Empezar

YOLOv8 frente a YOLO11

La rápida evolución de la visión artificial ha estado impulsada por los continuos avances en los frameworks de detección de objetos en tiempo real. Para desarrolladores e investigadores, elegir el modelo adecuado es fundamental para equilibrar precisión, velocidad y eficiencia de recursos. Esta comparación técnica analiza las diferencias entre dos modelos fundamentales del ecosistema de Ultralytics: Ultralytics YOLOv8 y Ultralytics YOLO11.

Ambos modelos comparten las características distintivas de las arquitecturas de Ultralytics: facilidad de uso, un ecosistema con mantenimiento continuo y un entrenamiento eficiente que requiere poca memoria. En las secciones siguientes se describen sus diseños arquitectónicos, resultados de rendimiento y escenarios de implementación ideales.

Descripción general de los modelos#

Antes de comparar sus ventajas técnicas específicas, conviene conocer los orígenes y las especificaciones principales de ambos modelos.

Ultralytics YOLOv8#

Lanzado a principios de 2023, YOLOv8 introdujo la detección sin anclajes y mejoras importantes en las funciones de pérdida, por lo que pronto se adoptó ampliamente en numerosas tareas de visión.

Ultralytics YOLO11#

A partir de sus predecesores, YOLO11 refinó la arquitectura central para mejorar el equilibrio entre precisión y latencia, reduciendo el número de parámetros y aumentando la precisión.

Otras arquitecturas

Si estás explorando otros enfoques, Ultralytics también admite modelos basados en Transformer, como RT-DETR, y detectores de vocabulario abierto de disparo cero, como YOLO-World. Sin embargo, para lograr una latencia y una eficiencia de memoria óptimas, las arquitecturas YOLO estándar suelen seguir siendo la opción preferida.

Diferencias arquitectónicas y metodológicas#

El paso de YOLOv8 a YOLO11 representa una evolución cuidada del diseño de redes neuronales, no una renovación completa, lo que garantiza la estabilidad del ecosistema bien mantenido que rodea a los modelos.

Optimizaciones del backbone y el neck#

YOLOv8 introdujo una arquitectura troncal CNN más ágil que se alejó de las cajas de anclaje tradicionales y trató la detección de objetos exclusivamente como un problema de predicción del punto central. Este enfoque sin anclajes redujo considerablemente la complejidad de la regresión de las cajas delimitadoras. YOLO11 tomó esta base e introdujo una red piramidal de características (FPN) optimizada, además de transformar los bloques C2f en módulos C3k2. Esta modificación permite que YOLO11 extraiga características espaciales más ricas, lo que se traduce en una mayor precisión con objetos más pequeños, habituales en el conjunto de datos COCO.

Requisitos de memoria y eficiencia del entrenamiento#

Una de las ventajas más destacadas de YOLOv8 y YOLO11 son sus bajos requisitos de memoria durante el entrenamiento. A diferencia de los pesados Transformer de visión, que pueden agotar fácilmente la VRAM del hardware de consumo, estos modelos están optimizados para el entrenamiento accesible con PyTorch en GPU estándar. YOLO11 reduce considerablemente el total de parámetros —hasta un 42 % menos en la variante grande (L) que YOLOv8— y, al mismo tiempo, aumenta su precisión media promedio (mAP). Esto se traduce en épocas más rápidas y una menor huella de carbono durante el entrenamiento del modelo.

Métricas de rendimiento#

Las pruebas objetivas muestran el equilibrio de rendimiento de estos modelos. La tabla siguiente compara YOLOv8 y YOLO11 en las variantes de escala estándar (de nano a extragrande).

Modelotamaño
(píxeles)
mAPval50-95Velocidad
CPU ONNX
(ms)
Velocidad
T4 TensorRT10
(ms)
parámetros
(M)
FLOPs
(B)
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
YOLO11n64039.556.11.52.66.5
YOLO11s64047.090.02.59.421.6
YOLO11m64051.5183.24.720.168.1
YOLO11l64053.4238.66.225.387.2
YOLO11x64054.7462.811.356.9195.3

Como se muestra, YOLO11 supera sistemáticamente a YOLOv8 en precisión y utiliza menos parámetros y FLOPs. La velocidad de inferencia en CPU, medida con ONNX Runtime, pone de manifiesto la eficiencia de YOLO11 para implementaciones en el borde. Al exportar ambos modelos a NVIDIA TensorRT, las dos familias se mantienen por debajo de 15 ms por imagen en una GPU T4, lo que resulta adecuado para analizar flujos de vídeo en situaciones reales.

Ecosistema y facilidad de uso#

Ambos modelos comparten el paquete unificado de Python ultralytics, por lo que los ingenieros pueden cambiar entre YOLOv8 y YOLO11 modificando el archivo de pesos. El entrenamiento, la validación y la exportación se pueden realizar con unas pocas líneas de código.

from ultralytics import YOLO

# Carga un modelo YOLO11 preentrenado (puedes cambiarlo fácilmente por "yolov8n.pt")
model = YOLO("yolo11n.pt")

# Entrena el modelo de forma eficiente con un conjunto de datos local
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)

# Exporta el modelo optimizado a ONNX
model.export(format="onnx")

Ultralytics Platform amplía este flujo de trabajo con entrenamiento en la nube, supervisión de modelos e implementación, sin necesidad de conocimientos avanzados de DevOps.

Versatilidad y aplicaciones reales#

Una de las principales fortalezas del framework de Ultralytics es su versatilidad. Tanto YOLOv8 como YOLO11 admiten una amplia variedad de tareas de visión artificial, además de la detección de objetos estándar:

YOLOv8 lleva más tiempo disponible, por lo que cuenta con numerosos tutoriales de la comunidad e implementaciones empresariales probadas. Si estás integrándote con procesos heredados que requieren estrictamente las dimensiones de tensores de YOLOv8, sigue siendo una opción fiable. Para proyectos nuevos que priorizan la eficiencia, como la implementación en dispositivos de borde integrados como Raspberry Pi, YOLO11 es la mejor opción gracias a su mayor precisión con menos parámetros y menor latencia en CPU.

Casos de uso y recomendaciones#

La elección entre YOLOv8 y YOLO11 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 YOLO11#

Se recomienda YOLO11 para:

  • Implementación en el borde para producción: Aplicaciones comerciales en dispositivos como Raspberry Pi o NVIDIA Jetson, donde la fiabilidad y el mantenimiento activo son esenciales.
  • Aplicaciones de visión multitarea: Proyectos que requieren detección, segmentación, estimación de poses y OBB en un único framework 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 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.

Las ventajas de YOLO26#

YOLOv8 y YOLO11 son arquitecturas sólidas, pero para proyectos nuevos en 2026, Ultralytics recomienda dar el siguiente paso con YOLO26.

YOLO26 simplifica la canalización de despliegue. Incorpora un diseño de extremo a extremo sin NMS, un enfoque que YOLOv10 introdujo en los modelos YOLO y que elimina el posprocesamiento con NMS (con nms=False). La eliminación de DFL (pérdida focal de distribución) simplifica la lógica de exportación y mejora la compatibilidad con dispositivos de borde de bajo consumo; además, YOLO26n ofrece una inferencia en CPU hasta un 43 % más rápida que YOLO11n.

El optimizador MuSGD, una combinación de SGD y Muon inspirada en técnicas de entrenamiento de LLM, mejora la estabilidad del entrenamiento y la velocidad de convergencia. ProgLoss + STAL (pérdida progresiva y asignación de etiquetas consciente de los objetos pequeños) mejoran la detección de objetos pequeños, un desafío de larga data en IoT y robótica. Entre las mejoras específicas para cada tarea se incluyen RLE para la estimación de poses y un módulo de prototipo multiescala para la segmentación.

Cómo elegir el modelo adecuado

Elige YOLOv8 si dependes de sus amplios recursos comunitarios e implementaciones existentes. Elige YOLO11 para obtener un equilibrio refinado entre velocidad y número de parámetros. Elige YOLO26, el modelo recomendado actualmente, para disfrutar de una inferencia sin NMS optimizada para el borde.

Conclusión#

La elección entre YOLOv8 y YOLO11 depende, en última instancia, del calendario del proyecto y las limitaciones del hardware. YOLOv8 está probado en producción y es estable. YOLO11 refina esa arquitectura y ofrece un mAP mayor con menos parámetros, lo que lo hace atractivo para aplicaciones de borde con recursos limitados. En cualquier caso, la API de Python compartida de Ultralytics mantiene un flujo de desarrollo coherente y con buen soporte; además, puedes recurrir a YOLO26 cuando necesites el máximo rendimiento en el borde.

Colaboradores

Comentarios1

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

  1. naps22GitHub(editado)

    A very informative breakdown! The YOLOv8 vs YOLO11 comparison highlights how far real-time object detection has come. YOLOv11 seems to push the boundaries in terms of speed and accuracy, but the YOLOv8 comparison still shows it holding its ground with impressive stability and ease of deployment. Excited to see how the gap narrows with future updates.