YOLOv8 frente a PP-YOLOE+
En el campo de la visión artificial, que evoluciona rápidamente, elegir el modelo adecuado para la detección de objetos es fundamental para equilibrar la velocidad y la precisión de inferencia. Dos modelos destacados que han influido notablemente en el sector son Ultralytics YOLOv8 y PP-YOLOE+. Esta guía ofrece una comparación técnica para ayudar a desarrolladores e ingenieros de aprendizaje automático a comprender los matices de sus arquitecturas, métricas de rendimiento y escenarios de despliegue ideales.
Ultralytics YOLOv8: el estándar versátil del ecosistema#
Presentado por Ultralytics, YOLOv8 se extendió rápidamente en las aplicaciones de visión en producción. Se basa en años de investigación sobre YOLO y ofrece un gran rendimiento en distintas tareas.
- Autores: Glenn Jocher, Ayush Chaurasia y Jing Qiu
- Organización: Ultralytics
- Fecha: 2023-01-10
- GitHub: Repositorio de Ultralytics
- Documentación: Documentación de YOLOv8
Innovaciones arquitectónicas y versatilidad#
YOLOv8 presenta un diseño sin anchors e incorpora una cabeza desacoplada que procesa de forma independiente las tareas de clasificación y regresión. Esta mejora estructural ofrece una mejor representación de características y una convergencia más rápida durante el entrenamiento.
A diferencia de muchos modelos especializados, YOLOv8 admite múltiples tareas. Además de la detección de cajas delimitadoras, la misma arquitectura unificada y la misma API permiten realizar de forma nativa la segmentación de instancias, la clasificación de imágenes, la estimación de pose y la detección con cajas delimitadoras orientadas (OBB).
El ecosistema unificado de Ultralytics permite a los desarrolladores cambiar entre tareas de detección, segmentación y estimación de pose modificando los pesos del modelo, lo que reduce la deuda técnica.
PP-YOLOE+: detección sin anclajes en PaddlePaddle#
PP-YOLOE+ es una evolución de las versiones anteriores de PP-YOLO y está diseñado para ejecutarse de forma eficiente en el framework PaddlePaddle de Baidu.
- Autores: Autores de PaddlePaddle
- Organización: Baidu
- Fecha: 2022-04-02
- arXiv: Artículo de PP-YOLOE
- GitHub: Repositorio de PaddleDetection
- Documentación: Configuración de PP-YOLOE+
Más información sobre PP-YOLOE+
Enfoque arquitectónico#
PP-YOLOE+ introdujo el backbone CSPRepResNet e implementó la cabeza eficiente alineada con la tarea (ET-head) para mejorar la precisión de detección. Depende en gran medida del framework de aprendizaje profundo PaddlePaddle. Aunque alcanza una gran precisión en conjuntos de datos de referencia estándar, como el conjunto de datos COCO, su implementación está ligada al ecosistema PaddlePaddle, lo que puede dificultar su integración en los flujos de trabajo estándar de PyTorch o TensorFlow, populares en la comunidad de IA en general.
Comparativa de rendimiento y métricas#
Al desplegar modelos en dispositivos edge o servidores en la nube, es crucial equilibrar la precisión (mAP), la velocidad y el número de parámetros. Los modelos de Ultralytics son conocidos por sus bajos requisitos de memoria durante el entrenamiento y su rápida inferencia.
A continuación se muestra una tabla comparativa detallada de los modelos evaluados en COCO val2017.
| Modelo | tamaño (píxeles) | mAPval50-95 | Velocidad CPU ONNX (ms) | Velocidad T4 TensorRT10 (ms) | parámetros (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv8n | 640 | 37.3 | 80.4 | 1.47 | 3.2 | 8.7 |
| YOLOv8s | 640 | 44.9 | 128.4 | 2.66 | 11.2 | 28.6 |
| YOLOv8m | 640 | 50.2 | 234.7 | 5.86 | 25.9 | 78.9 |
| YOLOv8l | 640 | 52.9 | 375.2 | 9.06 | 43.7 | 165.1 |
| YOLOv8x | 640 | 53.9 | 479.1 | 14.37 | 68.2 | 257.8 |
| PP-YOLOE+t | 640 | 39.9 | - | 2.84 | 4.85 | 19.15 |
| PP-YOLOE+s | 640 | 43.7 | - | 2.62 | 7.93 | 17.36 |
| PP-YOLOE+m | 640 | 49.8 | - | 5.56 | 23.43 | 49.91 |
| PP-YOLOE+l | 640 | 52.9 | - | 8.36 | 52.2 | 110.07 |
| PP-YOLOE+x | 640 | 54.7 | - | 14.3 | 98.42 | 206.59 |
Análisis de las ventajas e inconvenientes#
PP-YOLOE+x supera por poco a YOLOv8x en mAP (54,7 frente a 53,9), pero necesita más de 30 millones de parámetros adicionales. En los tamaños pequeño y mediano, ambas familias ofrecen resultados similares: PP-YOLOE+ utiliza menos FLOPs y, en esta tabla, solo YOLOv8 indica velocidades de CPU con ONNX. YOLOv8n, ligero, solo necesita 3,2 millones de parámetros y 8,7B FLOPs, por lo que es el modelo más pequeño de esta comparación, aunque PP-YOLOE+t alcanza una mAP mayor (39,9 frente a 37,3) con 4,85 millones de parámetros.
Los modelos YOLO también suelen utilizar menos memoria durante el entrenamiento que las grandes arquitecturas basadas en Transformer. Los modelos que consumen mucha memoria CUDA suelen requerir hardware caro, mientras que YOLOv8 se entrena de forma eficiente en GPU de consumo.
Ecosistema, facilidad de uso e implementación#
La experiencia de usuario es una diferencia importante entre estas arquitecturas.
Ultralytics Platform y el paquete de Python forman un ecosistema bien mantenido que facilita las operaciones de aprendizaje automático. Ofrecen una API sencilla, documentación exhaustiva y herramientas nativas para registrar datos, ajustar hiperparámetros y exportar a distintas plataformas. Tanto si necesitas desplegar mediante ONNX, TensorRT o CoreML, Ultralytics se encarga de la conversión.
En cambio, PP-YOLOE+ suele requerir un conocimiento profundo del framework PaddlePaddle. Convertir estos modelos para ejecutarlos de forma eficiente en GPU NVIDIA estándar o en dispositivos edge ajenos al ecosistema Paddle puede implicar varios pasos, ya que carece de la automatización de exportación de las herramientas de Ultralytics.
Eficiencia del entrenamiento con Ultralytics#
Entrenar un modelo de Ultralytics requiere muy poco código repetitivo. En el siguiente ejemplo se entrena un modelo YOLOv8 en Python y se exporta para TensorRT:
from ultralytics import YOLO
# Carga un modelo YOLOv8 small preentrenado
model = YOLO("yolov8s.pt")
# Entrena el modelo con el conjunto de datos de ejemplo COCO8
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)
# Exporta rápidamente el modelo entrenado para implementarlo con TensorRT
model.export(format="engine", device=0)Casos de uso y recomendaciones#
La elección entre YOLOv8 y PP-YOLOE+ depende de los requisitos concretos de tu proyecto, las limitaciones de implementación y tus preferencias de ecosistema.
Cuándo elegir YOLOv8#
YOLOv8 es una buena opción para:
- Implementación versátil de múltiples tareas: Proyectos que necesitan un modelo probado para detección, segmentación, clasificación y estimación de poses dentro del ecosistema de 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 PP-YOLOE+#
PP-YOLOE+ es recomendable para:
- Integración con el ecosistema PaddlePaddle: organizaciones con infraestructuras y herramientas ya desarrolladas sobre el framework PaddlePaddle de Baidu.
- Implementación edge con Paddle Lite: Implementación en hardware con kernels de inferencia muy optimizados, diseñados específicamente para Paddle Lite o el motor de inferencia Paddle.
- Detección de alta precisión en servidores: Escenarios que priorizan la máxima precisión de detección en servidores con GPU potentes, donde la dependencia del framework no supone un problema.
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 requieren una inferencia constante y de baja latencia, sin la complejidad del posprocesamiento de supresión no máxima (NMS).
- 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 complejas, como las imágenes aéreas captadas con drones o el análisis de sensores IoT, en las que ProgLoss y STAL mejoran la precisión con objetos diminutos.
Perspectivas: las ventajas de YOLO26#
Para las aplicaciones nuevas, Ultralytics YOLO26, publicado en enero de 2026, sustituye a YOLOv8 y YOLO11 con las siguientes características:
- Diseño de extremo a extremo sin NMS: La cabeza opcional uno a uno de YOLO26 (
nms=False) elimina la necesidad del posprocesamiento NMS, lo que reduce la variabilidad de la latencia y simplifica la lógica de despliegue. - Optimizador MuSGD: Esta combinación de SGD y Muon incorpora técnicas de entrenamiento de LLM a la IA de visión y ofrece un entrenamiento más estable y una convergencia más rápida.
- Inferencia en CPU hasta un 43 % más rápida: Al eliminar Distribution Focal Loss (DFL) y utilizar una cabeza de detección más ligera, YOLO26n funciona hasta un 43 % más rápido que YOLO11n en CPU, por lo que es adecuado para aplicaciones de IoT y móviles.
- ProgLoss + STAL: La pérdida progresiva y la asignación de etiquetas consciente de los objetos pequeños (STAL) mejoran la detección de objetos pequeños, un requisito fundamental para el análisis con drones y las imágenes aéreas.
Aunque YOLOv8 sigue siendo una opción robusta y con buen soporte, YOLO26 es la arquitectura recomendada para nuevos proyectos empresariales y de investigación, ya que ofrece mayor precisión, inferencia en CPU más rápida y procesamiento nativo de extremo a extremo.
Conclusión#
YOLOv8 y PP-YOLOE+ impulsaron la detección en tiempo real. Sin embargo, para la mayoría de los desarrolladores e investigadores, Ultralytics YOLOv8 y su sucesor YOLO26 son la opción más práctica: su API intuitiva, su activa comunidad de código abierto, sus menores requisitos de memoria durante el entrenamiento y su framework multitarea unificado simplifican el paso desde la creación del conjunto de datos hasta el despliegue en producción.
Comentarios1
Haz una pregunta, comparte tus resultados o ayuda a otra persona.
godm4352(editado)
Very informative comparison! PP-YOLOE+ is known for its powerful backbone and enhanced post-processing strategies, delivering strong performance on benchmark datasets. However, this YOLOv8 comparison highlights v8’s advantages in terms of model simplicity, faster inference speed, and ease of integration into production pipelines. Both models have their own strengths depending on whether the focus is on raw accuracy or real-time deployment.