, yendo más allá de los benchmarks de propósito general (ej. COCO) para validar el rendimiento en datos reales de mortalidad de peces.
2. Perspectivas Independientes del Hardware: La investigación destaca una divergencia crítica entre el rendimiento de GPU y CPU, demostando que los benchmarks de GPU son insuficientes como indicadores de la idoneidad para el despliegue en el borde.
3. Análisis de Eficiencia de Datos: El estudio cuantifica el compromiso entre la novedad arquitectónica y los requisitos de datos, revelando que las arquitecturas más nuevas (YOLO26) pueden demandar conjuntos de datos anotados significativamente mayores para converger a los mismos niveles de rendimiento que los modelos establecidos (YOLOv8).
4. Recursos de Código Abierto: Los autores se han comprometido a liberar el conjunto de datos RAS-MortDB y todos los pesos de los modelos entrenados (PyTorch y ONNX) para facilitar la reproducibilidad y la investigación adicional.

Significancia y Afirmaciones
El artículo concluye que la novedad arquitectónica por sí sola es un criterio insuficiente para la selección de modelos en aplicaciones de acuicultura. Si bien YOLO26 ofrece ventajas distintas para el despliegue en el borde basado en CPU (específicamente en los niveles nano/pequeño) debido a su inferencia libre de NMS, estos beneficios conllevan compromisos en la eficiencia de datos y el tiempo de entrenamiento.

Los autores afirman que la selección del modelo debe guiarse por un marco orientado al despliegue que considere:

• Disponibilidad de Datos: Si los datos anotados son escasos, YOLOv8 es preferible debido a su convergencia más rápida.
• Hardware Objetivo: Para dispositivos de borde con restricciones de CPU, YOLO26 (nano/pequeño) o YOLOv5 (medio) pueden ofrecer velocidades de inferencia superiores en comparación con las generaciones más nuevas.
• Requisitos de Inferencia: Las tareas de alto rendimiento en GPU pueden favorecer a YOLOv8, mientras que las tareas de bajo consumo en el borde pueden beneficiarse del diseño optimizado de YOLO26.

El estudio enfatiza que para la tarea específica de detección de mortalidad de peces en RAS, donde los eventos se desarrollan a lo largo de minutos en lugar de segundos, las diferencias marginales de precisión entre los modelos son insignificantes. Por lo tanto, las restricciones prácticas —como el costo de anotación, las limitaciones de hardware y el consumo de energía— deben impulsar las decisiones de despliegue en lugar de la búsqueda de la última generación arquitectónica. Los autores advierten contra el apoyo exclusivo en los benchmarks de GPU y abogan por una validación rigurosa en el hardware de borde objetivo para asegurar la viabilidad operativa.