Al hacer clic en “Aceptar todas las cookies”, aceptas el almacenamiento de cookies en tu dispositivo para mejorar la navegación del sitio, analizar el uso del sitio y ayudar en nuestros esfuerzos de marketing. Más información
Configuración de cookies
Al hacer clic en “Aceptar todas las cookies”, aceptas el almacenamiento de cookies en tu dispositivo para mejorar la navegación del sitio, analizar el uso del sitio y ayudar en nuestros esfuerzos de marketing. Más información
Los sistemas de visión artificial de última generación, que suelen basarse en redes neuronales convolucionales (CNN), permiten a las máquinas analizar e interpretar datos visuales procedentes de imágenes y vídeos, y actualmente se están implantando en una amplia variedad de entornos.
Desde la agricultura hasta la industria manufacturera y el comercio minorista, estos sistemas funcionan en una amplia variedad de entornos de implementación, entre los que se incluyen dispositivos periféricos, hardware integrado, dispositivos del Internet de las cosas (IoT), procesamiento en el propio dispositivo y flujos de trabajo en la nube a gran escala que admiten aplicaciones en tiempo real.
En la práctica, la implementación de estos modelos no siempre es sencilla. A menudo deben ejecutarse con recursos informáticos limitados, cumplir requisitos estrictos de latencia y escalar sin aumentar significativamente los costes. Estas limitaciones hacen que el rendimiento sea un problema multidimensional, y no solo una cuestión de precisión.
Aunque la precisión sigue siendo importante, es igualmente importante que un modelo funcione de manera eficiente en entorno de producción. Factores como la velocidad, el uso de recursos y la escalabilidad desempeñan un papel fundamental en el rendimiento de un sistema a lo largo del tiempo.
Los modelos de visión artificial, como YOLO Ultralytics , se han desarrollado teniendo en cuenta este equilibrio. Por ejemplo, Ultralytics YOLOv8 sentó unas bases sólidas y versátiles, Ultralytics YOLO11 dio un paso más allá con una velocidad y precisión mejoradas, y Ultralytics se basa en ello para ser más ligero, más rápido y más eficiente que nunca.
Fig. 1. Uso de Ultralytics para detect en una imagen (Fuente)
En este artículo, compararemos los modelos Ultralytics , YOLO11 YOLOv8 Ultralytics YOLOv8 ayudarte a elegir el modelo más adecuado para tu proyecto de visión artificial. ¡Empecemos!
Comprender cómo han evolucionadoYOLO Ultralytics
Cada nueva versión deYOLO Ultralytics ha incorporado mejoras para adaptarse mejor a las necesidades del mundo real y hacer que la visión artificial sea más accesible. Estas actualizaciones han logrado que los modelos sean más rápidos, eficientes y fáciles de implementar, lo que ha contribuido al crecimiento del ecosistema de la IA aplicada a la visión.
Además, están desarrollados con PyTorch, lo que facilita su entrenamiento, personalización e integración en flujos de trabajo inteligentes de aprendizaje automático.YOLO Ultralytics están disponibles de forma inmediata como modelos preentrenados, a menudo entrenados con COCO como COCO , lo que permite a los equipos ponerse en marcha rápidamente y ajustarlos para casos de uso específicos.
Además, el Python Ultralytics simplifica la implementación al ofrecer compatibilidad integrada para exportar modelos a formatos como ONNX TensorRT. Esto facilita la integración de modelos en diferentes plataformas de hardware, desde dispositivos periféricos hasta sistemas GPU.
Pasar de Ultralytics YOLOv5 Ultralytics
El primerYOLO de Ultralytics , Ultralytics YOLOv5, se hizo muy popular por sus fiables capacidades de detección de objetos. Basado en un enfoque de detección en una sola etapa, permitía predicciones rápidas y en tiempo real en una sola pasada, lo que lo hacía muy adecuado para flujos de trabajo de producción.
En actualizaciones posteriores se introdujeron variantes sin anclajes, en las que el modelo predice la ubicación de los objetos directamente, en lugar de utilizar cuadros de anclaje predefinidos, lo que hace que la detección sea más flexible. Sin embargo, el modelo original siguió centrándose principalmente en tareas de detección de objetos.
Partiendo de esta base, YOLOv8 el alcance de la familia de modelos. En lugar de centrarse únicamente en la detección de objetos, añadió compatibilidad con múltiples tareas de visión artificial, como la segmentación de instancias, la clasificación de imágenes, la estimación de poses y la detección de cajas delimitadoras orientadas (OBB). También introdujo mejoras arquitectónicas, entre las que se incluyen diseños avanzados de la red troncal y del cuello, lo que mejoró la extracción de características y el rendimiento general de la detección.
Además, variantes como YOLOv8n Nano), YOLOv8s Small), YOLOv8m Medium), YOLOv8l Large) y YOLOv8x Extra Large) ofrecían a los desarrolladores la flexibilidad necesaria para equilibrar la velocidad, la precisión y el consumo de recursos en función de sus necesidades. Esta mayor capacidad, combinada con su facilidad de uso, lo convirtió en la opción preferida para una amplia gama de aplicaciones de visión.
Fig. 2. YOLO , como YOLOv8, YOLO11 y YOLO26, admiten una amplia gama de tareas de visión.
A raíz de ello, YOLO11 en mejorar el rendimiento en flujos de trabajo reales, ofreciendo una mayor precisión y velocidades de inferencia más rápidas. Gracias a su arquitectura más ligera, funciona bien tanto en entornos periféricos como en la nube, a la vez que es compatible con YOLOv8 existentes YOLOv8 .
La última incorporación a la familiaYOLO Ultralytics , YOLO26, es un modelo de vanguardia que establece un nuevo estándar para la IA de visión centrada en el borde, ofreciendo un enfoque más ligero, rápido y eficiente para su implementación en el mundo real. Está diseñado para funcionar de manera eficiente en CPU y sistemas integrados, al tiempo que simplifica la implementación y mejora el rendimiento en tiempo real en una amplia gama de aplicaciones.
Comparación entre YOLO26, YOLO11 YOLOv8
Al trabajar en proyectos de visión artificial, es posible que te encuentres con diferentes Ultralytics y te preguntes cuál es el más adecuado para tu proyecto. Veamos cómo YOLOv8 YOLO26, YOLO11 YOLOv8 en situaciones reales.
YOLOv8 lanzó en 2023 y, desde entonces, ha sido ampliamente utilizado por la comunidad de visión artificial. Su sólido respaldo por parte de la comunidad y su facilidad de uso lo convirtieron en el modelo de referencia para muchos equipos en el pasado. Si buscas un modelo bien documentado con una amplia variedad de tutoriales, guías y recursos comunitarios, YOLOv8 un excelente punto de partida.
En 2024 YOLO11 presentó YOLO11 , con mejoras tanto en rendimiento como en eficiencia. Ofrece mayor velocidad y precisión en comparación con YOLOv8, al tiempo que mantiene una arquitectura más compacta y optimizada. Se trata de un modelo más equilibrado que funciona de forma fiable en entornos de producción sin aumentar significativamente el consumo de recursos.
Este año se ha lanzado YOLO26, la última versión, centrada en una implementación eficiente a gran escala. Ofrece CPU más rápida y una mejor utilización de los recursos, lo que permite a los equipos ejecutar más cargas de trabajo en el mismo hardware.
Por ejemplo, el modelo YOLO26 nano puede alcanzar una velocidad de inferencia hasta un 43 % superior a la de YOLO11 unidades centrales de procesamiento (CPU), lo que lo convierte en una excelente opción para entornos periféricos y con recursos limitados. Esto resulta especialmente importante porque las configuraciones tradicionales suelen depender en gran medida de las unidades de procesamiento gráfico (GPU), que pueden resultar costosas y más difíciles de escalar.
Fig. 3. Comparativa del rendimiento de YOLO26 en CPU (Fuente)
En general, YOLO26 es una opción sólida para equipos y particulares que deseen optimizar el equilibrio entre rendimiento, coste y escalabilidad.
Un análisis detallado de Ultralytics
YOLO26 es un modelo de última generación diseñado para su implementación en el mundo real, donde la eficiencia, la velocidad y la escalabilidad son tan importantes como la precisión. En lugar de centrarse únicamente en mejorar el rendimiento en las pruebas de referencia, introduce cambios en la arquitectura y el entrenamiento que hacen que los modelos sean más fáciles de ejecutar, más rápidos de implementar y más fiables en distintos entornos de hardware.
Estas mejoras son especialmente importantes para los sistemas periféricos y de producción, en los que la capacidad de cálculo limitada, las restricciones de latencia y las consideraciones de coste desempeñan un papel fundamental. Al simplificar la inferencia y optimizar el rendimiento, YOLO26 permite a los entusiastas de la IA crear y ampliar aplicaciones de visión de forma más eficiente.
A continuación, te presentamos un análisis detallado de algunas de las características principales de YOLO26:
Inferencia de extremo a extremo NMSNMS NMS: Uno de los cambios fundamentales es su diseño sin supresión del máximo (NMS), que elimina la necesidad de un posprocesamiento. En pocas palabras, el modelo genera las predicciones finales directamente. Como resultado, la latencia se vuelve más predecible y la implementación resulta más sencilla.
Eliminación de DFL: YOLO26 abandona el módulo de pérdida focal de distribución (DFL) para adoptar un enfoque más sencillo de predicción de cuadros delimitadores. Este cambio se ajusta a su diseño de extremo a extremo NMS, lo que reduce la complejidad del proceso y mejora la coherencia del despliegue.
Optimizador MuSGD: Los últimosYOLO Ultralytics incorporan MuSGD, un optimizador híbrido que combina el descenso de gradiente estocástico (SGD) con actualizaciones inspiradas en el muón. Esto mejora la estabilidad y la convergencia del entrenamiento, lo que se traduce en una optimización más fluida y un comportamiento más consistente en modelos de distintos tamaños.
ProgLoss y STAL: Estas innovaciones en el entrenamiento, el «Progressive Loss Balancing» (ProgLoss) y el «Small-Target-Aware Label Assignment» (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, lo que mejora la detección en escenas complejas.
Precisión frente a eficiencia: más allá de las pruebas de rendimiento, hacia el rendimiento en el mundo real
Para poner YOLOv8 contexto las diferencias entre YOLO26, YOLO11 y YOLOv8 , analicemos con más detalle 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 (mAP), ha sido durante mucho tiempo una forma importante de evaluar los modelos de visión artificial. Muestra el rendimiento de un modelo en condiciones estandarizadas y resulta útil a la hora de comparar diferentes versiones.
Sin embargo, una vez que los modelos pasan de la fase de pruebas a su 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 consumo de recursos informáticos y la capacidad del sistema para adaptarse a diferentes entornos.
A diferencia de las pruebas de rendimiento controladas, los entornos reales suelen ser impredecibles. Las condiciones de iluminación pueden cambiar, los objetos pueden estar parcialmente visibles y los datos de entrada pueden diferir considerablemente de aquellos con los que se entrenó el modelo. Estas variaciones pueden afectar a la consistencia del rendimiento del modelo en la práctica.
Fig. 4. Un ejemplo del uso de YOLO26 en un entorno impredecible, como una obra.
Por ejemplo, imaginemos una instalación con cientos de cámaras en una ciudad inteligente, una tienda minorista o un almacén. Cada flujo de vídeo debe procesarse en tiempo real, lo que a menudo requiere una frecuencia de fotogramas constante (fotogramas por segundo, o FPS) para evitar retrasos o pérdidas de fotogramas.
Un modelo menos eficiente puede gestionar menos flujos simultáneos en un sistema determinado, lo que significa que, por lo general, la escalabilidad requiere hardware adicional y aumenta los costes de infraestructura.
Los modelos más eficientes, como YOLO26, pueden procesar más flujos en el mismo hardware, aprovechando mejor los recursos disponibles. Esto mejora la eficiencia general del sistema y facilita la ampliación de las implementaciones con el paso del tiempo.
La serieYOLO Ultralytics ha evolucionado para adaptarse mejor a las necesidades reales de implementación. Cada versión mejora a la anterior, con un enfoque cada vez mayor en la eficiencia, la escalabilidad y la facilidad de implementación. En otras palabras, si estás desarrollando una aplicación de detección en tiempo real que debe funcionar de forma fiable a gran escala, Ultralytics es la opción perfecta.
