Empezar

YOLOv8 frente a YOLOv7

El campo de la visión artificial evoluciona constantemente y las nuevas arquitecturas amplían las posibilidades de la detección de objetos en tiempo real. Esta guía compara dos modelos influyentes: Ultralytics YOLOv8 y YOLOv7. Ambos han tenido un gran impacto en la comunidad de desarrolladores y en la investigación académica, y ofrecen enfoques distintos para resolver tareas visuales complejas.

Comprender las diferencias estructurales y metodológicas entre estos dos modelos es fundamental para los ingenieros de aprendizaje automático que buscan optimizar sus procesos de implementación. Mientras que YOLOv7 introdujo un enfoque de «ventajas gratuitas» adaptado para maximizar el rendimiento bruto, Ultralytics YOLOv8 se centró en crear un ecosistema integral y fácil de usar que equilibra una gran precisión con un bajo consumo de memoria y versatilidad para múltiples tareas.

Ultralytics YOLOv8: el estándar versátil del ecosistema#

Lanzado por Ultralytics a principios de 2023, YOLOv8 supuso un importante cambio arquitectónico con respecto a sus predecesores. Se diseñó desde cero para ser mucho más que un detector de objetos en tiempo real: es un marco unificado capaz de realizar de forma nativa una amplia variedad de tareas de visión artificial.

Innovaciones arquitectónicas#

YOLOv8 introdujo un cabezal de detección sin anclajes. Esto simplifica el proceso de entrenamiento al eliminar la necesidad de configurar manualmente cajas de anclaje según la distribución específica de tu conjunto de datos personalizado, lo que hace que el modelo sea más robusto y generalice mejor en distintos entornos.

Además, la arquitectura incluye el módulo C2f (cuello de botella parcial entre etapas con dos convoluciones), una mejora estructural que optimiza el flujo de gradientes y permite a la red neuronal aprender representaciones de características más ricas sin aumentar significativamente el coste computacional. Esto hace que el modelo sea eficiente al ejecutar inferencias con frameworks estándar de aprendizaje profundo como PyTorch.

Eficiencia de memoria

Los modelos YOLO de Ultralytics están diseñados para entrenarse de forma eficiente. Durante el entrenamiento suelen necesitar mucha menos memoria CUDA que las arquitecturas basadas en Transformer o las CNN más pesadas. Esto te permite entrenar con tamaños de lote mayores en hardware de consumo y acelerar tu ciclo de desarrollo.

YOLOv7: el enfoque «bag-of-freebies»#

YOLOv7 se presentó a mediados de 2022 y pronto se convirtió en una referencia popular en los círculos académicos. Se centró especialmente en la reparametrización arquitectónica y la optimización de las rutas del gradiente para llevar al límite la detección de objetos en tiempo real en GPU de gama alta.

  • Autores: Chien-Yao Wang, Alexey Bochkovskiy y Hong-Yuan Mark Liao
  • Organización: Institute of Information Science, Academia Sinica, Taiwán
  • Fecha: 2022-07-06
  • arXiv: 2207.02696
  • GitHub: WongKinYiu/yolov7

Innovaciones arquitectónicas#

YOLOv7 emplea una red de agregación de capas eficiente ampliada (E-ELAN), que permite al modelo aprender continuamente características más diversas. Se basa en un diseño con anclajes e introduce un «conjunto de ventajas gratuitas» entrenable: una serie de métodos de optimización que mejoran la precisión sin aumentar el coste de inferencia.

Aunque YOLOv7 ofrece un rendimiento excelente en referentes académicos estándar como el conjunto de datos MS COCO, su arquitectura está muy optimizada para aceleradores de nivel servidor. A veces, exportar y desplegar estos modelos en dispositivos edge requiere más configuración manual que con marcos más modernos y optimizados.

Más información sobre YOLOv7

Comparativa detallada del rendimiento#

Al evaluar estos modelos, la principal consideración es el equilibrio entre velocidad, precisión y tamaño del modelo. La tabla siguiente destaca las métricas de ambos modelos.

Modelotamaño
(píxeles)
mAPval50-95Velocidad
CPU ONNX
(ms)
Velocidad
T4 TensorRT10
(ms)
parámetros
(M)
FLOPs
(B)
YOLOv8n64037.380.41.473.28.7
YOLOv8s64044.9128.42.6611.228.6
YOLOv8m64050.2234.75.8625.978.9
YOLOv8l64052.9375.29.0643.7165.1
YOLOv8x64053.9479.114.3768.2257.8
YOLOv7l64051.4-6.8436.9104.7
YOLOv7x64053.1-11.5771.3189.9

Como muestran los datos, YOLOv8x alcanza la mayor precisión (53,9 mAP), mientras que la variante nano (YOLOv8n) ofrece una inferencia rápida y ocupa poco espacio. Esta variedad de tamaños hace que YOLOv8 se adapte mejor a entornos de hardware con recursos limitados.

La ventaja de Ultralytics: facilidad de uso y ecosistema#

Aunque YOLOv7 ofrece métricas brutas de detección sólidas, Ultralytics YOLOv8 proporciona una mejor experiencia de desarrollo, una integración más profunda con el ecosistema y compatibilidad con múltiples tareas.

Versatilidad#

YOLOv7 es principalmente un modelo de detección, con ramas experimentales para otras tareas. En cambio, YOLOv8 admite de forma nativa la detección de objetos, la segmentación de instancias, la clasificación de imágenes, la estimación de pose y los cuadros delimitadores orientados (OBB). Este enfoque unificado permite al equipo aprender a utilizar una sola API y desplegarla para proyectos con requisitos muy distintos.

Despliegue e integraciones optimizados#

La exportación de un modelo para producción suele convertirse en un cuello de botella. El paquete de Ultralytics permite a los desarrolladores exportar a formatos como ONNX, TensorRT y CoreML con una sola línea de código Python. Así se evitan los problemas de compatibilidad con operadores que pueden surgir al exportar grafos complejos basados en anclajes.

YOLOv8 también se integra con herramientas de MLOps. Tanto si haces un seguimiento de experimentos con Weights & Biases como si pruebas implementaciones en Hugging Face Spaces, el ecosistema de Ultralytics se encarga del trabajo más complejo.

Ejemplo de código: entrenamiento y exportación de YOLOv8#

El siguiente código muestra lo sencilla que es la API de Python de Ultralytics. En menos de diez líneas de código, puedes pasar de inicializar un modelo a entrenarlo y exportarlo para su despliegue en dispositivos edge.

from ultralytics import YOLO

# Carga un modelo YOLOv8 nano preentrenado para una inferencia rápida
model = YOLO("yolov8n.pt")

# Entrena el modelo con el conjunto de datos COCO8
# La API gestiona automáticamente la carga de datos, el aumento de datos y el registro
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Ejecuta la inferencia en una imagen de prueba
predictions = model("https://ultralytics.com/images/bus.jpg")

# Exporta el modelo entrenado al formato ONNX para implementarlo
model.export(format="onnx")
Flexibilidad de despliegue

Usar la función model.export() ofrece un acceso directo a motores de inferencia de alto rendimiento y te permite integrar YOLOv8 en aplicaciones móviles, sistemas integrados o servidores en la nube con un gran rendimiento.

Casos de uso reales#

Las diferencias arquitectónicas entre ambos modelos determinan los escenarios de despliegue ideales para cada uno.

Cuándo elegir YOLOv8:

  • IA en el borde y dispositivos IoT: Los modelos Nano y Small rápidos hacen que YOLOv8 sea idóneo para hardware con capacidad de cálculo limitada, como cámaras inteligentes o drones.
  • Proyectos multitarea: Si tu proceso requiere seguir las articulaciones humanas (estimación de pose) y, al mismo tiempo, cartografiar obstáculos (segmentación), YOLOv8 lo gestiona de forma nativa.
  • Del prototipado rápido a producción: La completa documentación de Ultralytics y una API de Python sencilla permiten a los equipos llevar sus productos al mercado más rápido.

Cuándo plantearse YOLOv7:

  • Evaluación comparativa académica: Los investigadores que estudian los efectos de las técnicas de reparametrización suelen utilizar YOLOv7 como referencia estándar, como refleja su popularidad en Hugging Face Papers.
  • Procesos heredados en servidores: Si un proceso existente con una gran carga computacional ya está estrictamente optimizado para las salidas de anclaje específicas de YOLOv7, mantenerlo puede ser práctico a corto plazo.

De cara al futuro: la próxima generación#

YOLOv8 sigue siendo versátil, pero el panorama de la IA evoluciona rápidamente. Ultralytics recomienda a los equipos que empiezan proyectos nuevos explorar los modelos más recientes de su catálogo.

La generación más reciente, YOLO26, es el modelo de Ultralytics recomendado actualmente. Incluye una opción de diseño integral sin NMS (nms=False) que omite el posprocesamiento de supresión no máxima (NMS) para lograr una implementación más sencilla y rápida. Gracias a la eliminación de Distribution Focal Loss (DFL) y a la incorporación del optimizador MuSGD, inspirado en el entrenamiento de LLM, YOLO26 ofrece un entrenamiento más estable y una inferencia en CPU hasta un 43 % más rápida (YOLO26n frente a YOLO11n). ProgLoss + STAL (pérdida progresiva y asignación de etiquetas consciente de los objetos pequeños) mejoran la detección de objetos pequeños, por lo que es una opción sólida para la computación moderna en el borde y las imágenes aéreas.

Para quienes migran desde sistemas anteriores, YOLO11 y el clásico YOLOv5 también siguen siendo totalmente compatibles con el ecosistema unificado de Ultralytics, para que puedas elegir el modelo que mejor se adapte a las limitaciones de tu hardware.

Comentarios

Haz una pregunta, comparte tus resultados o ayuda a otra persona.