Link to this sectionYOLOv8 frente a YOLOv5#

Elegir la arquitectura de visión artificial adecuada es un paso fundamental para crear flujos de trabajo de machine learning robustos. En esta comparativa técnica detallada, exploramos las diferencias entre dos de los modelos más populares en el ecosistema de la IA visual: YOLOv8 y YOLOv5. Ambos modelos fueron desarrollados por Ultralytics y han moldeado significativamente el panorama de la detección de objetos en tiempo real, estableciendo estándares en la industria en cuanto a velocidad, precisión y facilidad de uso.

Tanto si realizas despliegues en dispositivos de borde como si escalas la inferencia en la nube, comprender los cambios arquitectónicos, 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.

Link to this sectionUltralytics YOLOv8: El estándar versátil#

Lanzado a principios de 2023, YOLOv8 representó un cambio arquitectónico importante respecto a sus predecesores. Fue diseñado desde cero para servir como un framework unificado capaz de manejar múltiples tareas de visión de forma nativa, incluyendo segmentación de instancias, clasificación de imágenes y estimación de poses.

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

Link to this sectionArquitectura y metodologías#

YOLOv8 introduced an anchor-free detection head, which simplifies the training process by eliminating the need to manually configure anchor boxes based on dataset distribution. This makes the model more robust when generalizing to custom datasets and reduces the number of box predictions, speeding up Non-Maximum Suppression (NMS).

La arquitectura cuenta con un módulo C2f (bottleneck de etapa parcial cruzada con dos convoluciones), que sustituye al módulo C3 presente en YOLOv5. El módulo C2f mejora el flujo de gradiente y permite al modelo aprender representaciones de características más ricas sin un aumento significativo en el coste computacional. Además, YOLOv8 utiliza una estructura de cabezal desacoplado, que separa las tareas de detección de objetos, clasificación y regresión, lo que ha demostrado mejorar la velocidad de convergencia y la precisión.

Link to this sectionPuntos fuertes y debilidades#

Puntos fuertes:

• Versatilidad inigualable en múltiples tareas más allá de la simple detección de cajas delimitadoras.
• API de Python optimizada mediante el paquete ultralytics, lo que hace que el entrenamiento y la exportación sean altamente intuitivos.
• Mayor precisión media media (mAP) en todas las variantes de tamaño en comparación con YOLOv5.

Puntos débiles:

• El cabezal desacoplado y el módulo C2f introducen un ligero aumento en el recuento de parámetros y FLOPs para algunas variantes en comparación con sus homólogos exactos de YOLOv5.

Más información sobre YOLOv8

Link to this sectionUltralytics YOLOv5: El pionero ágil#

Introducido en 2020, YOLOv5 llevó a YOLO al ecosistema de PyTorch, mejorando drásticamente la accesibilidad para los desarrolladores. Rápidamente se convirtió en el estándar de la industria para modelos de detección de objetos rápidos, fiables y fácilmente desplegables.

• Autor: Glenn Jocher
• Organización: Ultralytics
• Fecha: 2020-06-26
• GitHub: ultralytics/yolov5
• Documentación: Documentación de YOLOv5

Link to this sectionArquitectura y metodologías#

YOLOv5 se basa en una arquitectura basada en anclas (anchor-based) y utiliza un backbone modificado de CSPDarknet53. Aunque los enfoques basados en anclas requieren una agrupación cuidadosa de las cajas delimitadoras del conjunto de datos para definir las anclas óptimas antes del entrenamiento, son altamente efectivos para conjuntos de datos específicos y bien definidos.

YOLOv5 incorpora el módulo C3, que extrae características de manera eficiente manteniendo una baja huella de parámetros. Su función de pérdida depende en gran medida de la pérdida de objetividad (Objectness loss) combinada con las pérdidas de clasificación y regresión de cajas delimitadoras para guiar a la red hacia predicciones precisas.

Link to this sectionPuntos fuertes y debilidades#

Puntos fuertes:

• Extremadamente ligero, lo que hace que las variantes Nano (YOLOv5n) y Small (YOLOv5s) sean muy adecuadas para despliegues de Edge AI con recursos limitados.
• Velocidades de inferencia excepcionalmente rápidas, especialmente en CPUs.
• Un ecosistema profundamente establecido con amplios tutoriales de la comunidad e integraciones de terceros.

Puntos débiles:

• Requiere configuración de cajas de anclaje, lo que puede complicar la configuración para conjuntos de datos muy variados o personalizados.
• Menor precisión general (mAP) en comparación con arquitecturas modernas sin anclas como YOLOv8 y YOLO26.

Más información sobre YOLOv5

Link to this sectionComparación de rendimiento#

Al evaluar estos modelos, lograr un equilibrio favorable entre velocidad y precisión es primordial. La tabla a continuación resume las métricas de rendimiento de ambas arquitecturas evaluadas en el dataset COCO. Las velocidades de CPU se midieron usando ONNX, mientras que las velocidades de GPU se probaron usando TensorRT.

Aunque YOLOv5 conserva una ligera ventaja en el número de parámetros y en velocidad bruta absoluta para su variante Nano, YOLOv8 ofrece un salto masivo en mAP en todos los ámbitos, proporcionando un equilibrio de rendimiento mucho más sólido para escenarios de despliegue en el mundo real exigentes.

Link to this sectionFacilidad de uso y el ecosistema de Ultralytics#

Una característica definitoria 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 pip unificado ultralytics, creando una experiencia de usuario altamente optimizada.

Los desarrolladores pueden gestionar sin problemas el entrenamiento de modelos, la validación, la predicción y la exportación con solo unas pocas líneas de código Python, evitando los complejos scripts de código repetitivo que históricamente se requerían en los proyectos de aprendizaje profundo.

from ultralytics import YOLO

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

# Train the model on custom data efficiently
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)

# Export the model to ONNX for production deployment
path = model.export(format="onnx")

Además, la integración con herramientas como Ultralytics Platform simplifica la gestión de datos, el entrenamiento en la nube y el despliegue, asegurando un desarrollo activo y un fuerte apoyo de la comunidad.

Link to this sectionCasos de uso ideales#

Cuándo elegir YOLOv5: Si mantienes sistemas heredados, ejecutas inferencia en CPUs severamente limitadas como una Raspberry Pi, o trabajas en un proyecto donde ahorrar cada fracción de un megabyte en el tamaño del modelo es crítico, YOLOv5 sigue siendo una herramienta fiable.

Cuándo elegir YOLOv8: Para prácticamente todos los proyectos nuevos que comienzan hoy, se recomienda encarecidamente YOLOv8 sobre YOLOv5. Su arquitectura avanzada maneja el seguimiento complejo, las cajas delimitadoras orientadas (OBB) y la segmentación sin esfuerzo. Es ideal para aplicaciones modernas que abarcan desde la robótica autónoma hasta el análisis de imágenes médicas y la infraestructura de ciudades inteligentes.

Al aprovechar la documentación completa y las herramientas proporcionadas por Ultralytics, puedes desplegar fácilmente YOLOv8, o explorar el vanguardista YOLO26, para resolver desafíos visuales complejos con una velocidad y precisión sin precedentes. Para seguir aprendiendo, considera explorar nuestras guías sobre ajuste de hiperparámetros y prácticas de despliegue de modelos.