YOLOX frente a YOLOv8
El campo de la visión artificial ha avanzado rápidamente en la detección de objetos en tiempo real durante los últimos años. A medida que investigadores e ingenieros siguen mejorando la precisión y la velocidad, puede resultar difícil orientarse entre los modelos disponibles. Esta guía ofrece una comparación técnica de dos arquitecturas influyentes: YOLOX y Ultralytics YOLOv8.
Al analizar sus arquitecturas, metodologías de entrenamiento y capacidades de despliegue, los desarrolladores pueden tomar decisiones fundamentadas al seleccionar el marco adecuado para sus proyectos de inteligencia artificial.
YOLOX: conectar la investigación y la industria#
YOLOX surgió como un modelo importante que ayudó a reducir la brecha entre la investigación académica y las aplicaciones industriales. Supuso un cambio hacia un diseño sin anclajes, lo que redujo considerablemente el número de parámetros de diseño y el ajuste heurístico necesarios en los detectores anteriores basados en anclajes.
Detalles del modelo:
- Autores: Zheng Ge, Songtao Liu, Feng Wang, Zeming Li y Jian Sun
- Organización: Megvii
- Fecha: 2021-07-18
- arXiv: YOLOX: superar a la serie YOLO en 2021
- GitHub: Megvii-BaseDetection/YOLOX
- Documentación: Documentación de YOLOX
Aspectos arquitectónicos destacados#
YOLOX integra varias modificaciones clave que lo distinguen de sus predecesores. La más destacada es el cabezal desacoplado, que separa las tareas de clasificación y regresión de cuadros delimitadores en vías distintas. Esta decisión arquitectónica reduce el conflicto entre la alineación espacial necesaria para la regresión y la invariancia a la traslación que requiere la clasificación, lo que acelera la convergencia durante el entrenamiento.
Además, YOLOX utiliza la estrategia de asignación de etiquetas SimOTA. Este método de asignación dinámica plantea la correspondencia entre los objetos de referencia y las predicciones como un problema de transporte óptimo, lo que reduce eficazmente el tiempo de entrenamiento y mejora la precisión media promedio (mAP). El modelo también utiliza técnicas potentes de aumento de datos, como MixUp y Mosaic, aunque las desactiva durante las últimas épocas para estabilizar las características aprendidas.
YOLOv8: el estándar de un ecosistema versátil#
Tras años de investigación continua, Ultralytics YOLOv8 supone un gran avance para los modelos de Ultralytics. Se diseñó desde cero no solo como detector de objetos, sino como un marco integral multitarea capaz de abordar una amplia variedad de retos de reconocimiento visual mediante una API accesible.
Detalles del modelo:
- Autores: Glenn Jocher, Ayush Chaurasia y Jing Qiu
- Organización: Ultralytics
- Fecha: 2023-01-10
- GitHub: ultralytics/ultralytics
- Documentación: Documentación de YOLOv8
Avances arquitectónicos#
YOLOv8 introduce una arquitectura simplificada que sustituye el módulo C3 por el módulo C2f, más eficiente, y mejora el flujo del gradiente y la extracción de características sin aumentar excesivamente el número de parámetros. Al igual que YOLOX, YOLOv8 utiliza un diseño sin anclajes y un cabezal desacoplado; sin embargo, perfecciona el cálculo de la pérdida incorporando Distribution Focal Loss (DFL) y la pérdida CIoU, lo que permite obtener predicciones de cuadros delimitadores más ajustadas, especialmente para objetos pequeños o superpuestos.
Una de las mayores ventajas de YOLOv8 es su profunda integración en el ecosistema de Ultralytics. Tanto si utilizas la API unificada de Python como la interfaz visual de Ultralytics Platform, la transición del entrenamiento al despliegue es sencilla y admite de forma nativa formatos desde ONNX hasta TensorRT.
Además de la detección de objetos estándar, YOLOv8 admite de forma nativa la segmentación de instancias, la clasificación de imágenes, la estimación de pose y los cuadros delimitadores orientados (OBB). Esta versatilidad multitarea lo convierte en una opción atractiva para entornos de producción complejos en los que hay que mantener varios tipos de modelos.
Comparativa de rendimiento y métricas#
Al comparar estos modelos, los desarrolladores deben tener en cuenta las compensaciones entre precisión, latencia de inferencia y sobrecarga computacional. La tabla siguiente muestra las pruebas de rendimiento de ambas familias de modelos.
| Modelo | tamaño (píxeles) | mAPval50-95 | Velocidad CPU ONNX (ms) | Velocidad T4 TensorRT10 (ms) | parámetros (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOXnano | 416 | 25.8 | - | - | 0.91 | 1.08 |
| YOLOXtiny | 416 | 32.8 | - | - | 5.06 | 6.45 |
| YOLOXs | 640 | 40.5 | - | 2.56 | 9.0 | 26.8 |
| YOLOXm | 640 | 46.9 | - | 5.43 | 25.3 | 73.8 |
| YOLOXl | 640 | 49.7 | - | 9.04 | 54.2 | 155.6 |
| YOLOXx | 640 | 51.1 | - | 16.1 | 99.1 | 281.9 |
| 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 |
YOLOv8 obtiene de forma consistente un mAP superior al de YOLOX con un número de parámetros comparable, a la vez que mantiene una gran velocidad en GPU. Además, los modelos de Ultralytics son conocidos por sus menores requisitos de memoria durante el entrenamiento. Esta es una ventaja crucial al aumentar los tamaños de lote en hardware de consumo, sobre todo en comparación con arquitecturas Transformer que consumen muchos recursos, como RT-DETR, que requieren mucha más memoria CUDA.
Experiencia de desarrollo e implementación#
Trabajar con bases de código de investigación heredadas suele requerir configurar entornos complejos y escribir código repetitivo personalizado para la inferencia. En cambio, la API de Ultralytics lo reduce a unas pocas líneas de Python.
from ultralytics import YOLO
# Inicializa el modelo pequeño YOLOv8
model = YOLO("yolov8s.pt")
# Entrena el modelo con un conjunto de datos personalizado
train_results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Valida la precisión del modelo
metrics = model.val()
# Ejecuta la inferencia en una imagen de prueba
predictions = model("https://ultralytics.com/images/bus.jpg")
predictions[0].show()Esta interfaz unificada es un rasgo distintivo del ecosistema de Ultralytics, bien mantenido, y garantiza que los desarrolladores dediquen menos tiempo a depurar problemas del entorno y más a iterar sobre sus soluciones de visión artificial.
Casos de uso y recomendaciones#
Elegir entre YOLOX y YOLOv8 depende de los requisitos específicos de tu proyecto, las limitaciones de implementación y tus preferencias en cuanto al ecosistema.
Cuándo elegir YOLOX#
YOLOX es una buena opción para:
- Investigación sobre detección sin anclajes: Investigación académica que utiliza la arquitectura limpia y sin anclajes de YOLOX como base para experimentar con nuevos cabezales de detección o funciones de pérdida.
- Dispositivos de borde ultraligeros: Implementación en microcontroladores o hardware móvil heredado, donde el tamaño extremadamente reducido de la variante YOLOX-Nano (0,91 M de parámetros) es fundamental.
- Estudios de asignación de etiquetas SimOTA: Proyectos de investigación que analizan estrategias de asignación de etiquetas basadas en el transporte óptimo y su impacto en la convergencia del entrenamiento.
Cuándo elegir YOLOv8#
Se recomienda YOLOv8 para:
- Implementación versátil y multitarea: Proyectos que necesitan un modelo probado para detección, segmentación, clasificación y estimación de pose dentro del ecosistema Ultralytics.
- Sistemas de producción consolidados: Entornos de producción existentes basados en la arquitectura YOLOv8, con canalizaciones de implementación estables y bien probadas.
- Amplio respaldo de la comunidad y del ecosistema: Aplicaciones que se benefician de los numerosos tutoriales de YOLOv8, las integraciones de terceros y los recursos de una comunidad activa.
Cuándo elegir Ultralytics (YOLO26)#
Para la mayoría de los proyectos nuevos, Ultralytics YOLO26 ofrece la mejor combinación de rendimiento y experiencia para desarrolladores:
- Implementación edge sin NMS: Aplicaciones que requieren una inferencia constante y de baja latencia, sin la complejidad del posprocesamiento de supresión no máxima (NMS).
- Entornos que solo usan CPU: Dispositivos sin aceleración de GPU dedicada, en los que la inferencia en CPU de YOLO26n, hasta un 43 % más rápida que la de YOLO11n, ofrece una ventaja decisiva.
- Detección de objetos pequeños: situaciones complejas, como las imágenes aéreas captadas con drones o el análisis de sensores IoT, en las que ProgLoss y STAL mejoran la precisión con objetos diminutos.
De cara al futuro: la arquitectura YOLO26#
Aunque YOLOv8 ofrece un buen equilibrio entre precisión y facilidad de uso, la IA sigue avanzando rápidamente. YOLO26, publicado en enero de 2026, es el modelo recomendado para los despliegues modernos en dispositivos periféricos y en la nube, y se basa en los fundamentos de las generaciones anteriores.
YOLO26 incorpora un diseño integral sin NMS: su cabezal opcional uno a uno (nms=False) omite el paso heurístico de posprocesamiento con NMS y ofrece una latencia estable y predecible en distintos entornos de despliegue. Al eliminar el módulo Distribution Focal Loss (DFL), YOLO26n logra una inferencia en CPU hasta un 43 % más rápida que YOLO11n, lo que convierte a YOLO26 en una gran opción para sistemas integrados y aplicaciones móviles.
YOLO26 también mejora la estabilidad del entrenamiento con el optimizador MuSGD, una combinación de SGD y Muon que acelera la convergencia. Con ProgLoss + STAL (pérdida progresiva y asignación de etiquetas consciente de objetivos pequeños), YOLO26 mejora la detección de objetos pequeños, algo fundamental para la cartografía con drones y los sistemas de alarma de seguridad.
Conclusiones y recomendaciones#
YOLOX supuso un paso importante en la transición a los métodos sin anclajes, pero la falta de un ecosistema multitarea integrado limita su uso en entornos de producción de ritmo acelerado.
Para los desarrolladores que priorizan una experiencia fluida, compatibilidad con diversas tareas y un sólido respaldo de la comunidad, YOLOv8 sigue siendo una opción robusta. Sin embargo, para quienes quieran maximizar el rendimiento de la computación periférica, eliminar los cuellos de botella de NMS y lograr la máxima precisión con las últimas innovaciones de entrenamiento, YOLO26 es el modelo recomendado para cualquier proyecto nuevo de visión artificial.
Si te interesa explorar otros modelos de la gama Ultralytics, también puedes consultar las características de rendimiento de YOLO11 o leer sobre el enfoque sin NMS introducido en YOLOv10.
Comentarios1
Haz una pregunta, comparte tus resultados o ayuda a otra persona.
zaraquinnat(editado)
Excellent technical comparison! YOLOX introduced some innovative ideas like decoupled heads and anchor-free design, which definitely influenced later models. However, this YOLOv8 comparison shows how v8 builds on such advancements with a cleaner architecture, better task flexibility, and improved performance across various benchmarks. Both have their strengths depending on the application.