YOLOv8 frente a YOLO26
El campo de la visión artificial ha avanzado rápidamente en los últimos años. Entre las arquitecturas más populares para aplicaciones en tiempo real se encuentran los modelos desarrollados por Ultralytics. Esta guía ofrece una comparación técnica de Ultralytics YOLOv8 y el más reciente Ultralytics YOLO26, y analiza sus arquitecturas, métricas de rendimiento y casos de uso ideales para ayudarte a elegir el modelo adecuado para tu despliegue.
Descripción general de los modelos#
Tanto YOLOv8 como YOLO26 representan hitos importantes en la familia de modelos YOLO. Comparten la filosofía fundamental de Ultralytics: ofrecer modelos rápidos, precisos y fáciles de usar mediante una API unificada de Python.
YOLOv8: el estándar versátil#
Lanzado a principios de 2023, YOLOv8 introdujo una importante renovación del framework YOLO, con un diseño sin anclajes y una compatibilidad sólida con múltiples tareas 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
YOLOv8 se adoptó rápidamente de forma generalizada gracias a su equilibrio de rendimiento y a su profunda integración en el ecosistema de Ultralytics. Ofrece compatibilidad nativa con la detección de objetos, la segmentación de instancias, la clasificación de imágenes, la estimación de poses y las cajas delimitadoras orientadas (OBB). Sin embargo, depende de la supresión no máxima (NMS) estándar para el posprocesamiento, lo que puede crear cuellos de botella de latencia en entornos de borde con recursos muy limitados.
YOLO26: IA de borde de última generación#
Lanzado en enero de 2026, YOLO26 parte de sus predecesores y los optimiza para escenarios de implementación modernos, especialmente la IA en el borde y los dispositivos de bajo consumo.
- Autores: Glenn Jocher y Jing Qiu
- Organización: Ultralytics
- Fecha: 2026-01-14
- GitHub: Repositorio de Ultralytics
- Documentación: Documentación de YOLO26
YOLO26 incorpora varias mejoras técnicas. La más destacada es el diseño de extremo a extremo sin NMS que YOLOv10 introdujo en los modelos YOLO. Esta arquitectura elimina la necesidad del posprocesamiento con NMS, lo que simplifica las canalizaciones de exportación y reduce la variabilidad de la latencia. La eliminación de la pérdida focal de distribución (DFL) también optimiza la cabeza de detección y facilita el despliegue en hardware de IA de borde.
Innovaciones arquitectónicas y de entrenamiento#
YOLO26 incorpora varias mejoras internas que superan la base de YOLOv8.
Entrenamiento optimizado con MuSGD#
Los modelos de Ultralytics son conocidos por su entrenamiento eficiente y suelen necesitar menos memoria que las arquitecturas basadas en Transformer, como RT-DETR. YOLO26 mejora aún más este aspecto con el optimizador MuSGD. Inspirada en técnicas de entrenamiento de modelos de lenguaje grandes (LLM), concretamente en Kimi K2 de Moonshot AI, esta combinación de descenso de gradiente estocástico (SGD) y Muon converge más rápido y ofrece un entrenamiento más estable con conjuntos de datos complejos.
Pérdida y asignación de etiquetas#
Para tareas que requieren una gran precisión, como las imágenes captadas por drones o los sensores de IoT, YOLO26 incorpora ProgLoss + STAL. La pérdida progresiva y la asignación de etiquetas consciente de los objetos pequeños (STAL) mejoran la detección de objetos pequeños. Además, YOLO26 introduce mejoras específicas para cada tarea: un prototipo multiescala para generar mejores máscaras en segmentación, la estimación residual de log-verosimilitud (RLE) para una estimación de poses más precisa y una pérdida angular especializada que resuelve problemas de límites en la detección de cajas delimitadoras orientadas (OBB).
Análisis y comparación del rendimiento#
La siguiente tabla destaca las diferencias de rendimiento entre ambos modelos con el conjunto de datos COCO. Los valores con mejor rendimiento de cada categoría de tamaño se resaltan en negrita.
| 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 |
| YOLO26n | 640 | 40.9 | 38.9 | 1.7 | 2.4 | 5.5 |
| YOLOv8s | 640 | 44.9 | 128.4 | 2.66 | 11.2 | 28.6 |
| YOLO26s | 640 | 48.6 | 87.2 | 2.5 | 9.5 | 20.9 |
| YOLOv8m | 640 | 50.2 | 234.7 | 5.86 | 25.9 | 78.9 |
| YOLO26m | 640 | 53.1 | 220.0 | 4.7 | 20.4 | 68.4 |
| YOLOv8l | 640 | 52.9 | 375.2 | 9.06 | 43.7 | 165.1 |
| YOLO26l | 640 | 55.0 | 286.2 | 6.2 | 24.8 | 86.8 |
| YOLOv8x | 640 | 53.9 | 479.1 | 14.37 | 68.2 | 257.8 |
| YOLO26x | 640 | 57.5 | 525.8 | 11.8 | 55.7 | 194.4 |
Análisis de las métricas#
Los datos muestran una mejora generacional: YOLO26 supera a YOLOv8 en casi todas las métricas. El modelo YOLO26 Nano (YOLO26n) alcanza 40,9 mAP, muy por encima de los 37,3 de YOLOv8n, y utiliza menos parámetros y FLOPs.
Una de las mayores mejoras está en la velocidad de inferencia en CPU. Gracias a su arquitectura más ágil y a la eliminación de DFL, YOLO26n tarda 38,9 ms en la inferencia en CPU con ONNX, frente a los 80,4 ms de YOLOv8n; además, el artículo de YOLO26 indica que la inferencia en CPU es hasta un 43 % más rápida que con YOLO11n. Esto hace que YOLO26 sea idóneo para Raspberry Pi y otros dispositivos de borde con recursos limitados. Aunque las velocidades en GPU con TensorRT son competitivas en ambos modelos, la eficiencia de parámetros de YOLO26 también puede reducir el uso de memoria durante el entrenamiento y la inferencia.
Facilidad de uso y ecosistema#
Ambos modelos se benefician del ecosistema de Ultralytics, que recibe un mantenimiento continuo. La API unificada permite a los desarrolladores cambiar entre YOLOv8 y YOLO26 modificando la cadena con el nombre del modelo.
Tanto si realizas ajuste de hiperparámetros, como si haces seguimiento de experimentos o exploras nuevos conjuntos de datos, la documentación de Ultralytics ofrece una gran cantidad de recursos. Además, Ultralytics Platform permite anotar datos, entrenar e implementar estos modelos en la nube o en local de forma más sencilla.
Ejemplo de código#
A continuación tienes un ejemplo completo y ejecutable de entrenamiento, inferencia y exportación mediante la API de Python de Ultralytics:
from ultralytics import YOLO
# Carga el último modelo Nano de YOLO26
model = YOLO("yolo26n.pt")
# Entrena el modelo con el conjunto de datos COCO8 durante 50 épocas
# optimizer="auto" selecciona MuSGD para ejecuciones largas (>10k iteraciones) y AdamW para las cortas, como esta
train_results = model.train(
data="coco8.yaml",
epochs=50,
imgsz=640,
device="cpu", # Usa '0' para entrenar con GPU
)
# Ejecuta la inferencia en una imagen de muestra
# El diseño sin NMS genera predicciones claras y rápidas
results = model("https://ultralytics.com/images/bus.jpg", nms=False)
# Muestra las predicciones
results[0].show()
# Exporta a ONNX para el despliegue en CPU
export_path = model.export(format="onnx")Casos de uso ideales#
La elección adecuada depende del destino de implementación y de la infraestructura existente.
Cuándo elegir YOLO26:
- Computación en el borde y robótica: Su mayor velocidad de inferencia en CPU y su diseño sin NMS lo convierten en una opción excelente para sistemas integrados, dispositivos móviles y robots autónomos.
- Imágenes aéreas y por satélite: ProgLoss + STAL dan a YOLO26 una ventaja a la hora de detectar objetos diminutos en escenas complejas y de alta resolución.
- Proyectos nuevos: Como versión estable más reciente, YOLO26 es el modelo recomendado para cualquier nuevo proceso de aprendizaje automático, con una cobertura más amplia de tareas que incorpora la segmentación semántica y la estimación de profundidad.
Cuándo mantener YOLOv8:
- Infraestructura heredada: Si tu proceso de producción actual está estrechamente vinculado a los tensores de salida y al posprocesamiento con NMS específicos de YOLOv8, la migración puede requerir algunos ajustes.
- Referencias académicas: YOLOv8 sigue siendo una referencia estable y muy citada para la investigación académica en visión artificial que compara arquitecturas anteriores.
En conclusión, YOLOv8 estableció un sólido estándar para las tareas de visión en tiempo real y YOLO26 se basa en él. Gracias a las importantes mejoras de eficiencia en CPU, la implementación sin NMS y la optimización del entrenamiento inspirada en los LLM, YOLO26 permite implementar modelos precisos en una amplia variedad de hardware.
Comentarios
Haz una pregunta, comparte tus resultados o ayuda a otra persona.