YOLOv8 YOLOv5: una comparación técnica exhaustiva

En el panorama en rápida evolución de la visión artificial, elegir el modelo de detección de objetos adecuado es fundamental para el éxito del proyecto. Dos de los hitos más significativos en esta historia son YOLOv5 y YOLOv8, ambos desarrollados por Ultralytics. Mientras que YOLOv5 el estándar del sector en cuanto a facilidad de uso y fiabilidad tras su lanzamiento, YOLOv8 avances arquitectónicos que redefinieron el rendimiento de vanguardia (SOTA).

Esta guía ofrece un análisis técnico detallado de ambas arquitecturas, comparando sus métricas de rendimiento, metodologías de formación y casos de uso ideales para ayudar a los desarrolladores a tomar decisiones informadas.

Ultralytics YOLOv8: El estándar moderno

Lanzado en enero de 2023, YOLOv8 representa un gran avance en el YOLO . Se basa en el éxito de las versiones anteriores e introduce un marco unificado para la detección de objetos, la segmentación de instancias y la estimación de poses.

Innovaciones arquitectónicas clave

YOLOv8 del diseño basado en anclajes de sus predecesores y adopta un mecanismo de detección sin anclajes. Este cambio simplifica la complejidad del modelo al predecir directamente los centros de los objetos, lo que reduce el número de predicciones de recuadros y acelera la supresión no máxima (NMS).

• Módulo C2f: La columna vertebral utiliza un nuevo módulo C2f, que sustituye al módulo C3 que se encuentra en YOLOv5. Este nuevo diseño mejora el flujo de gradiente y permite al modelo capturar representaciones de características más ricas sin aumentar significativamente el coste computacional.
• Cabezal desacoplado: a diferencia del cabezal acoplado de las versiones anteriores, YOLOv8 las tareas de clasificación y regresión en ramas independientes. Esta separación permite optimizar cada tarea de forma individual, lo que se traduce en mayores tasas de convergencia y una mayor precisión.
• Aumento de mosaico: aunque ambos modelos utilizan el aumento de mosaico, YOLOv8 lo desactiva YOLOv8 durante las últimas épocas de entrenamiento para mejorar la precisión.

Rendimiento y Versatilidad

YOLOv8 diseñado para ser versátil. Es compatible de forma nativa con una amplia gama de tareas que van más allá de la simple detección de cuadros delimitadores, lo que lo convierte en una opción sólida para aplicaciones complejas como los vehículos autónomos y el análisis inteligente de ventas minoristas.

YOLOv8 :
Autores: Glenn Jocher, Ayush Chaurasia y Jing Qiu
Organización:Ultralytics
Fecha: 10/01/2023
GitHub:ultralytics
Documentación:YOLOv8

Más información sobre YOLOv8

Ultralytics YOLOv5: El caballo de batalla fiable

Desde su lanzamiento en junio de 2020, YOLOv5 ha sido el modelo preferido por desarrolladores de todo el mundo debido a su estabilidad sin igual y a la simplicidad de su PyTorch . Ha democratizado el acceso a una potente IA visual, facilitando el entrenamiento de modelos en conjuntos de datos personalizados con una configuración mínima.

Arquitectura y legado

YOLOv5 una estructura CSPDarknet y un cabezal de detección basado en anclajes. Su capa de enfoque (posteriormente sustituida por una convolución 6x6) era eficaz para reducir la resolución de las imágenes conservando la información.

• Facilidad de uso: YOLOv5 legendario por su experiencia «lista para usar». La estructura del repositorio es intuitiva y se integra a la perfección con herramientas MLOps como Comet y ClearML.
• Amplio soporte de implementación: debido a que lleva más tiempo en el mercado, YOLOv5 un amplio soporte en prácticamente todos los objetivos de implementación, desde procesadores móviles a través de TFLite hasta dispositivos periféricos como NVIDIA .

YOLOv5 :
Autores: Glenn Jocher
Organización:Ultralytics
Fecha: 26/06/2020
GitHub:yolov5
Documentación:YOLOv5

Más información sobre YOLOv5

Comparación de rendimiento

Al comparar los dos modelos, YOLOv8 supera YOLOv8 a YOLOv5 tanto YOLOv5 precisión (mAP) como YOLOv5 velocidad de inferencia, especialmente en GPU moderno. La siguiente tabla ilustra las diferencias de rendimiento en el COCO .

Análisis de métricas

• Precisión: YOLOv8 una ventaja significativa en la precisión media (mAP). Por ejemplo, la variante Nano (n) de YOLOv8 mAP casi un 10 % superior mAP YOLOv5n, lo que la hace muy superior para aplicaciones en las que es crucial una alta precisión en modelos pequeños.
• Velocidad: Aunque YOLOv5 ligeramente más rápido en algunas CPU debido a su menor número de FLOP, YOLOv8 un mejor equilibrio de rendimiento. La diferencia es a menudo insignificante en comparación con la ganancia en precisión, y YOLOv8 altamente optimizado para GPU utilizando TensorRT.
• Tamaño del modelo: YOLOv8 son generalmente compactos, pero incluyen más parámetros en las arquitecturas Nano y Small para aumentar la capacidad de aprendizaje.

Metodologías de entrenamiento y ecosistema

Ambos modelos se benefician del robusto Ultralytics , pero el flujo de trabajo ha evolucionado significativamente con YOLOv8.

Eficiencia del entrenamiento

Ultralytics son conocidos por su eficiencia de entrenamiento. Requieren una cantidad significativamente menor CUDA en comparación con arquitecturas basadas en transformadores como RT-DETR, lo que permite a los usuarios entrenar lotes más grandes en GPU estándar de consumo.

• YOLOv5 utiliza una estructura de repositorio independiente en la que la formación se inicia mediante scripts como train.py.
• YOLOv8 introdujo el ultralytics Python . Esta CLI unificada CLI Python facilitan el cambio entre tareas y la exportación de modelos.

from ultralytics import YOLO

# Load a pretrained YOLOv8 model
model = YOLO("yolov8n.pt")

# Train on a custom dataset with efficient memory usage
model.train(data="coco8.yaml", epochs=100, imgsz=640)

Ultralytics

Los usuarios de ambos modelos pueden aprovechar la Ultralytics (antes HUB). Esta herramienta basada en web simplifica la gestión de conjuntos de datos, el etiquetado y la visualización del entrenamiento. Admite la exportación de modelos con un solo clic a formatos como ONNX y OpenVINO, lo que agiliza el proceso desde el prototipo hasta la producción.

Casos de Uso Ideales

Cuándo elegir YOLOv8

YOLOv8 la opción preferida para la mayoría de los nuevos proyectos en 2026 que no requieren las optimizaciones específicas de borde del nuevo YOLO26.

• Aplicaciones multitarea: si su proyecto implica la detección OBB para imágenes aéreas o la estimación de posturas para el análisis deportivo, YOLOv8 estas funciones de forma nativa.
• Requisitos de alta precisión: para tareas críticas para la seguridad, como la detección de defectos, el mAP superior mAP YOLOv8 menos falsos negativos.

Cuándo elegir YOLOv5

• Sistemas heredados: Los proyectos profundamente integrados con la estructura específica YOLOv5 pueden encontrar más fácil continuar con el mantenimiento que migrar.
• Limitaciones extremas: en hardware con recursos extremadamente limitados, donde cada milisegundo de CPU cuenta, los FLOP ligeramente inferiores de YOLOv5n pueden ofrecer una ventaja marginal, aunque los modelos más nuevos, como YOLO26, ahora cubren esta brecha de manera efectiva.

Mirando hacia el futuro: El futuro es YOLO26

Aunque YOLOv8 YOLOv5 herramientas excelentes, el campo de la visión artificial avanza rápidamente. Para los desarrolladores que estén iniciando nuevos proyectos hoy en día, recomendamos encarecidamente considerar Ultralytics .

¿Por qué actualizar a YOLO26? YOLO26 se basa en los puntos fuertes de sus predecesores, pero introduce un diseño nativo integral NMS, lo que elimina la necesidad de posprocesamiento y simplifica drásticamente la implementación.

• CPU un 43 % más rápida: optimizada específicamente para dispositivos periféricos, lo que la hace más rápida que YOLOv5 YOLOv8 CPU.
• MuSGD Optimizer: un optimizador híbrido inspirado en el entrenamiento LLM para una convergencia estable y rápida.
• Mayor precisión: las funciones de pérdida mejoradas (ProgLoss + STAL) proporcionan una mejor detección de objetos pequeños.

Más información sobre YOLO26

Conclusión

Ambos YOLOv8 y YOLOv5 son prueba del compromiso Ultralytics con una IA accesible y de alto rendimiento. YOLOv5 una opción fiable y ampliamente compatible, especialmente para implementaciones heredadas. Sin embargo, YOLOv8 un equilibrio de rendimiento superior, una arquitectura moderna y una compatibilidad con tareas más amplia, lo que la convierte en la mejor opción para la mayoría de las aplicaciones estándar.

Para aquellos que buscan lo último en velocidad y precisión, especialmente para implementaciones móviles y periféricas, el recién lanzado YOLO26 establece un nuevo punto de referencia. Independientemente de su elección, la extensa Ultralytics y su activa comunidad le garantizan los recursos necesarios para alcanzar el éxito.

Para profundizar más, te recomendamos leer sobre otros modelos especializados como YOLO11 o YOLOv10.

Comentarios