YOLO (You Only Look Once)Detección de objetos en tiempo real que identifica múltiples objetos en pasada única de la imagen.

4.8 (6)

Reseñado por Daniel Nikulshyn·Actualizado mayo de 2026

Computer Vision Object Detection Open Source Real-Time Edge AI Deep Learning Pretrained Models

1 / 2

Resumen

YOLO (You Only Look Once) es una familia de algoritmos de detección de objetos diseñados para la velocidad y la eficiencia. A diferencia de los sistemas de detección tradicionales que aplican un modelo a una imagen en múltiples ubicaciones y escalas, YOLO enmarca la detección como un problema de regresión único, prediciendo cuadros delimitadores y probabilidades de clase en un solo paso adelante a través de una red neuronal. Esta arquitectura hace que YOLO sea especialmente adecuado para aplicaciones en tiempo real como análisis de video, vehículos autónomos, robótica, vigilancia y realidad aumentada. Las versiones sucesivas (YOLOv3, v5, v7, v8 y posteriores) han mejorado la precisión, han ampliado la compatibilidad con tareas de segmentación y estimación de postura, y han mantenido la reputación del marco por su rápida inferencia. YOLO es ampliamente adoptado por investigadores y desarrolladores debido a sus implementaciones de código abierto, comunidad activa y equilibrio entre la precisión de detección y la velocidad de procesamiento tanto en GPU como en dispositivos de borde.

Funciones clave

Detección de objetos en tiempo real con una pasada única
Predicción de cajas delimitadoras y probabilidades de clase
Soporte para tareas de detección, segmentación y estimación de pose
Modelos pretrained en conjuntos de datos comunes como COCO
Despliegue en GPU, CPU y dispositivos de borde
Capacidad de entrenamiento personalizado en conjuntos de datos del usuario

Precio

Modelo: Freemium
Categoría: Visión por Computadora
Valoración: 4.8 / 5 (6)

Casos de uso

Seguridad de video en tiempo real

Detecta y sigue a personas, vehículos o objetos de interés en las alimentaciones de cámara de seguridad en vivo usando la inferencia rápida de YOLO en una sola pasada.

Percepción de vehículos autónomos

Identifica peatones, coches, señales de tráfico y obstáculos en tiempo real para apoyar decisiones de conducción y navegación en sistemas de conducción automática.

Despliegue en dispositivos de borde y robótica

Ejecuta la detección de objetos directamente en hardware embebido y robots, lo que permite interacción respuesta con el ambiente sin depender de la nube.

Entrenamiento de detección personalizada en conjuntos de datos del usuario

Fine-tunes modelos pretrained de YOLO en conjuntos de datos etiquetados del usuario para detectar objetos específicos de la dominio en aplicaciones industriales, médicas o de comercio.

Pros y contras

Ventajas

Inferencia muy rápida adecuada para uso en tiempo real
Ecosistema abierto de código fuente y apoyo de la comunidad
Detecta múltiples clases de objetos con una sola pasada
Funciona en hardware de borde y dispositivos embebidos
Mejoras continuas a lo largo de versiones del modelo

Contras

Puede tener dificultades con objetos pequeños o estrechamente empaquetados
Requiere conjuntos de datos etiquetados y experiencia en entrenamiento
La licencia varía según versiones y ramas
La precisión puede ser inferior a detectores en etapas más lentas

Historial de batallas

En 1 batalla del Panteón.

1.º

2.º

3.º

Last battle

#4
Computer Vision Showdown — February 5, 2024
Feb 5, 2024 · #4 of 8

Reseñas

4.8

Promedio de 6 valoraciones.

Inicia sesión para dejar una reseña.

Olga Ivanova

Mar 16, 2026

Does the job

Pretty happy overall. Support for detection, segmentation, and pose tasks just works and runs on edge hardware and embedded devices. Requires labeled datasets and training expertise can be annoying, but no dealbreakers — I'd recommend it to a friend without hesitating.

Daniel Schmidt

Oct 8, 2025

Solid for our team

We rolled this out across the team last quarter and continual improvements across model versions. Pretrained models on common datasets like COCO fits neatly into how we already work, and deployable on GPU, CPU, and edge devices removed a step we used to do by hand. but it has held up under daily use.

Hiroshi Tanaka

Sep 20, 2025

Use it every day

Honestly didn't expect to like it this much. Support for detection, segmentation, and pose tasks is exactly what I needed, and strong open-source ecosystem and community support. I do wish requires labeled datasets and training expertise, but I reach for it almost every day now and it just clicks.

Margaret Whitfield

Sep 12, 2025

Use it every day

Honestly didn't expect to like it this much. Customizable training on user datasets is exactly what I needed, and continual improvements across model versions. I do wish can struggle with small or densely packed objects, but I reach for it almost every day now and it just clicks.

Carlos Mendoza

Aug 1, 2025

Years in this space

I've evaluated a lot of these over the years. What stands out here is pretrained models on common datasets like COCO — handled better than most — and extremely fast inference suitable for real-time use. Requires labeled datasets and training expertise is my one real gripe. Worth the time if this is your use case.

Diego Fernández

Jul 12, 2025

Compared a few options

Evaluated this against two competitors. Where it wins: customizable training on user datasets and extremely fast inference suitable for real-time use. Where it lags: requires labeled datasets and training expertise. On balance the feature set — especially customizable training on user datasets — justifies the 5 stars for our use case.

Preguntas y respuestas

What are the main limitations of YOLO compared to two‑stage detectors?

YOLO’s single‑pass design excels in speed but may struggle with very small or densely packed objects, and its accuracy can be lower than slower, two‑stage detectors that use region proposals.

Asked by Esther Adeyemi · Sep 4, 2025

Can I train YOLO on my own dataset for custom object classes?

Yes, YOLO is fully customizable; you can fine‑tune pretrained models (e.g., on COCO) using your own labeled dataset, though you’ll need labeling expertise and some training experience.

Asked by Jasper Vermeer · Aug 12, 2025

What hardware is needed to run YOLO in real-time?

YOLO can run on GPUs, CPUs, and edge devices; for real‑time performance you typically need a GPU (e.g., NVIDIA RTX series) but the model also supports inference on CPUs and embedded hardware with reduced frame rates.

Asked by Dara Fitzgerald · Jul 31, 2025