Si has visto una demostración de inteligencia artificial que dibuja recuadros alrededor de personas, coches y otros objetos en un vídeo en directo —de forma instantánea, mientras se reproduce el vídeo—, muy probablemente hayas visto YOLO. Es el sistema más popular de detección de objetos en tiempo real dentro del campo de la visión por computadora, y lo utilizan desde cámaras de seguridad hasta sistemas robóticos. Esta guía explica qué es YOLO, cómo funciona y cómo empezar a usarlo.
Conclusiones clave
- YOLO («You Only Look Once», o «Solo miras una vez») detecta y localiza múltiples objetos en una imagen en una sola pasada.
- Esa única pasada es la razón por la que es lo suficientemente rápido para vídeos en tiempo real.
- Ha evolucionado a través de numerosas versiones —cada una más rápida y precisa que la anterior.
- Es accesible para principiantes —las herramientas modernas de YOLO permiten ejecutar la detección con apenas unas pocas líneas de código.
¿Qué es la detección de objetos?
Primero, la tarea que resuelve YOLO. Detección de objetos responde dos preguntas sobre una imagen simultáneamente:
- ¿Qué objetos están presentes? (clasificación)
- ¿Dónde está cada uno? (localización —un recuadro delimitador alrededor de cada objeto)
Esta tarea es más compleja que la mera clasificación de imágenes, que solo indica «esta imagen contiene un perro». La detección de objetos afirma «aquí hay un perro aquí, una persona allíy dos coches más allá»: identifica y localiza cada objeto, a menudo varios a la vez.
¿Qué es YOLO?
YOLO significa «You Only Look Once» («Solo miras una vez»). El nombre refleja su innovación principal. Los sistemas anteriores de detección eran lentos porque funcionaban en etapas: primero proponían muchas regiones que podrían contener un objeto y luego examinaban cada región por separado. Analizar miles de regiones una por una lleva mucho tiempo —demasiado para vídeos en directo.
YOLO lo hace de forma distinta: observa la imagen completa únicamente una vez y predice todos los objetos y sus respectivos recuadros en una sola pasada a través de una única red neuronal. Una mirada, todas las respuestas.
Este diseño es la razón por la que YOLO es tan rápido. La detección en tiempo real implica procesar muchos fotogramas por segundo, y el enfoque de una sola pasada de YOLO hace esto posible incluso en hardware modesto —razón por la cual se ha convertido en la opción predeterminada para aplicaciones en tiempo real.
Cómo funciona YOLO
La versión simplificada de lo que ocurre internamente:
- Dividir la imagen en una cuadrícula. YOLO conceptualmente divide la imagen en una cuadrícula de celdas.
- Cada celda realiza predicciones. Cada celda predice recuadros delimitadores para los objetos centrados en ella, una puntuación de confianza para cada recuadro y la clase a la que pertenece el objeto.
- Combinar todos los resultados. Todas las predicciones de toda la cuadrícula se reúnen.
- Eliminar solapamientos. El mismo objeto suele ser predicho por varias celdas cercanas. Un paso denominado supresión no máxima elimina las predicciones duplicadas, conservando únicamente el mejor recuadro para cada objeto.
El resultado: una única red neuronal, una sola pasada y un conjunto completo de recuadros etiquetados —rápido.
La evolución de YOLO
YOLO no es un único modelo fijo, sino una familia que ha mejorado de forma constante desde su primera versión. Cada nueva versión (la serie ya supera con creces la decena, incluidas las versiones v9 y posteriores) ha perseguido los mismos dos objetivos: mayor precisión y mayor velocidad, manteniéndose lo suficientemente eficiente para su uso en tiempo real.
Para fines prácticos, la lección es sencilla: utilice una versión reciente y bien soportada. Las versiones más nuevas son más rápidas y y más precisas que las anteriores, y vienen con herramientas maduras y fáciles de usar. No se obsesione con el número exacto de versión: elija una actual que cuente con buena documentación.
¿Para qué se utiliza YOLO?
La detección en tiempo real resulta útil prácticamente en cualquier lugar:
- Seguridad y vigilancia — detectar personas, vehículos u objetos abandonados en flujos de cámaras.
- Vehículos autónomos — identificar automóviles, peatones y obstáculos, como parte del sistema más amplio de percepción para conducción autónoma.
- Venta minorista — conteo de clientes, análisis del tráfico peatonal y supervisión de estantes.
- Fabricación — detección de defectos y piezas faltantes en líneas de producción.
- Agricultura — conteo de cultivos o ganado, y detección de plagas a partir de imágenes tomadas por drones.
- Análisis deportivo — seguimiento en tiempo real de jugadores y balón.
- Robótica — permitir que los robots perciban y respondan a los objetos que los rodean.
En cualquier escenario donde una máquina deba comprender qué hay en un vídeo en el momento mismo en que ocurre, YOLO es una opción muy adecuada.
Fortalezas y limitaciones de YOLO
| Fortalezas | Limitaciones |
|---|---|
| Muy rápido — funciona en tiempo real | Puede tener dificultades con objetos muy pequeños |
| Buena precisión para su velocidad | Puede pasar por alto objetos agrupados densamente |
| Analiza toda la imagen — menos falsos positivos en fondos | Ligeramente menos preciso que los detectores más lentos y pesados |
| Herramientas maduras y accesibles para principiantes | Los mejores resultados siguen requiriendo datos de entrenamiento específicos para cada tarea |
El compromiso general: YOLO está optimizado para el equilibrio entre velocidad y precisión. Algunos modelos de investigación obtienen puntuaciones marginalmente superiores en precisión, pero son demasiado lentos para su uso en tiempo real. Para la inmensa mayoría de aplicaciones prácticas, el equilibrio ofrecido por YOLO es exactamente el adecuado.
Cómo comenzar con YOLO
La barrera de entrada es baja en 2026:
- Utilice una biblioteca YOLO moderna. Las herramientas actuales de YOLO están bien empaquetadas: puede instalarlas y ejecutar la detección con un modelo preentrenado reciente en tan solo unas pocas líneas de Python.
- Comience con un modelo preentrenado. Estos ya reconocen decenas de tipos de objetos comunes de forma nativa. Ejecútelos sobre sus propias imágenes o mediante una cámara web para ver cómo funciona la detección de inmediato.
- Entrene con sus propios datos cuando sea necesario. Para detectar algo específico —por ejemplo, un producto determinado o una categoría personalizada—, recolecte y etiquete imágenes de ejemplo y ajuste finamente YOLO sobre ellas. Herramientas maduras simplifican este proceso.
- Tenga en cuenta su hardware. YOLO se ejecuta en un ordenador convencional, pero una GPU acelera considerablemente tanto el entrenamiento como la detección a alta tasa de fotogramas.
¿Qué hardware necesita para ejecutar YOLO en tiempo real?
«En tiempo real» tiene un significado concreto: el modelo debe procesar cada fotograma de video en menos de aproximadamente 33 milisegundos, que es el margen disponible a 30 fotogramas por segundo. Alcanzar ese umbral permite que las detecciones se mantengan sincronizadas con una cámara en vivo; si no se alcanza, la transmisión se entrecorta o pierde fotogramas. Superar dicho umbral depende casi exclusivamente del hardware subyacente, y aquí es donde suelen fallar la mayoría de los proyectos iniciáticos.
El factor más determinante es la GPU. En una CPU, incluso un modelo YOLO pequeño suele ejecutarse muy por debajo de los 30 FPS en video, lo cual es aceptable para procesar una carpeta de imágenes, pero no para una transmisión en vivo. Al trasladar ese mismo modelo a una GPU NVIDIA, la inferencia típicamente se acelera de 10 a 50 veces, superando cómodamente el umbral de tiempo real. Para entrenamiento o para ejecutar la cadena de herramientas Ultralytics, se requiere una tarjeta NVIDIA compatible con CUDA (capacidad de cómputo 6.0 o superior) con al menos 8 GB de VRAM; 12–16 GB ofrecen margen suficiente para modelos más grandes y lotes de entrenamiento más grandes.
Tres niveles prácticos cubren casi todos los proyectos:
| Configuración | Ideal para | ¿Video en tiempo real? |
| Solo CPU (portátil) | Aprendizaje, procesamiento por lotes de imágenes, prototipado | Rara vez — únicamente modelos pequeños y baja resolución |
| GPU NVIDIA de escritorio (clase RTX, 8 GB o más) | Entrenamiento de modelos personalizados, transmisiones de alta tasa de fotogramas | Sí — los modelos pequeños suelen superar los 60 FPS |
| Placa periférica (por ejemplo, Jetson Orin Nano) | Cámaras desplegadas, robótica, inferencia local | Sí — aproximadamente 30–60 FPS con optimización TensorRT |
Algunos factores influyen más que adquirir una tarjeta más potente. El tamaño del modelo es lo más importante: las variantes nano y pequeña están diseñadas para alcanzar el tiempo real en hardware modesto, mientras que las variantes más grandes sacrifican velocidad por precisión y exigen una GPU más potente. La optimización no es opcional en dispositivos periféricos: exportar a TensorRT con precisión FP16 puede duplicar aproximadamente el rendimiento en dispositivos Jetson frente a ejecutar PyTorch sin modificaciones, lo cual suele marcar la diferencia entre 20 y 40 FPS. Además, la resolución de entrada es un control directo: reducirla a la mitad disminuye aproximadamente en la misma proporción la carga computacional.
La conclusión honesta: no necesita una GPU de centro de datos para usar YOLO en tiempo real. Una GPU de gama media para juegos permite tanto el entrenamiento como la inferencia a alta tasa de fotogramas, y una placa periférica por menos de 300 USD permite su despliegue. Ajuste la variante del modelo a su hardware antes de comenzar, no después.
Preguntas frecuentes
¿Qué es YOLO en la detección de objetos?
YOLO («You Only Look Once», «Solo miras una vez») es un sistema de detección de objetos en tiempo real. Identifica múltiples objetos en una imagen y dibuja un rectángulo delimitador alrededor de cada uno, indicando así tanto qué objetos están presentes como dónde se encuentran, mediante un único paso a través de una red neuronal.
¿Por qué es tan rápido YOLO?
YOLO analiza toda la imagen en un solo paso a través de una red neuronal, prediciendo simultáneamente todos los objetos y sus rectángulos delimitadores. Los sistemas de detección anteriores examinaban miles de regiones de imagen por separado, lo cual era lento. El diseño de «una sola mirada» de YOLO es lo que hace posible la detección en tiempo real.
¿Es YOLO adecuado para principiantes?
Sí. Las bibliotecas modernas de YOLO están bien documentadas y son fáciles de usar: puede ejecutar la detección con un modelo preentrenado en tan solo unas pocas líneas de Python. Es una de las formas más accesibles de iniciarse en la visión por computadora práctica.
¿Qué puede detectar YOLO?
Un modelo YOLO puede detectar todo aquello sobre lo que haya sido entrenado. Los modelos preentrenados reconocen decenas de tipos de objetos comunes —personas, vehículos, animales, objetos cotidianos— de forma nativa. Para detectar objetos específicos o personalizados, debe ajustar finamente YOLO sobre sus propias imágenes etiquetadas.
¿Qué versión de YOLO debería usar?
Utilice una versión reciente y bien soportada. YOLO ha evolucionado a través de múltiples lanzamientos, cada uno más rápido y preciso que el anterior, y las versiones más recientes incluyen herramientas maduras. En lugar de centrarse en el número exacto de la versión, elija una versión actual con una buena documentación.
¿Puedo usar YOLO en un producto comercial de forma gratuita?
No automáticamente: la licencia es la trampa más frecuentemente pasada por alto. El repositorio original de YOLOv9 se publica bajo la licencia GPL-3.0, y las implementaciones populares de Ultralytics (utilizadas para ejecutar muchas versiones de YOLO) están bajo la licencia AGPL-3.0. Ambas son licencias copyleft: si distribuye un producto basado en ese código o esos pesos, debe liberar su aplicación completa bajo la misma licencia. Para mantener su código cerrado y propietario, necesita una licencia empresarial de Ultralytics de pago. Tanto la investigación y desarrollo internos como las herramientas destinadas a clientes están incluidos, así que revise los términos de licencia antes de desarrollar, no después.
¿Cuántas imágenes etiquetadas necesito para entrenar YOLO con mis propios objetos?
Muchas menos que al entrenar desde cero, gracias al aprendizaje por transferencia. Al partir de los pesos preentrenados en COCO, a menudo es posible obtener un prototipo funcional con apenas unas pocas centenas de imágenes bien etiquetadas por clase. Para un modelo robusto listo para producción, Ultralytics recomienda apuntar a unos 1.500 ejemplos por clase y aproximadamente 10.000 instancias etiquetadas por clase. La calidad y diversidad de las etiquetas —iluminación variada, ángulos diversos, fondos distintos y oclusiones— importan más que la cantidad bruta, y la ampliación integrada (augmentation) aprovecha aún más eficientemente un conjunto de datos modesto.
¿Necesito conocer el aprendizaje profundo para ajustar finamente YOLO?
No. El ajuste fino sobre un conjunto de datos personalizado consiste principalmente en la preparación de los datos y la ejecución de algunos comandos, no en teoría de redes neuronales. El trabajo más arduo radica en recolectar e identificar con precisión las imágenes; el paso de entrenamiento en sí está mayormente automatizado. Un conocimiento básico de Python y de la línea de comandos es suficiente para poner en marcha un detector personalizado.
Conclusión
YOLO hizo práctica la detección de objetos en tiempo real al reemplazar lentas tuberías de múltiples etapas por una única y rápida inspección de toda la imagen. Esa idea fundamental — «solo miras una vez» — es la razón por la que impulsa sistemas de seguridad, vehículos autónomos, análisis minoristas, robótica y numerosas aplicaciones más.
No es el detector más preciso existente, pero ofrece el mejor equilibrio entre velocidad y precisión, y ese equilibrio es lo que necesitan las aplicaciones reales. Lo mejor de todo es que es verdaderamente accesible: elija una versión reciente, comience con un modelo preentrenado y podrá tener la detección de objetos funcionando ya hoy mismo. Para comprender el contexto más amplio, vea cómo la detección se integra en la visión por computadora para vehículos autónomos.
