Empezar

YOLOv7 frente a YOLOv8

La rápida evolución de la visión artificial ha proporcionado numerosas herramientas capaces para desarrolladores e investigadores. Al elegir una arquitectura para una canalización de detección de objetos, es esencial comparar los modelos consolidados. Esta guía analiza las arquitecturas, las métricas de rendimiento y los casos de uso ideales de dos modelos influyentes: YOLOv7 y Ultralytics YOLOv8.

Introducción a las arquitecturas#

Ambos modelos ofrecieron importantes mejoras de rendimiento, pero adoptan enfoques de diseño distintos para optimizar las redes neuronales profundas.

YOLOv7: pionero en técnicas gratuitas#

Presentado a mediados de 2022, YOLOv7 se centró en gran medida en optimizar las rutas de gradiente de la arquitectura y en el concepto de «bolsa de trucos entrenables» para superar los límites de la detección en tiempo real con hardware de gama alta.

Aspectos destacados de la arquitectura: YOLOv7 utiliza principalmente una cabeza de detección basada en anclajes (aunque también experimentó con ramas sin anclajes) e introduce las redes de agregación de capas eficientes extendidas (E-ELAN). Este diseño mejora la capacidad de aprendizaje de la red sin destruir la ruta de gradiente original. Ofrece un buen rendimiento en GPU de nivel de servidor, por lo que resulta adecuado para el análisis de vídeo intensivo.

Puntos fuertes y débiles: Aunque YOLOv7 logra una latencia baja en hardware dedicado, sus herramientas están menos integradas. Para entrenarlo, hay que clonar el repositorio, gestionar manualmente las dependencias de PyTorch y pasar numerosos argumentos de línea de comandos. Además, los requisitos de memoria durante el entrenamiento pueden ser elevados para hardware de consumo.

Más información sobre YOLOv7

Ultralytics YOLOv8: el estándar versátil#

Lanzado a principios de 2023, YOLOv8 combinó una gran precisión con un framework unificado, listo para producción, para el entrenamiento, la validación y el despliegue.

Aspectos destacados de la arquitectura: YOLOv8 introdujo una cabeza de detección nativa sin anclajes, que elimina la necesidad de configurar manualmente las cajas de anclaje según el conjunto de datos MS COCO o las distribuciones de datos personalizadas. Incorpora el módulo C2f para mejorar el flujo de gradiente y utiliza una estructura de cabeza desacoplada que separa las tareas de clasificación y regresión, lo que acelera la convergencia y mejora la precisión.

Puntos fuertes y débiles: YOLOv8 es eficiente en el uso de memoria: normalmente necesita menos memoria CUDA durante el entrenamiento que YOLOv7 o los modelos Transformer más pesados, lo que permite usar tamaños de lote mayores. Su principal punto fuerte es la versatilidad, con soporte nativo para la segmentación de instancias, la clasificación de imágenes, la estimación de poses y los cuadros delimitadores orientados (OBB). Su principal inconveniente es que puede ser necesario refactorizar las canalizaciones heredadas basadas en tensores de salida de YOLOv7.

Ventaja del ecosistema

Ultralytics YOLOv8 forma parte de un ecosistema en desarrollo activo. Su API de Python, sus lanzamientos periódicos y el apoyo de la comunidad acortan el camino desde las pruebas locales hasta el despliegue en producción, en comparación con los repositorios de investigación independientes.

Comparativa detallada del rendimiento#

La siguiente tabla desglosa las métricas de rendimiento para los principales tamaños de modelo. YOLOv8 ofrece una amplia variedad de equilibrios entre velocidad y precisión, desde modelos compactos para dispositivos de borde hasta modelos más grandes con la mayor precisión de esta comparación.

Modelotamaño
(píxeles)
mAPval50-95Velocidad
CPU ONNX
(ms)
Velocidad
T4 TensorRT10
(ms)
parámetros
(M)
FLOPs
(B)
YOLOv7l64051.4-6.8436.9104.7
YOLOv7x64053.1-11.5771.3189.9
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

Nota: YOLOv8x alcanza el mAP más alto de este grupo, mientras que YOLOv8n tiene menos parámetros y la inferencia más rápida, por lo que es una opción excelente para desplegar visión artificial en dispositivos de IA en el borde.

Facilidad de uso y eficiencia del entrenamiento#

Ultralytics YOLOv8 está diseñado para ser fácil de usar. Las arquitecturas más antiguas, como YOLOv7, requieren clonar repositorios específicos y ejecutar scripts de línea de comandos largos para configurar conjuntos de datos y rutas.

En cambio, el paquete ultralytics de YOLOv8 ofrece un flujo de trabajo simplificado, con descargas automáticas de conjuntos de datos, pesos preentrenados listos para usar y compatibilidad integrada para exportar a formatos como ONNX y TensorRT.

En el siguiente ejemplo se carga un modelo, se entrena y se ejecuta la inferencia con la API de Python de Ultralytics:

from ultralytics import YOLO

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

# Entrena el modelo de forma eficiente con el conjunto de datos COCO8
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

# Ejecuta una inferencia rápida con una imagen de prueba
predictions = model("https://ultralytics.com/images/bus.jpg")

# Muestra las predicciones
predictions[0].show()
Seguimiento de experimentos

YOLOv8 se integra con herramientas de MLOps populares como Weights & Biases y ClearML, para que puedas supervisar en tiempo real el ajuste de hiperparámetros y las métricas de entrenamiento.

Casos de uso ideales#

La elección entre estas arquitecturas suele depender de las limitaciones concretas de tu entorno de despliegue.

Cuándo elegir YOLOv7#

  • Evaluación comparativa heredada: Adecuado para investigadores que necesitan una referencia fija con la que comparar los estándares arquitectónicos de 2022.
  • Infraestructura pesada ya existente: Entornos basados en GPU NVIDIA V100 o A100, donde los tensores de salida de YOLOv7 están integrados en una canalización heredada de C++.

Cuándo elegir YOLOv8#

  • Producción multiplataforma: Ideal para equipos que necesitan desplegar en GPU en la nube, dispositivos móviles y navegadores.
  • Requisitos multitarea: Si tu proyecto necesita máscaras de segmentación de instancias o puntos clave de poses, además de cuadros delimitadores.
  • Dispositivos de borde con recursos limitados: YOLOv8 Nano (yolov8n) ofrece una sólida relación entre precisión y velocidad para robótica, drones y dispositivos IoT.

Perspectivas de futuro: el salto generacional a YOLO26#

YOLOv8 sigue siendo una opción fiable, pero hay modelos más recientes de Ultralytics para proyectos nuevos: YOLO11 y YOLO26, el modelo recomendado actualmente.

Lanzado en enero de 2026, YOLO26 está diseñado para un despliegue eficiente en dispositivos de borde:

  • Diseño integral sin NMS: YOLO26 admite inferencia nativa integral y omite el posprocesamiento de supresión no máxima (NMS) mediante su cabeza opcional uno a uno (nms=False). Esto simplifica las canalizaciones de despliegue y elimina la latencia de un paso NMS independiente.
  • Eliminación de DFL: La eliminación de la pérdida focal de distribución simplifica la cabeza de detección, amplía las opciones de despliegue del modelo y mejora la compatibilidad con dispositivos de borde.
  • Hasta un 43 % más rápido en inferencia con CPU: YOLO26n es hasta un 43 % más rápido que YOLO11n en inferencia ONNX con CPU, por lo que es adecuado para dispositivos con recursos limitados, como Raspberry Pi y otros sistemas integrados.
  • Optimizador MuSGD: Inspirado en el entrenamiento de modelos de lenguaje grandes (LLM), YOLO26 utiliza una combinación híbrida de SGD y Muon para lograr un entrenamiento más estable y una convergencia más rápida.
  • ProgLoss + STAL: La pérdida progresiva y la asignación de etiquetas consciente de los objetos pequeños (STAL) mejoran la detección de objetos pequeños, algo importante para las imágenes aéreas, la agricultura y la robótica.

Tanto si despliegas YOLOv8 en grandes clústeres de análisis de vídeo como si usas YOLO26 en pequeños dispositivos de borde, la plataforma Ultralytics proporciona herramientas para anotar datos, entrenar y desplegar modelos a lo largo de todo el ciclo de vida de la IA.

Colaboradores

Comentarios1

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

  1. rosin7596GitHub(editado)

    Well-explained comparison! YOLOv7 continues to perform impressively in terms of speed and accuracy, especially for real-time detection tasks on limited hardware. However, this YOLOv8 comparison shows how v8 introduces improvements like a more modular architecture, better support for multi-task learning, and streamlined training. Both models serve different needs, making the choice highly use-case dependent.