YOLOv8 frente a YOLOv5#

Elegir la arquitectura de visión artificial adecuada es un paso fundamental para crear flujos de trabajo de aprendizaje automático sólidos. En esta comparación técnica detallada, analizamos las diferencias entre dos de los modelos más populares del ecosistema de IA de visión: YOLOv8 y YOLOv5. Ambos modelos fueron desarrollados por Ultralytics y han influido considerablemente en el panorama de la detección de objetos en tiempo real, estableciendo estándares del sector en 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.

Puntos fuertes y débiles#

Puntos fuertes:

• Versatilidad inigualable para múltiples tareas, más allá de la simple detección de cajas delimitadoras.
• API de Python simplificada mediante el paquete ultralytics, que facilita enormemente el entrenamiento y la exportación.
• Mayor precisión media promedio (mAP) en todas las variantes de tamaño que YOLOv5.

Puntos débiles:

• El cabezal desacoplado y el módulo C2f aumentan el número de parámetros y las FLOPs en las variantes más pequeñas respecto a sus equivalentes exactos de YOLOv5.

Ultralytics YOLOv5: el pionero ágil#

Presentado en 2020, YOLOv5 incorporó YOLO al ecosistema PyTorch, mejorando drásticamente la accesibilidad para los desarrolladores. Rápidamente se convirtió en el estándar del sector para los modelos de detección de objetos rápidos, fiables y fáciles de implementar.

• 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 anclajes y utiliza una estructura troncal CSPDarknet53 modificada. Aunque los enfoques con anclajes requieren agrupar cuidadosamente las cajas delimitadoras del conjunto de datos para definir los anclajes óptimos antes del entrenamiento, son muy eficaces con conjuntos de datos específicos y bien definidos.

YOLOv5 incorpora el módulo C3, que extrae características de forma eficiente y mantiene un número reducido de parámetros. Su función de pérdida se basa principalmente en la pérdida de presencia de objeto, combinada con pérdidas de clasificación y regresión de cajas delimitadoras para guiar la red hacia predicciones precisas.

Puntos fuertes y débiles#

Puntos fuertes:

• Es extremadamente ligero, por lo que las variantes Nano (YOLOv5n) y Small (YOLOv5s) son muy adecuadas para implementaciones de IA edge con recursos limitados.
• Velocidades de inferencia excepcionalmente rápidas, sobre todo en CPU.
• Un ecosistema muy consolidado, con numerosos tutoriales de la comunidad e integraciones de terceros.

Puntos débiles:

• Requiere configurar las cajas de anclaje, lo que puede complicar la preparación de 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 en el conjunto de datos COCO. Las velocidades en CPU se midieron con ONNX y las velocidades en GPU, con TensorRT.

Aunque YOLOv5 mantiene una ventaja en número de parámetros y velocidad bruta absoluta en su variante Nano, YOLOv8 ofrece un enorme salto en mAP en todas las categorías y proporciona un equilibrio de rendimiento mucho mejor para escenarios de implementación exigentes en el mundo real.

Facilidad de uso y ecosistema Ultralytics#

Una característica definitoria de los modelos modernos de Ultralytics es el ecosistema bien mantenido que los rodea. La transición de YOLOv5 a YOLOv8 introdujo el paquete unificado de pip ultralytics, que ofrece una experiencia de usuario muy simplificada.

Los desarrolladores pueden gestionar sin complicaciones el entrenamiento de modelos, la validación, la predicción y la exportación con solo unas líneas de código Python, sin tener que recurrir a los complejos scripts repetitivos que históricamente requerían los 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")

Además, la integración con herramientas como Ultralytics Platform simplifica la gestión de conjuntos de datos, el entrenamiento en la nube y la implementación, y garantiza un desarrollo activo y un sólido apoyo de la comunidad.

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: Para prácticamente todos los proyectos nuevos que se inician hoy, recomendamos encarecidamente YOLOv8 frente a YOLOv5. Su arquitectura avanzada gestiona sin esfuerzo el seguimiento complejo, las cajas delimitadoras orientadas (OBB) y la segmentación. Es ideal para aplicaciones modernas que abarcan desde la robótica autónoma hasta el análisis de imágenes médicas y las infraestructuras de ciudades inteligentes.

Con la documentación y las herramientas completas de Ultralytics, puedes implementar YOLOv8 fácilmente o explorar el vanguardista YOLO26 para resolver retos visuales complejos con una velocidad y precisión sin precedentes. Para seguir aprendiendo, explora nuestras guías sobre ajuste de hiperparámetros y prácticas de implementación de modelos.