YOLO26 es la versión más reciente de la familia de modelos de visión por computadora en tiempo real desarrollada por Ultralytics: un modelo abierto que identifica objetos dentro de una imagen o de una señal de vídeo en el momento en que aparecen. Hay tres cosas sobre él que importan a un empresario antes que a un desarrollador: ahora produce su resultado final directamente, sin el paso de posprocesamiento que antes ralentizaba y complicaba el despliegue; es un único modelo que cubre siete tareas de visión en lugar de siete sistemas separados; y en su tamaño más pequeño funciona hasta un 43 % más rápido en una CPU corriente que la versión anterior. En la práctica, esto significa que la cámara que ya está instalada en tu almacén, fábrica o sala de exposición puede convertirse en una fuente de datos operativos que funciona en un pequeño dispositivo in situ: sin servidores caros y sin que el vídeo salga de tus instalaciones.

¿Qué ha cambiado realmente en esta versión?

Los modelos anteriores dibujaban decenas de cajas candidatas alrededor de cada objeto y luego ejecutaban un paso de limpieza llamado supresión de no máximos para elegir la mejor caja y descartar el resto. Ese paso vivía fuera del modelo, lo que implicaba ajustes adicionales, procesamiento adicional y un elemento más que podía fallar al desplegar en distintos tipos de hardware. YOLO26 emite un resultado final directamente desde la cabeza de detección, con un límite de trescientos objetos por imagen, de modo que integrarlo en un sistema operativo de la empresa es más sencillo, más rápido y mucho menos propenso a comportarse en producción de forma distinta a como lo hizo en las pruebas.

La documentación oficial también describe una cabeza de detección más ligera que prescinde de la pérdida DFL, una receta de entrenamiento actualizada basada en un optimizador híbrido llamado MuSGD tomado del entrenamiento de grandes modelos de lenguaje, y cambios dirigidos explícitamente a los objetos pequeños. Los objetos pequeños son precisamente lo que importa en las operaciones reales: una etiqueta en una caja al final de un pasillo, o un defecto del tamaño de una uña en un producto que avanza por la línea.

Siete tareas de visión en un solo modelo

Lo interesante desde el punto de vista comercial no es la precisión bruta, sino que la misma familia cubre siete tareas con pesos listos y un único flujo de trabajo. Eso reduce el número de sistemas que compras, mantienes y en los que formas a tu equipo:

  • Detección: dónde está un objeto y qué es. La base del conteo, el seguimiento y las alertas.
  • Segmentación de instancias: una máscara precisa por objeto en lugar de una caja, útil para medir áreas y defectos.
  • Segmentación semántica: clasificar cada píxel, por ejemplo para separar un pasillo de una zona de almacenamiento.
  • Estimación de profundidad: calcular la distancia con una sola cámara, sin un sensor láser adicional.
  • Clasificación: si este caso cumple o no cumple.
  • Estimación de pose: seguimiento de los puntos clave del cuerpo, utilizado en seguridad y en análisis de movimiento.
  • Detección orientada: cajas inclinadas para objetos que no están alineados con los ejes, como palés e imágenes aéreas.

La documentación oficial reporta mejoras respecto a la versión anterior de hasta 3,7 puntos en calidad de máscara para la segmentación, de hasta 7,2 puntos en estimación de pose y de 3,4 puntos en detección orientada en el benchmark DOTA. Las cifras importan, pero lo que importa más es que provienen de un solo modelo y no de tres proyectos separados.

Las cifras que deciden qué hardware compras

La familia se ofrece en cinco tamaños, cada uno con un equilibrio claro entre precisión, velocidad y coste. Las cifras publicadas en el benchmark COCO van de 40,9 a 57,5 en precisión y de 1,7 a 11,8 milisegundos en una tarjeta T4:

  • El tamaño más pequeño: solo 2,4 millones de parámetros, funciona en una CPU corriente sin tarjeta gráfica. La opción sensata para una cámara en una sucursal o un almacén pequeño.
  • Los tamaños intermedios: un buen equilibrio para varias cámaras en un único dispositivo in situ.
  • El tamaño más grande: 55,7 millones de parámetros, para casos en los que la precisión pesa más que el coste, como la inspección de calidad de alto detalle.

La regla práctica: empieza con el tamaño más pequeño que resuelva tu problema. La mayoría de los proyectos de visión por computadora que fracasan comercialmente no fracasan porque el modelo fuera demasiado débil, sino porque alguien eligió el modelo más grande y luego descubrió que ejecutarlo en veinte cámaras cuesta más que el ahorro que produce.

Dónde te ayuda realmente

  • Almacenes: contar palés y cajas en la recepción y el despacho, y detectar diferencias entre lo que se movió físicamente y lo que registró el sistema.
  • Fábricas: inspección visual en la línea que detiene un lote cuando aparece un patrón de defectos repetido, en lugar de descubrirlo en casa del cliente.
  • Comercio minorista y salas de exposición: medir el movimiento dentro de la sucursal, las zonas de permanencia y los estantes que se vaciaron sin que nadie lo notara.
  • Seguridad: verificar el equipo de protección en zonas peligrosas y alertar al instante cuando alguien entra en un área restringida.
  • Patios y flotas: registrar la entrada y salida de camiones y vincularla automáticamente con la orden de carga.
  • Construcción: documentar visualmente el avance de la obra y vincularlo a la certificación de pago en lugar de depender de un informe manual.

Lo que todos estos casos tienen en común es que ninguno necesita inteligencia artificial general ni un gran modelo de lenguaje. Necesitan una pregunta concreta, como cuántas cajas salieron hoy por esta puerta, y un sistema que la responda sin intervención humana.

Detección por descripción en lugar de una lista fija

Esta versión también impulsa una variante de vocabulario abierto llamada YOLOE-26, que reconoce categorías con las que nunca fue entrenada, guiada por una descripción de texto o un ejemplo visual. Eso resuelve un viejo problema: cada nueva categoría solía implicar otra ronda de entrenamiento. En un entorno donde los productos cambian constantemente, como el comercio minorista, esta función significa una vida útil más larga antes de que haya que reconstruir el sistema.

La licencia antes que el código

Este punto acaba con proyectos enteros una vez terminados. Los pesos y el código de YOLO26 están disponibles bajo AGPL-3.0 o con una licencia comercial de Ultralytics. La AGPL impone obligaciones a cualquiera que construya un producto que se entrega a terceros a través de una red, y puede exigir que compartas tu código fuente. Si el uso es puramente interno dentro de tus propias operaciones, la situación es más sencilla; si estás construyendo un producto que vendes a clientes, resuelve la licencia con asesoría jurídica antes de la primera línea de código, no después de la entrega.

Las cámaras y la Ley de Protección de Datos Personales

Cualquier cámara que grabe a personas produce datos personales, y les son aplicables la Ley de Protección de Datos Personales (PDPL) de Arabia Saudí y su reglamento de aplicación de la Autoridad Saudí de Datos e Inteligencia Artificial (SDAIA). En la práctica, eso significa transparencia y avisos en los lugares donde se graba, una finalidad de tratamiento clara y limitada, y reducir al mínimo lo que se conserva. La buena noticia es que la eficiencia de YOLO26 en CPU corrientes hace que el procesamiento in situ sea realmente práctico: el vídeo nunca sale de las instalaciones y lo que se almacena es el número resultante, no la imagen. Ese diseño reduce al mismo tiempo tu exposición regulatoria y tu coste.

Cómo empezar en seis semanas

No empieces con un proyecto de visión por computadora que abarque toda la instalación. Elige una cámara y una pregunta medible, recoge datos de tu propio sitio en lugar de internet, entrena con el tamaño pequeño y compara el resultado con el conteo manual durante dos semanas. Si el piloto demuestra que el sistema ahorra horas o evita pérdidas de valor claro, amplíalo cámara a cámara. Si no lo demuestra, habrás gastado seis semanas en lugar del presupuesto de un año entero.

Fuentes