Ultralytics YOLO26 frente a YOLO11 y YOLOv8: ¿cuál deberías usar?

Los sistemas de visión artificial más avanzados, a menudo basados en redes neuronales convolucionales (CNNs), permiten a las máquinas analizar e interpretar datos visuales de imágenes y vídeos, y actualmente se están implementando en una amplia variedad de entornos.

Desde la agricultura hasta la fabricación y el comercio minorista, estos sistemas funcionan en distintos entornos de implementación, como dispositivos periféricos, hardware integrado, dispositivos del Internet de las cosas (IoT), procesamiento en el dispositivo y canalizaciones en la nube a gran escala que admiten aplicaciones en tiempo real.

En la práctica, implementar estos modelos no siempre es sencillo. A menudo tienen que funcionar con capacidad de cálculo limitada, cumplir requisitos estrictos de latencia y escalar sin aumentar significativamente los costes. Estas limitaciones convierten el rendimiento en un problema multidimensional, en lugar de reducirlo únicamente a la precisión.

Aunque la precisión sigue siendo importante, también lo es que un modelo funcione de forma eficiente en producción. Factores como la velocidad, el uso de recursos y la escalabilidad influyen mucho en el rendimiento de un sistema a lo largo del tiempo.

Los modelos de visión artificial, como los modelos Ultralytics YOLO, han evolucionado teniendo en cuenta este equilibrio. Por ejemplo, Ultralytics YOLOv8 sentó unas bases sólidas y versátiles, Ultralytics YOLO11 fue un paso más allá al mejorar la velocidad y la precisión, y Ultralytics YOLO26 se basa en estos avances para ser más ligero, rápido y eficiente que nunca.

Fig. 1. Uso de Ultralytics YOLO26 para detectar objetos en una imagen (Fuente)

En este artículo, compararemos Ultralytics YOLO26, YOLO11 y YOLOv8 para ayudarte a elegir el modelo adecuado para tu proyecto de visión artificial. ¡Vamos allá!

Comprender la evolución de los modelos Ultralytics YOLO#

Cada nueva versión de los modelos Ultralytics YOLO ha incorporado mejoras para adaptarse mejor a los requisitos del mundo real y hacer que la visión artificial sea más accesible. Estas actualizaciones han hecho que los modelos sean más rápidos, eficientes y fáciles de implementar, y han contribuido al crecimiento del ecosistema de IA visual.

También están basados en PyTorch, por lo que son fáciles de entrenar, personalizar e integrar en flujos de trabajo inteligentes de aprendizaje automático. Los modelos Ultralytics YOLO están disponibles de forma predeterminada como modelos preentrenados, a menudo entrenados con conjuntos de datos como COCO, lo que permite a los equipos empezar rápidamente y ajustarlos para casos de uso específicos.

Además, el paquete Python de Ultralytics simplifica la implementación al ofrecer compatibilidad integrada para exportar modelos a formatos como ONNX y TensorRT. Esto facilita la integración de modelos en distintas plataformas de hardware, desde dispositivos periféricos hasta sistemas acelerados por GPU.

De Ultralytics YOLOv5 a Ultralytics YOLO26#

El primer modelo Ultralytics YOLO, Ultralytics YOLOv5, alcanzó gran popularidad por su fiable capacidad de detección de objetos. Basado en un enfoque de detección de una sola etapa, permitía realizar predicciones rápidas en tiempo real en una única pasada, por lo que resultaba muy adecuado para flujos de trabajo de producción.

Las actualizaciones posteriores incorporaron variantes sin anclajes, en las que el modelo predice directamente la ubicación de los objetos en lugar de utilizar cuadros de anclaje predefinidos, lo que hace que la detección sea más flexible. Sin embargo, el modelo original seguía centrado principalmente en las tareas de detección de objetos.

A partir de estas bases, Ultralytics YOLOv8 amplió el alcance de la familia de modelos. En lugar de centrarse únicamente en la detección de objetos, incorporó compatibilidad con varias tareas de visión artificial, como la segmentación de instancias, la clasificación de imágenes, la estimación de pose y la detección con cuadros delimitadores orientados (OBB). También incorporó mejoras arquitectónicas, como diseños avanzados de backbone y neck, que mejoraron la extracción de características y el rendimiento general de detección.

Además, las variantes YOLOv8n (Nano), YOLOv8s (Small), YOLOv8m (Medium), YOLOv8l (Large) y YOLOv8x (Extra Large) ofrecieron a los desarrolladores la flexibilidad necesaria para equilibrar velocidad, precisión y uso de recursos según sus necesidades. Esta mayor capacidad, combinada con la facilidad de uso, lo convirtió en una opción preferida para una amplia gama de aplicaciones de visión.

Fig. 2. Los modelos YOLO, como YOLOv8, YOLO11 y YOLO26, admiten diversas tareas de visión.

A continuación, Ultralytics YOLO11 se centró en mejorar el rendimiento en flujos de trabajo reales y ofreció mayor precisión junto con velocidades de inferencia más rápidas. Gracias a su arquitectura más ligera, funciona bien tanto en entornos periféricos como en la nube y es compatible con las canalizaciones existentes de YOLOv8.

La incorporación más reciente a la familia de modelos Ultralytics YOLO, YOLO26, es un modelo de última generación que establece un nuevo estándar para la IA visual pensada para dispositivos periféricos desde el principio y ofrece un enfoque más ligero, rápido y eficiente para la implementación en el mundo real. Está diseñado para funcionar de forma eficiente en CPU y sistemas integrados, al tiempo que simplifica la implementación y mejora el rendimiento en tiempo real en una amplia variedad de aplicaciones.

Comparación de YOLO26, YOLO11 y YOLOv8#

Al trabajar en proyectos de visión artificial, puede que te encuentres con distintos modelos de Ultralytics y te preguntes cuál es el adecuado para tu proyecto. Veamos cómo se comparan YOLO26, YOLO11 y YOLOv8 en situaciones reales.

Ultralytics YOLOv8 se lanzó en 2023 y desde entonces se ha utilizado ampliamente en la comunidad de visión artificial. Su sólida comunidad y facilidad de uso lo convirtieron en el modelo preferido de muchos equipos durante años. Si buscas un modelo bien documentado y con una amplia variedad de tutoriales, guías y recursos de la comunidad, YOLOv8 es un excelente punto de partida.

En 2024, se presentó Ultralytics YOLO11 con mejoras tanto en rendimiento como en eficiencia. Ofrece más velocidad y precisión que YOLOv8, además de mantener una arquitectura más pequeña y optimizada. Es un modelo más equilibrado que ofrece un rendimiento fiable en producción sin aumentar significativamente el uso de recursos.

Este año se lanzó Ultralytics YOLO26 como la versión más reciente, centrada en una implementación eficiente a gran escala. Ofrece una inferencia más rápida en CPU y un uso mejorado de los recursos, lo que permite a los equipos ejecutar más cargas de trabajo con el mismo hardware.

Por ejemplo, el modelo nano Ultralytics YOLO26 puede lograr una inferencia hasta un 43 % más rápida que YOLO11 en unidades centrales de procesamiento (CPU), por lo que es una excelente opción para entornos periféricos y con recursos limitados. Esto es especialmente importante porque las configuraciones tradicionales suelen depender en gran medida de unidades de procesamiento gráfico (GPUs), que pueden ser costosas y más difíciles de escalar.

Fig. 3. Rendimiento de YOLO26 en CPU (Fuente)

En general, Ultralytics YOLO26 es una opción sólida para equipos y profesionales que buscan optimizar el equilibrio entre rendimiento, coste y escalabilidad.

Un análisis más detallado de Ultralytics YOLO26#

Ultralytics YOLO26 es un modelo de última generación diseñado para implementarse en el mundo real, donde la eficiencia, la velocidad y la escalabilidad importan tanto como la precisión. En lugar de centrarse únicamente en mejorar el rendimiento en las pruebas de referencia, introduce cambios arquitectónicos y de entrenamiento que facilitan la ejecución de los modelos, aceleran su implementación y aumentan su fiabilidad en distintos entornos de hardware.

Estas mejoras son especialmente importantes para los sistemas periféricos y de producción, donde los recursos de computación limitados, las restricciones de latencia y los costes desempeñan un papel fundamental. Al simplificar la inferencia y optimizar el rendimiento, Ultralytics YOLO26 permite a los entusiastas de la IA crear y escalar aplicaciones de visión artificial de forma más eficiente.

Estas son algunas de las características clave de Ultralytics YOLO26:

• Inferencia integral sin NMS: Uno de los cambios cruciales es su diseño sin supresión de máximos no locales (NMS), que elimina la necesidad de posprocesamiento. En pocas palabras, el modelo genera directamente las predicciones finales. Como resultado, la latencia es más predecible y la implementación resulta más sencilla.
• Eliminación de DFL: Ultralytics YOLO26 deja atrás el módulo Distribution Focal Loss (DFL) y adopta un enfoque más sencillo para predecir los cuadros delimitadores. Este cambio concuerda con su diseño integral sin NMS, reduce la complejidad del flujo de procesamiento y mejora la coherencia de la implementación.
• Optimizador MuSGD: Los modelos Ultralytics YOLO más recientes incorporan MuSGD, un optimizador híbrido que combina el descenso de gradiente estocástico (SGD) con actualizaciones inspiradas en Muon. Esto mejora la estabilidad del entrenamiento y la convergencia, lo que da lugar a una optimización más fluida y un comportamiento más coherente en modelos de distintos tamaños.
• ProgLoss y STAL: Estas innovaciones de entrenamiento, la ponderación progresiva de pérdidas (ProgLoss) y la asignación de etiquetas consciente de los objetos pequeños (STAL), hacen que el modelo sea más estable y fiable. ProgLoss ayuda al modelo a aprender de los conjuntos de datos por etapas a lo largo del tiempo, mientras que STAL garantiza que los objetos pequeños no se ignoren durante el entrenamiento y mejora la detección en escenas complejas.

Precisión frente a eficiencia: más allá de las pruebas de referencia, el rendimiento en el mundo real#

Para contextualizar las diferencias entre YOLO26, YOLO11 y YOLOv8, veamos más de cerca los factores que determinan el rendimiento de los modelos en situaciones reales.

La precisión, que suele medirse mediante métricas de rendimiento como la precisión media promedio (mAP), ha sido durante mucho tiempo una forma importante de evaluar los modelos de visión artificial. Muestra el rendimiento de un modelo en condiciones normalizadas y resulta útil para comparar distintas versiones.

Sin embargo, cuando los modelos pasan de las pruebas a la implementación en el mundo real, la precisión por sí sola no basta. El rendimiento en producción depende de factores como el tamaño del modelo, el tiempo de inferencia o la latencia, el uso de recursos de computación y la capacidad de escalar un sistema en distintos entornos.

A diferencia de las pruebas de referencia controladas, los entornos reales suelen ser impredecibles. Las condiciones de iluminación pueden cambiar, los objetos pueden quedar parcialmente ocultos y los datos de entrada pueden diferir considerablemente de aquellos con los que se entrenó el modelo. Estas variaciones pueden afectar a la coherencia del rendimiento del modelo en la práctica.

Fig. 4. Ejemplo de Ultralytics YOLO26 en uso en un entorno impredecible, como una obra.

Por ejemplo, imagina una instalación con cientos de cámaras en una ciudad inteligente, una tienda o un almacén. Hay que procesar cada flujo en tiempo real, lo que suele requerir una frecuencia de fotogramas constante (fotogramas por segundo, o FPS) para evitar retrasos o pérdida de fotogramas.

Un modelo menos eficiente puede gestionar menos flujos simultáneos en un sistema determinado, lo que suele implicar que escalar requiere hardware adicional y aumenta los costes de infraestructura.

Los modelos más eficientes, como Ultralytics YOLO26, pueden procesar más flujos con el mismo hardware y aprovechar mejor los recursos disponibles. Esto mejora la eficiencia general del sistema y facilita el escalado de las implementaciones con el tiempo.

Para profundizar en la comparación entre YOLO26, YOLO11 y YOLOv8, consulta la documentación oficial de Ultralytics.

Conclusiones clave#

La serie de modelos Ultralytics YOLO ha evolucionado para adaptarse mejor a las necesidades de implementación en el mundo real. Cada versión se basa en la anterior y presta cada vez más atención a la eficiencia, la escalabilidad y la facilidad de implementación. En otras palabras, si estás creando una aplicación de detección en tiempo real que debe funcionar de forma fiable a escala, Ultralytics YOLO26 es una opción ideal.

¿Quieres incorporar la IA de visión a tus operaciones? Consulta nuestras opciones de licencia. También puedes visitar nuestras páginas de soluciones para descubrir cómo la IA en la fabricación está transformando las fábricas y cómo la IA de visión en robótica está dando forma al futuro. Únete a nuestra creciente comunidad y explora nuestro repositorio de GitHub para encontrar recursos de IA.