YOLOv8 frente a YOLOv5
Elegir la arquitectura de visión artificial adecuada es un paso fundamental para crear flujos de trabajo de aprendizaje automático robustos. Esta comparación técnica analiza las diferencias entre dos de los modelos más populares del ecosistema de IA de visión: YOLOv8 y YOLOv5. Ambos modelos, desarrollados por Ultralytics, han influido considerablemente en la detección de objetos en tiempo real y han establecido estándares de velocidad, precisión y facilidad de uso.
Tanto si implementas tus modelos en dispositivos edge como si amplías la inferencia en la nube, conocer los cambios de arquitectura, las métricas de rendimiento y las metodologías de entrenamiento de estos modelos te ayudará a tomar una decisión informada para tus proyectos de visión artificial.
Ultralytics YOLOv8: el estándar versátil#
Lanzado a principios de 2023, YOLOv8 supuso un importante cambio de arquitectura con respecto a sus predecesores. Se diseñó desde cero como un framework unificado capaz de gestionar de forma nativa varias tareas de visión, como la segmentación de instancias, la clasificación de imágenes y la estimación de poses.
- Autores: Glenn Jocher, Ayush Chaurasia y Jing Qiu
- Organización: Ultralytics
- Fecha: 2023-01-10
- GitHub: ultralytics/ultralytics
- Documentación: Documentación de YOLOv8
Arquitectura y metodologías#
YOLOv8 incorporó un cabezal de detección sin anclajes, que simplifica el proceso de entrenamiento al eliminar la necesidad de configurar manualmente las cajas de anclaje según la distribución del conjunto de datos. Esto hace que el modelo sea más robusto al generalizar a conjuntos de datos personalizados y reduce el número de predicciones de cajas, lo que acelera la supresión de máximos no locales (NMS).
La arquitectura incorpora un módulo C2f (cuello de botella parcial entre etapas con dos convoluciones), que sustituye al módulo C3 de YOLOv5. El módulo C2f mejora el flujo de gradientes y permite que el modelo aprenda representaciones de características más ricas sin aumentar significativamente el coste computacional. Además, YOLOv8 utiliza una estructura de cabezal desacoplado que separa las tareas de clasificación y regresión, lo que ha demostrado mejorar la velocidad de convergencia y la precisión.
Los modelos Ultralytics YOLO, incluido YOLOv8, están optimizados para utilizar menos memoria CUDA durante el entrenamiento que muchas alternativas basadas en Transformer, como RT-DETR. Esto permite a los desarrolladores usar tamaños de lote mayores en GPU de consumo estándar, como las de la serie NVIDIA RTX.
Puntos fuertes y débiles#
Puntos fuertes:
- Versatilidad para realizar distintas tareas, además de la detección sencilla de cajas delimitadoras.
- API de Python simplificada mediante el paquete
ultralytics, que facilita el entrenamiento y la exportación. - Mayor precisión media promedio (mAP) en todas las variantes de tamaño que YOLOv5.
Puntos débiles:
- La cabeza desacoplada y el módulo C2f aumentan el número de parámetros y los FLOPs de las variantes más pequeñas con respecto a sus equivalentes de YOLOv5.
Ultralytics YOLOv5: el pionero ágil#
Presentado en 2020, YOLOv5 llevó YOLO al ecosistema PyTorch, haciéndolo mucho más accesible para los desarrolladores. Rápidamente se convirtió en uno de los modelos más utilizados para la detección de objetos rápida, fiable y fácil de desplegar.
- Autor: Glenn Jocher
- Organización: Ultralytics
- Fecha: 2020-06-26
- GitHub: ultralytics/yolov5
- Documentación: Documentación de YOLOv5
Arquitectura y metodologías#
YOLOv5 se basa en una arquitectura con anchors y utiliza un backbone CSPDarknet53 modificado. Los enfoques basados en anchors necesitan anchors que se ajusten a la distribución de cajas delimitadoras del conjunto de datos (YOLOv5 los comprueba y recalcula automáticamente con AutoAnchor), y funcionan bien con conjuntos de datos bien definidos.
YOLOv5 incorpora el módulo C3, que extrae características de forma eficiente y mantiene bajo el número de parámetros. Su función de pérdida combina la pérdida de objectness con las pérdidas de clasificación y regresión de cajas delimitadoras para guiar la red hacia predicciones precisas.
Puntos fuertes y débiles#
Puntos fuertes:
- Su diseño ligero hace que las variantes Nano (YOLOv5n) y Small (YOLOv5s) sean adecuadas para despliegues de IA en edge con recursos limitados.
- Inferencia rápida tanto en CPU como en GPU.
- Un ecosistema consolidado, con numerosos tutoriales de la comunidad e integraciones de terceros.
Puntos débiles:
- Depende de cajas anchor, cuyos valores previos pueden limitar la generalización con conjuntos de datos muy variados o personalizados.
- Menor precisión general (mAP) que las arquitecturas modernas sin anclajes, como YOLOv8 y YOLO26.
Comparativa de rendimiento#
Al evaluar estos modelos, es fundamental lograr un equilibrio favorable entre velocidad y precisión. La tabla siguiente presenta las métricas de rendimiento de ambas arquitecturas evaluadas con el conjunto de datos COCO. Las velocidades en CPU se midieron con ONNX, mientras que las velocidades en GPU se probaron con TensorRT.
| 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 |
| YOLOv5n | 640 | 28.0 | - | 1.12 | 1.9 | 4.5 |
| YOLOv5s | 640 | 37.4 | - | 1.92 | 7.2 | 16.5 |
| YOLOv5m | 640 | 45.4 | - | 4.03 | 21.2 | 49.0 |
| YOLOv5l | 640 | 49.0 | - | 6.61 | 46.5 | 109.1 |
| YOLOv5x | 640 | 50.7 | - | 11.89 | 86.7 | 205.7 |
Aunque YOLOv5 ofrece una latencia menor en GPU y menos FLOPs en todos los tamaños de esta tabla, YOLOv8 alcanza una mAP sustancialmente mayor en todos ellos (por ejemplo, 37,3 frente a 28,0 en los modelos Nano), lo que proporciona un equilibrio entre precisión y velocidad más adecuado para despliegues exigentes en el mundo real.
Facilidad de uso y ecosistema Ultralytics#
Una característica distintiva de los modelos modernos de Ultralytics es el ecosistema bien mantenido que los rodea. La transición de YOLOv5 a YOLOv8 trajo consigo la introducción del paquete unificado de pip ultralytics, que simplifica la experiencia de usuario.
Los desarrolladores pueden realizar el entrenamiento de modelos, la validación, la predicción y la exportación con solo unas líneas de código Python, sin necesidad de los complejos scripts repetitivos que tradicionalmente se utilizaban en proyectos de aprendizaje profundo.
from ultralytics import YOLO
# Carga un modelo YOLOv8 preentrenado
model = YOLO("yolov8n.pt")
# Entrena el modelo de forma eficiente con datos personalizados
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)
# Exporta el modelo a ONNX para implementarlo en producción
path = model.export(format="onnx")Ultralytics Platform simplifica aún más la gestión de conjuntos de datos, el entrenamiento en la nube y el despliegue.
Casos de uso ideales#
Cuándo elegir YOLOv5: Si mantienes sistemas heredados, ejecutas inferencias en CPU con limitaciones extremas, como la de una Raspberry Pi, o trabajas en un proyecto en el que es fundamental ahorrar hasta la última fracción de megabyte en el tamaño del modelo, YOLOv5 sigue siendo una opción de trabajo fiable.
Cuándo elegir YOLOv8: De los dos, YOLOv8 es la mejor opción para proyectos nuevos. Su arquitectura admite el seguimiento, la segmentación y las cajas delimitadoras orientadas (OBB), y es adecuada para aplicaciones modernas que abarcan desde la robótica autónoma hasta el análisis de imágenes médicas y las infraestructuras de ciudades inteligentes.
Aunque YOLOv8 es un modelo competente, Ultralytics recomienda YOLO26 para los proyectos nuevos. Publicado en enero de 2026, incorpora varios avances:
- Diseño de extremo a extremo sin NMS: Una cabeza opcional uno a uno (
nms=False) elimina el posprocesamiento con NMS para ofrecer un despliegue más rápido y sencillo; YOLOv10 introdujo este enfoque en los modelos YOLO. - Optimizador MuSGD: Una combinación de SGD y Muon que incorpora las innovaciones de entrenamiento de los LLM a la visión artificial y permite un entrenamiento más estable y una convergencia más rápida.
- Inferencia en CPU hasta un 43 % más rápida: YOLO26n funciona hasta un 43 % más rápido que YOLO11n en CPU, por lo que es adecuado para entornos de computación edge sin GPU dedicada.
- Eliminación de DFL: Se ha eliminado la pérdida focal de distribución para simplificar la exportación y mejorar la compatibilidad con dispositivos edge.
- ProgLoss + STAL: La pérdida progresiva y la asignación de etiquetas consciente de los objetivos pequeños mejoran notablemente la detección de objetos pequeños, algo fundamental en imágenes aéreas y aplicaciones del IoT.
Con la documentación y las herramientas de Ultralytics, puedes desplegar YOLOv8 o adoptar YOLO26 para aplicaciones de visión exigentes. Para profundizar, consulta las guías sobre ajuste de hiperparámetros y prácticas de despliegue de modelos.
Comentarios1
Haz una pregunta, comparte tus resultados o ayuda a otra persona.
rancherdesktopp23(editado)
Very well explained! The YOLOv8 vs YOLOv5 comparison clearly highlights how YOLOv8 improves upon its predecessor with a more modular architecture, support for multi-task learning, and better training stability. This YOLOv8 comparison really helps developers decide whether to upgrade or stick with the tried-and-tested v5 depending on their project needs.