Elige el tamaño de modelo de Ultralytics YOLO
Compara YOLO26 n, s, m, l y x, evalúalos en el hardware de destino y elige el tamaño más pequeño que se ajuste a tu presupuesto de latencia.
Si eliges un modelo demasiado grande, una aplicación de cámara a 30 FPS funcionará a 12 FPS; si eliges uno demasiado pequeño, renunciarás a una precisión que un modelo mayor ofrecería sin coste adicional en una GPU. Como el tamaño que entrenas es el que distribuyes, debes decidirlo antes de iniciar el largo proceso de entrenamiento.
YOLO26 está disponible en cinco tamaños —n, s, m, l y x— para las siete tareas: detección, segmentación, segmentación semántica, clasificación, pose, OBB y profundidad. En esta lección convertirás una frecuencia de fotogramas en un presupuesto de milisegundos, medirás dos tamaños en tu equipo con el modo de benchmark y elegirás.
Práctico
Conoce la gama#
Estas son las cifras oficiales de detección de COCO de la documentación de YOLO26, todas a 640 píxeles:
| Modelo | Parámetros (M) | FLOPs (B) | mAP50-95 | CPU ONNX (ms) | T4 TensorRT10 (ms) |
|---|---|---|---|---|---|
yolo26n | 2.4 | 5.5 | 40.9 | 38.9 | 1.7 |
yolo26s | 9.5 | 20.9 | 48.6 | 87.2 | 2.5 |
yolo26m | 20.4 | 68.4 | 53.1 | 220.0 | 4.7 |
yolo26l | 24.8 | 86.8 | 55.0 | 286.2 | 6.2 |
yolo26x | 55.7 | 194.4 | 57.5 | 525.8 | 11.8 |
Cada tarea está disponible en todos los tamaños: cambia el sufijo, como en yolo26s-seg.pt, yolo26s-sem.pt, yolo26s-depth.pt, yolo26s-cls.pt, yolo26s-pose.pt o yolo26s-obb.pt. ¿Vas a migrar un proyecto anterior? La comparación entre YOLO11 y YOLO26 muestra qué cambia.
Lee la tabla pensando: «¿cuánto cuesta el siguiente tamaño?»:
| Paso | Aumento de mAP | FLOPs adicionales | Multiplicador de latencia en CPU |
|---|---|---|---|
| n → s | +7.7 | ×3.8 | ×2.2 |
| s → m | +4.5 | ×3.3 | ×2.5 |
| m → l | +1.9 | ×1.3 | ×1.3 |
| l → x | +2.5 | ×2.2 | ×1.8 |
El primer salto ofrece la mejor relación calidad-precio; después de m, cada punto de precisión en COCO sale caro. Además, COCO, con 80 clases variadas, es más difícil que la mayoría de los proyectos reales: en una tarea específica, como detectar un producto en una cinta transportadora, n y s suelen quedarse a un punto de m.
Empieza por el presupuesto#
Tu presupuesto de latencia de inferencia es de 1000 ms ÷ FPS objetivo, y el modelo debe compartirlo con la decodificación, el dibujo y tu propia lógica. Puntos de partida habituales:
| Objetivo | Empieza con |
|---|---|
| Teléfono, Raspberry Pi, navegador u otro dispositivo pequeño de IA en el edge | n |
| CPU de portátil o sobremesa, 10–30 FPS | n; después, s si hay margen |
| Una sola GPU, vídeo en tiempo real | s o m |
| Procesamiento por lotes sin conexión: prioriza la precisión | l o x |
Ejemplo práctico: mide dos tamaños#
El modo de evaluación comparativa exporta el modelo, lo valida con coco8 y mide el tiempo de inferencia en tu equipo. format=onnx limita la ejecución a un solo formato, por lo que termina en unos segundos; omítelo para comparar todos los formatos de exportación.
yolo benchmark model=yolo26n.pt imgsz=640 format=onnx
yolo benchmark model=yolo26s.pt imgsz=640 format=onnxResultados reales en la CPU de un portátil Apple M5 Pro:
| Format Status❔ Size (MB) metrics/mAP50-95(B) Inference time (ms/im) FPS |
| 1 ONNX ✅ 9.5 0.6693 13.87 72.08 | <- yolo26n
| 1 ONNX ✅ 36.5 0.6654 30.87 32.39 | <- yolo26sAl compararlo con un presupuesto de 30 FPS (33 ms):
yolo26n, 13.87 ms: cabe en el presupuesto y deja 19 ms para decodificar y dibujar.yolo26s, 30.87 ms: técnicamente cabe, pero no deja margen para nada más. La misma evaluación tardó 60 ms mientras se ejecutaban otras tareas en el equipo.Size (MB): el tamaño del archivo ONNX, importante para las descargas de aplicaciones y la memoria de los móviles.metrics/mAP50-95(B): no le des importancia aquí.coco8tiene cuatro imágenes de validación: suficientes para demostrar que la exportación funciona, pero demasiadas pocas para comparar la precisión.
Decisión: entrena primero yolo26n y deja yolo26s con un imgsz más bajo como alternativa.
Evita estos errores#
Síntoma: un modelo que alcanza 70 FPS en tu portátil funciona a 8 FPS en el dispositivo perimetral. Solución: haz las pruebas de rendimiento en el dispositivo que ejecutará el modelo, con una carga realista: otros procesos, decodificación de la cámara y el formato de ejecución real.
Síntoma: en tus notas pone «s era más rápido que n». Causa: una ejecución usó imgsz=480 o un formato distinto. Solución: compara los tamaños con el mismo imgsz, formato y lote, y cambia una variable cada vez.
No entrenes x con la idea de reducirlo más adelante a n mediante poda del modelo o cuantización: una arquitectura más pequeña requiere volver a entrenar. Elige primero el tamaño; considera la cuantización una mejora adicional de velocidad sobre el tamaño adecuado, no un sustituto.
El análisis más detallado de la latencia —procesamiento por lotes, cuantización y elección del entorno de ejecución— se trata en Ajuste de costes y latencia del curso de producción, y la guía de métricas de rendimiento explica cada cifra de precisión.
Mostrar solución
Budget: 30 FPS on a laptop CPU -> 33 ms per frame, shared with decode and drawing
Measured: ONNX at 640 -> yolo26n 13.9 ms (19 ms headroom), yolo26s 30.9 ms (none; 60 ms under load)
Decision: train yolo26n first. If accuracy on our val set falls short,
try yolo26s at imgsz=480 and re-benchmark before committing.