YOLO11 frente a YOLOv8#

Las arquitecturas de detección de objetos siguen evolucionando. Al evaluar modelos para implementaciones reales, los desarrolladores suelen comparar Ultralytics YOLO11 con su predecesor ampliamente adoptado, Ultralytics YOLOv8. Ambos modelos son conocidos por su velocidad, precisión y experiencia de desarrollo, pero se adaptan a ciclos de vida de proyecto y objetivos de rendimiento algo distintos.

Esta guía analiza sus arquitecturas, metodologías de entrenamiento y casos de uso ideales para ayudarte a elegir el modelo adecuado para tus proyectos de inteligencia artificial.

Innovaciones arquitectónicas#

La transición de YOLOv8 a YOLO11 introdujo varios refinamientos arquitectónicos que mejoran la eficiencia de extracción de características y reducen la sobrecarga computacional.

Arquitectura de YOLO11#

YOLO11 se centra en la eficiencia de los parámetros. Sustituye los módulos C2f por bloques C3k2, que mejoran el procesamiento de características espaciales sin aumentar el número de parámetros. Además, YOLO11 incorpora el módulo C2PSA (atención espacial parcial entre etapas) en su red troncal. Este mecanismo de atención ayuda al modelo a centrarse en regiones de interés importantes, lo que mejora la detección de objetos pequeños y el tratamiento de oclusiones complejas.

• Autores: Glenn Jocher y Jing Qiu
• Organización: Ultralytics
• Fecha: 2024-09-27
• GitHub: Repositorio de Ultralytics
• Documentación: Documentación de YOLO11

Arquitectura de YOLOv8#

Lanzado un año antes, YOLOv8 incorporó a Ultralytics YOLO una cabeza de detección sin anclajes, que eliminó la necesidad de ajustar manualmente los cuadros de anclaje y simplificó la formulación de la pérdida. Su arquitectura se basa en el bloque C2f, un diseño que equilibra la profundidad de la red y el flujo de gradientes, lo que ofrece fiabilidad en una amplia variedad de aplicaciones de visión artificial.

• Autores: Glenn Jocher, Ayush Chaurasia y Jing Qiu
• Organización: Ultralytics
• Fecha: 2023-01-10
• GitHub: Repositorio de Ultralytics
• Documentación: Documentación de YOLOv8

Rendimiento y pruebas de referencia#

Al implementar modelos en dispositivos de borde como Raspberry Pi o en servidores de alto rendimiento con NVIDIA TensorRT, es esencial entender el equilibrio entre velocidad y precisión. La tabla siguiente muestra que YOLO11 es más preciso que YOLOv8 en todos los tamaños de modelo.

Análisis de las métricas#

YOLO11 alcanza una precisión media (mAP) superior y, al mismo tiempo, reduce tanto el número de parámetros como las operaciones de coma flotante (FLOPs). Por ejemplo, el modelo YOLO11m necesita un 22 % menos de parámetros que YOLOv8m, pero ofrece 1,3 puntos más de mAP en el conjunto de datos COCO. Además, las velocidades de inferencia en CPU tras exportar al formato ONNX muestran que YOLO11 es más rápido en todos los tamaños (56,1 ms frente a 80,4 ms para los modelos nano), lo que lo convierte en una buena opción para implementaciones sin aceleración por GPU.

La ventaja del ecosistema Ultralytics#

Tanto si eliges YOLO11 como YOLOv8, ambos modelos se benefician del ecosistema Ultralytics, que simplifica el ciclo de vida del aprendizaje automático.

Facilidad de uso y API sencilla#

El paquete Python ultralytics ofrece una API sencilla que permite a ingenieros e investigadores entrenar, validar y exportar modelos con solo unas pocas líneas de código. Esto abstrae las complejidades habituales de la configuración de entornos de aprendizaje profundo en PyTorch.

Eficiencia del entrenamiento y requisitos de memoria#

A diferencia de los transformers de visión pesados (como RT-DETR), los modelos Ultralytics YOLO destacan por su bajo consumo de memoria durante el entrenamiento. Esta eficiencia de memoria permite a los desarrolladores entrenar redes precisas en GPU de consumo o en entornos en la nube como Google Colab, sin sufrir errores por falta de memoria.

Versatilidad en distintas tareas de visión#

Tanto YOLO11 como YOLOv8 son modelos multitarea. Además de la detección de objetos estándar mediante cajas delimitadoras, son compatibles de forma nativa con la segmentación de instancias, la clasificación de imágenes, la estimación de pose humana y las cajas delimitadoras orientadas (OBB) para imágenes aéreas.

Casos de uso y recomendaciones#

Elegir entre YOLO11 y YOLOv8 depende de los requisitos específicos de tu proyecto, las limitaciones de implementación y las preferencias de ecosistema.

Cuándo elegir YOLO11#

YOLO11 es una excelente opción para:

• Despliegue periférico en producción: Aplicaciones comerciales en dispositivos como Raspberry Pi o NVIDIA Jetson, donde la fiabilidad y el mantenimiento activo son fundamentales.
• Aplicaciones de visión multitarea: Proyectos que requieren detección, segmentación, clasificación, estimación de pose y OBB en un único marco de trabajo unificado.
• Prototipado y despliegue rápidos: Equipos que necesitan pasar rápidamente de la recopilación de datos a producción mediante la sencilla API de Python de Ultralytics.

Cuándo elegir YOLOv8#

Se recomienda YOLOv8 para:

• Implementación multitarea versátil: proyectos que necesitan un modelo probado para detección, segmentación, clasificación, estimación de pose y OBB dentro del ecosistema Ultralytics.
• Sistemas de producción consolidados: Entornos de producción existentes basados en la arquitectura YOLOv8, con canalizaciones de implementación estables y bien probadas.
• Amplio respaldo de la comunidad y del ecosistema: Aplicaciones que se benefician de los numerosos tutoriales de YOLOv8, las integraciones de terceros y los recursos de una comunidad activa.

Cuándo elegir Ultralytics (YOLO26)#

Para la mayoría de los proyectos nuevos, Ultralytics YOLO26 ofrece la mejor combinación de rendimiento y experiencia para desarrolladores:

• Implementación edge sin NMS: Aplicaciones que necesitan inferencias uniformes y de baja latencia sin la complejidad del posprocesamiento con supresión no máxima.
• Entornos solo con CPU: Dispositivos sin aceleración de GPU dedicada, en los que la inferencia en CPU hasta un 43 % más rápida de YOLO26 (YOLO26n frente a YOLO11n) supone una ventaja decisiva.
• Detección de objetos pequeños: Situaciones exigentes, como las imágenes aéreas tomadas con drones o el análisis de sensores IoT, en las que ProgLoss y STAL mejoran la precisión con objetos pequeños.

Ejemplo de código: primeros pasos#

Entrenar e implementar un modelo Ultralytics requiere solo unas pocas líneas de código. El siguiente ejemplo muestra cómo cargar un modelo YOLO11 preentrenado, ajustarlo con un conjunto de datos personalizado y exportarlo para implementarlo en el edge mediante Apple CoreML:

from ultralytics import YOLO

# Inicializa el modelo YOLO11 pequeño
model = YOLO("yolo11s.pt")

# Entrena el modelo de forma eficiente con requisitos de memoria optimizados
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

# Evalúa el rendimiento en validación
metrics = model.val()

# Ejecuta inferencias en tiempo real sobre una imagen de prueba
predictions = model("https://ultralytics.com/images/bus.jpg")

# Expórtalo a CoreML para desplegarlo rápidamente en dispositivos móviles
export_path = model.export(format="coreml")

El futuro: IA de borde con YOLO26#

YOLO11 es una arquitectura madura y capaz, pero para los desarrolladores que empiezan proyectos nuevos, Ultralytics YOLO26 (publicado en enero de 2026) es el modelo recomendado.

YOLO26 incorpora varias funciones nuevas:

• Diseño integral sin NMS: basándose en conceptos explorados en YOLOv10, YOLO26 ofrece una cabeza opcional uno a uno (nms=False) que omite el posprocesamiento de supresión no máxima (NMS), lo que reduce la latencia y la hace más predecible en distintos tipos de hardware de implementación.
• Inferencia en CPU hasta un 43 % más rápida: al eliminar la rama Distribution Focal Loss (DFL), YOLO26n se ejecuta hasta un 43 % más rápido que YOLO11n en CPU, por lo que resulta adecuado para dispositivos de computación en el edge que no disponen de GPU potentes.
• Optimizador MuSGD: inspirado en técnicas de entrenamiento de modelos de lenguaje grandes (LLM), YOLO26 utiliza MuSGD, una combinación de SGD y Muon, para lograr una convergencia de entrenamiento estable y rápida.
• ProgLoss + STAL: Progressive Loss y Small-Target-Aware Label Assignment (STAL) mejoran el reconocimiento de objetos pequeños y ocluidos, algo esencial para la robótica autónoma y el análisis con drones.

Tanto si confías en la fiabilidad probada de YOLOv8, la arquitectura optimizada de YOLO11 o las capacidades de nueva generación de YOLO26, Ultralytics Platform te proporciona las herramientas para llevar tus aplicaciones de IA visual del concepto a producción. Las integraciones de Ultralytics conectan tus modelos con flujos de trabajo empresariales y paneles de análisis.