Empezar

YOLOv5 frente a YOLOv8

Al desarrollar aplicaciones de visión artificial escalables y eficientes, elegir la arquitectura adecuada es fundamental. El ecosistema Ultralytics ha mejorado progresivamente la velocidad y la precisión, y ofrece a los desarrolladores herramientas sólidas para implementaciones en el mundo real. Esta comparación técnica analiza las diferencias entre YOLOv5 y YOLOv8, sus arquitecturas, las ventajas y desventajas de su rendimiento y los casos de uso ideales, para ayudarte a tomar una decisión informada para tu próximo proyecto de IA.

Ambos modelos representan hitos importantes en la historia de la detección de objetos en tiempo real y se benefician de los bajos requisitos de memoria y la facilidad de uso propios del ecosistema Ultralytics.

YOLOv5: el estándar fiable del sector#

Presentado en 2020, YOLOv5 se convirtió rápidamente en un estándar ampliamente adoptado para la detección de objetos rápida, accesible y fiable. Al aprovechar una implementación nativa de PyTorch, simplificó el ciclo de entrenamiento e implementación para ingenieros de todo el mundo.

Fortalezas arquitectónicas#

YOLOv5 utiliza un paradigma de detección basado en anchors, que depende de cajas anchor predefinidas para predecir los límites de los objetos. Su arquitectura incorpora un backbone de red Cross-Stage Partial (CSP), que optimiza el flujo de gradientes y reduce la redundancia computacional. El resultado es una huella de memoria reducida, que permite entrenarlo rápidamente incluso en GPU de consumo estándar.

Casos de uso ideales#

YOLOv5 es adecuado para proyectos en los que se priorizan el máximo rendimiento y el uso mínimo de recursos. Destaca en entornos de IA edge, como las implementaciones en Raspberry Pi o dispositivos móviles. Su madurez implica que ya se ha probado en miles de implementaciones comerciales y ofrece un comportamiento estable en flujos de trabajo tradicionales de detección de objetos.

Ventaja para implementaciones heredadas

Gracias a su amplia adopción, YOLOv5 cuenta con rutas de exportación estables y probadas a frameworks de implementación como TensorRT y ONNX, lo que simplifica su integración en pilas tecnológicas antiguas.

YOLOv8: el framework unificado de visión#

Publicado en enero de 2023, YOLOv8 supuso un importante cambio arquitectónico: pasó de ser un detector de objetos específico a convertirse en un framework de visión versátil y multitarea.

Innovaciones arquitectónicas#

A diferencia de su predecesor, YOLOv8 incorpora un cabezal de detección sin anchors. Esto elimina la necesidad de ajustar manualmente las configuraciones de anchors según las distribuciones de los conjuntos de datos y mejora la generalización entre conjuntos, desde el popular conjunto de datos COCO hasta diversos datos personalizados.

La arquitectura también mejora el backbone con un módulo C2f (cuello de botella Cross-Stage Partial con dos convoluciones), que sustituye al antiguo módulo C3. Esta mejora optimiza la representación de características sin consumir demasiada memoria. Además, la implementación de un cabezal desacoplado —que separa las tareas de clasificación y regresión— mejora la convergencia durante el entrenamiento del modelo.

Versatilidad y API de Python#

YOLOv8 introdujo la moderna API de Python ultralytics, que estandariza el flujo de trabajo para distintas tareas de visión artificial. Tanto si realizas segmentación de instancias, clasificación de imágenes o estimación de poses, la API unificada solo requiere pequeños cambios de configuración.

from ultralytics import YOLO

# Carga un modelo YOLOv8 preentrenado
model = YOLO("yolov8n.pt")

# Entrena con un conjunto de datos personalizado y aprovecha la eficiencia de memoria integrada
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Ejecuta la inferencia y analiza los resultados fácilmente
predictions = model("https://ultralytics.com/images/bus.jpg")
predictions[0].show()

Comparativa detallada del rendimiento#

Al comparar ambas generaciones, se observa una disyuntiva clásica: YOLOv8 alcanza una mayor precisión media (mAP) en todos los casos, mientras que YOLOv5 mantiene una ventaja en velocidad de inferencia bruta y número de parámetros en sus variantes más pequeñas.

A continuación se muestra una comparación detallada de sus métricas de rendimiento en el conjunto de datos COCO con un tamaño de imagen de 640 píxeles.

Modelotamaño
(píxeles)
mAPval50-95Velocidad
CPU ONNX
(ms)
Velocidad
T4 TensorRT10
(ms)
parámetros
(M)
FLOPs
(B)
YOLOv5n64028.0-1.121.94.5
YOLOv5s64037.4-1.927.216.5
YOLOv5m64045.4-4.0321.249.0
YOLOv5l64049.0-6.6146.5109.1
YOLOv5x64050.7-11.8986.7205.7
YOLOv8n64037.380.41.473.28.7
YOLOv8s64044.9128.42.6611.228.6
YOLOv8m64050.2234.75.8625.978.9
YOLOv8l64052.9375.29.0643.7165.1
YOLOv8x64053.9479.114.3768.2257.8

Los datos muestran que YOLOv8 ofrece una mejora considerable de la precisión. Por ejemplo, YOLOv8s alcanza un mAP de 44,9, frente a los 37,4 mAP de YOLOv5s, una ganancia de 7,5 puntos que resulta útil en escenas densas y con objetos pequeños. Sin embargo, en entornos con recursos muy limitados, YOLOv5n sigue siendo la opción más eficiente, con el menor número de parámetros y FLOPs.

Requisitos de memoria

Ambos modelos están muy optimizados para reducir el uso de memoria CUDA durante el entrenamiento en comparación con arquitecturas más pesadas, como los modelos Transformer. Esto permite a los profesionales utilizar tamaños de lote mayores en GPU estándar y acelerar el ciclo de investigación.

La ventaja del ecosistema#

Tanto YOLOv5 como YOLOv8 dan a los desarrolladores acceso a la plataforma Ultralytics, bien mantenida. Este entorno integrado ofrece herramientas sencillas para anotar conjuntos de datos, entrenar en la nube y supervisar modelos, mientras que el paquete ultralytics añade ajuste de hiperparámetros integrado. El desarrollo activo y el sólido apoyo de la comunidad permiten a los desarrolladores resolver problemas rápidamente e integrarse con herramientas externas como Weights & Biases y ClearML.

Aunque otros frameworks pueden tener una curva de aprendizaje más pronunciada, Ultralytics prioriza una experiencia de usuario optimizada y ofrece un equilibrio favorable entre velocidad y precisión para diversos escenarios de implementación en el mundo real.

Más allá de v8: explora YOLO11 y YOLO26#

Aunque YOLOv8 es un framework muy capaz, el campo de la inteligencia artificial evoluciona rápidamente. Los desarrolladores interesados en el rendimiento más avanzado también deberían explorar YOLO11, que se basa en v8 y mejora la precisión y la velocidad.

Para proyectos nuevos, Ultralytics recomienda Ultralytics YOLO26. Publicado en enero de 2026, YOLO26 incorpora varias mejoras:

  • Diseño integral sin NMS: A partir del entrenamiento sin NMS que YOLOv10 introdujo en los modelos YOLO, la cabeza opcional uno a uno de YOLO26 (nms=False) elimina el posprocesamiento de supresión no máxima, lo que da lugar a canalizaciones de implementación más sencillas y rápidas.
  • Optimizador MuSGD: Inspirado en las innovaciones de entrenamiento de LLM presentes en modelos como Kimi K2, YOLO26 utiliza un optimizador híbrido para lograr un entrenamiento más estable y una convergencia más rápida.
  • Computación edge: YOLO26n se ejecuta hasta un 43 % más rápido en CPU que YOLO11n, por lo que YOLO26 es muy adecuado para dispositivos sin GPU dedicada.
  • Mayor precisión: Gracias a la nueva pérdida progresiva y a la asignación de etiquetas adaptada a objetos pequeños (ProgLoss + STAL), mejora el reconocimiento de objetos pequeños, algo fundamental para la robótica y las imágenes aéreas captadas por drones.

Tanto si mantienes un sistema heredado con YOLOv5, escalas una aplicación versátil con YOLOv8 o adoptas YOLO26 para nuevos proyectos, el ecosistema Ultralytics ofrece las herramientas necesarias para entrenar, implementar y mantener sistemas modernos de IA visual.

Comentarios1

Haz una pregunta, comparte tus resultados o ayuda a otra persona.

  1. EllaSophiaGitHub(editado)

    Excellent breakdown of YOLOv5 vs. YOLOv8! It's clear how YOLOv8 introduces major improvements in model architecture, task flexibility, and training pipeline. This YOLOv8 comparison really helps in understanding how far the framework has evolved, especially for those upgrading from YOLOv5.