Ultralytics YOLO26 frente a YOLO11 frente a YOLOv8: ¿Cuál deberías usar?

Los sistemas de visión artificial de vanguardia, a menudo impulsados por redes neuronales convolucionales (CNNs), permiten a las máquinas analizar e interpretar datos visuales de imágenes y vídeos, y ahora se están desplegando en una amplia gama de entornos.

Desde la agricultura hasta la fabricación y el comercio minorista, estos sistemas operan en una variedad de entornos de despliegue, incluyendo dispositivos de borde (edge), hardware embebido, dispositivos del Internet de las Cosas (IoT), procesamiento en el propio dispositivo y conductos de datos (pipelines) en la nube a gran escala que admiten aplicaciones en tiempo real.

En el uso real, desplegar estos modelos no siempre es sencillo. A menudo necesitan ejecutarse con recursos limitados, cumplir con estrictos requisitos de latencia y escalar sin aumentar significativamente los costes. Estas limitaciones hacen que el rendimiento sea un problema multidimensional en lugar de depender solo de la precisión.

Aunque la precisión sigue siendo importante, es igualmente importante que un modelo se ejecute de manera eficiente en producción. Factores como la velocidad, el uso de recursos y la escalabilidad juegan un papel importante 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 estableció una base sólida y versátil, Ultralytics YOLO11 dio un paso más allá con una mayor velocidad y precisión, y Ultralytics YOLO26 se basa en esto siendo más ligero, más rápido y más eficiente que nunca.

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

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

Link to this sectionComprender cómo han evolucionado los modelos Ultralytics YOLO#

Cada iteración de los modelos Ultralytics YOLO ha introducido mejoras para satisfacer mejor las necesidades 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 desplegar, apoyando el crecimiento del ecosistema de IA de visión.

También están construidos sobre PyTorch, lo que los hace fáciles de entrenar, personalizar e integrar en flujos de trabajo inteligentes de aprendizaje automático. De forma inmediata, los modelos Ultralytics YOLO están disponibles como modelos preentrenados, a menudo entrenados en conjuntos de datos como el COCO dataset, lo que permite a los equipos empezar rápidamente y ajustarlos para casos de uso específicos.

Además de esto, el paquete de Python de Ultralytics simplifica el despliegue al proporcionar soporte integrado para exportar modelos a formatos como ONNX y TensorRT. Esto facilita la integración de modelos en diferentes plataformas de hardware, desde dispositivos de borde hasta sistemas acelerados por GPU.

Link to this sectionDe Ultralytics YOLOv5 a Ultralytics YOLO26#

El primer modelo Ultralytics YOLO, Ultralytics YOLOv5, se hizo muy popular por sus capacidades fiables de detección de objetos. Basado en un enfoque de detección de una sola etapa, permitía predicciones rápidas en tiempo real en una sola pasada, lo que lo hacía muy adecuado para flujos de trabajo de producción.

Actualizaciones posteriores introdujeron variantes sin anclas (anchor-free), donde el modelo predice las ubicaciones de los objetos directamente en lugar de utilizar cajas de anclaje predefinidas, haciendo que la detección fuera más flexible. Sin embargo, el modelo original permaneció principalmente centrado en tareas de detección de objetos.

Sobre esta base, YOLOv8 amplió el alcance de la familia de modelos. En lugar de centrarse solo en la detección de objetos, añadió soporte para múltiples tareas de visión artificial como la segmentación de instancias, la clasificación de imágenes, la estimación de pose y la detección de cajas delimitadoras orientadas (OBB). También trajo mejoras arquitectónicas, incluidos diseños avanzados de backbone y neck, que mejoraron la extracción de características y el rendimiento general de la detección.

Más allá de esto, variantes como YOLOv8n (Nano), YOLOv8s (Small), YOLOv8m (Medium), YOLOv8l (Large) y YOLOv8x (Extra Large) dieron a los desarrolladores la flexibilidad de equilibrar velocidad, precisión y uso de recursos según sus necesidades. Esta capacidad más amplia, combinada con su facilidad de uso, lo convirtió en la opción preferida para una amplia gama de aplicaciones de visión.

Fig 2. Modelos YOLO como YOLOv8, YOLO11 y YOLO26 admiten una variedad de tareas de visión.

Tras esto, YOLO11 se centró en mejorar el rendimiento en flujos de trabajo del mundo real, ofreciendo una mayor precisión junto con velocidades de inferencia más rápidas. Con una arquitectura más ligera, funciona bien tanto en entornos de borde como en la nube, siendo compatible con los conductos de datos (pipelines) existentes de YOLOv8.

La última incorporación a la familia de modelos Ultralytics YOLO, YOLO26, es un modelo de última generación que establece un nuevo estándar para la IA de visión centrada en el borde (edge-first), ofreciendo un enfoque más ligero, rápido y eficiente para el despliegue en el mundo real. Está diseñado para ejecutarse de manera eficiente en CPUs y sistemas embebidos, mientras simplifica el despliegue y mejora el rendimiento en tiempo real en una amplia gama de aplicaciones.

Link to this sectionComparación de YOLO26 frente a YOLO11 frente a YOLOv8#

Al trabajar en proyectos de visión artificial, es posible que encuentres diferentes modelos de Ultralytics y te preguntes cuál es el adecuado para tu proyecto. Vamos a analizar cómo se comparan YOLO26, YOLO11 y YOLOv8 en escenarios del mundo real.

YOLOv8 se lanzó en 2023 y desde entonces ha sido ampliamente utilizado por la comunidad de visión artificial. Su sólido apoyo de la comunidad y su facilidad de uso lo convirtieron en un modelo de referencia para muchos equipos en el pasado. Si buscas un modelo bien documentado con una amplia gama de tutoriales, guías y recursos de la comunidad, YOLOv8 es un excelente punto de partida.

En 2024, se introdujo YOLO11 con mejoras tanto en rendimiento como en eficiencia. Ofrece mejor velocidad y precisión en comparación con YOLOv8, manteniendo una arquitectura más pequeña y optimizada. Es un modelo más equilibrado que funciona de forma fiable en producción sin aumentar significativamente el uso de recursos.

Este año, se lanzó YOLO26 como la última iteración, centrándose en el despliegue eficiente a escala. Ofrece una inferencia de 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 lograr una inferencia hasta un 43% más rápida que YOLO11 en unidades centrales de procesamiento (CPU), lo que lo convierte en una excelente opción para entornos de borde y con recursos limitados. Esto es especialmente vital porque las configuraciones tradicionales a menudo dependen en gran medida de las unidades de procesamiento gráfico (GPU), que pueden ser costosas y más difíciles de escalar.

Fig 3. Evaluación comparativa del rendimiento de YOLO26 en CPUs (Fuente)

En general, YOLO26 es una opción sólida para equipos e individuos que buscan optimizar las compensaciones entre rendimiento, coste y escalabilidad.

Link to this sectionUn vistazo más de cerca a Ultralytics YOLO26#

YOLO26 es un modelo de última generación diseñado para el despliegue en el mundo real, donde la eficiencia, la velocidad y la escalabilidad importan tanto como la precisión. En lugar de centrarse solo en mejorar el rendimiento en pruebas comparativas, introduce cambios en la arquitectura y en el entrenamiento que hacen que los modelos sean más fáciles de ejecutar, más rápidos de desplegar y más fiables en diferentes entornos de hardware.

Estas mejoras son especialmente importantes para los sistemas de borde y de producción, donde el cómputo limitado, las restricciones de latencia y las consideraciones de costes juegan un papel clave. Al simplificar la inferencia y optimizar el rendimiento, YOLO26 permite a los entusiastas de la IA construir y escalar aplicaciones de visión de manera más eficiente.

Aquí tienes un vistazo más de cerca a algunas de las características clave de YOLO26:

• Inferencia integral sin NMS: Uno de los cambios cruciales es su diseño sin Supresión de No Máximos (NMS), que elimina la necesidad de postprocesamiento. En términos sencillos, el modelo produce las predicciones finales directamente. Como resultado, la latencia se vuelve más predecible y el despliegue se vuelve más fácil.
• Eliminación de DFL: YOLO26 se aleja del módulo de Distribution Focal Loss (DFL) hacia un enfoque de predicción de cajas delimitadoras más simple. Este cambio se alinea con su diseño integral sin NMS, reduciendo la complejidad del conducto de datos (pipeline) y mejorando la consistencia del despliegue.
• Optimizador MuSGD: Los modelos Ultralytics YOLO más recientes introducen MuSGD, un optimizador híbrido que combina el Descenso de Gradiente Estocástico (SGD) con actualizaciones inspiradas en Muon. Esto mejora la estabilidad y convergencia del entrenamiento, lo que lleva a una optimización más suave y un comportamiento más consistente entre diferentes tamaños de modelo.
• ProgLoss y STAL: Estas innovaciones en el entrenamiento, el Balanceo Progresivo de Pérdida (ProgLoss) y la Asignación de Etiquetas Consciente de Objetos Pequeños (STAL), hacen que el modelo sea más estable y fiable. ProgLoss ayuda al modelo a aprender de los conjuntos de datos en etapas a lo largo del tiempo, mientras que STAL garantiza que los objetos pequeños no se ignoren durante el entrenamiento, mejorando la detección en escenas complejas.

Link to this sectionPrecisión frente a eficiencia: Más allá de las pruebas comparativas hacia el rendimiento en el mundo real#

Para poner en contexto las diferencias entre YOLO26, YOLO11 y YOLOv8, comprendamos mejor los factores que impulsan el rendimiento del modelo en el uso real.

La precisión, a menudo medida por métricas de rendimiento como la precisión media media (mAP), ha sido una forma importante de evaluar los modelos de visión artificial durante mucho tiempo. Muestra cómo funciona un modelo en condiciones estandarizadas y es útil al comparar diferentes versiones.

Sin embargo, una vez que los modelos pasan de las pruebas al despliegue en el mundo real, la precisión por sí sola no es suficiente. El rendimiento en producción depende de factores como el tamaño del modelo, el tiempo de inferencia o latencia, el uso de computación y la capacidad de un sistema para escalar en diferentes entornos.

A diferencia de las pruebas controladas, los entornos del mundo real son a menudo impredecibles. Las condiciones de iluminación pueden cambiar, los objetos pueden ser parcialmente visibles y los datos de entrada pueden variar significativamente de aquellos con los que se entrenó el modelo. Estas variaciones pueden afectar la consistencia con la que un modelo funciona en la práctica.

Fig 4. Un ejemplo de YOLO26 siendo utilizado en un entorno impredecible, como una obra en construcción.

Por ejemplo, considera una configuración con cientos de cámaras en una ciudad inteligente, tienda minorista o almacén. Cada flujo de datos necesita ser procesado en tiempo real, lo que a menudo requiere frecuencias de imagen constantes (cuadros por segundo, o FPS) para evitar retrasos o pérdida de cuadros.

Un modelo menos eficiente puede manejar menos flujos simultáneos en un sistema determinado, lo que significa que la escalabilidad normalmente requiere hardware adicional y aumenta los costes de infraestructura.

Los modelos más eficientes, como YOLO26, pueden procesar más flujos en el mismo hardware, haciendo un mejor uso de los recursos disponibles. Esto mejora la eficiencia general del sistema y facilita la escalabilidad de los despliegues a lo largo del tiempo.

Para profundizar en YOLO26 frente a YOLO11 frente a YOLOv8, consulta la documentación oficial de Ultralytics.

Link to this sectionConclusiones clave#

La serie de modelos Ultralytics YOLO ha evolucionado para ajustarse mejor a las necesidades de despliegue en el mundo real. Cada versión se basa en la anterior, con un enfoque creciente en la eficiencia, la escalabilidad y la facilidad de despliegue. En otras palabras, si estás construyendo una aplicación de detección en tiempo real que necesita ejecutarse de manera fiable a escala, Ultralytics YOLO26 es la elección perfecta.

¿Buscas llevar la IA de visión a tus operaciones? Consulta nuestras opciones de licencia. También puedes visitar nuestras páginas de soluciones para ver 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 obtener recursos de IA.