Arboleda Duque, Andres Felipe (Director)Izquierdo Serrano, Luis DavidRodriguez Quintero, Carlos DavidForero Velasco, Jhon Arley2026-06-022026-06-022026Izquierdo Serrano, L. D., Forero Velasco, J. A., & Rodriguez Quintero, C. D. (2026). YOLOv8 vs YOLOv11: revisión sistemática y validación experimental en detección de objetos. Universidad Santiago de Cali.https://repositorio.usc.edu.co/handle/20.500.12421/9407Este artículo presenta un análisis comparativo del desarrollo y desempeño de YOLOv8 y YOLOv11, dos versiones recientes del algoritmo de detección en tiempo real “You Only Look Once” (YOLO), reconocido por su velocidad y precisión. El enfoque principal es analizar y comparar los resultados de las diferentes métricas en ambas versiones utilizando distintos datasets. Para ello, se consideran múltiples variantes del modelo (“n”, “s” y “m”), para evaluar su comportamiento bajo diferentes niveles de capacidad. Asimismo, el estudio se fundamenta en principios teóricos del conocimiento libre, la optimización computacional y las licencias abiertas, que respaldan el uso de código abierto en entornos académicos y científicos. Se adopta una metodología documental y experimental, aplicando PRISMA para la revisión de literatura y el marco OSEMN para la preparación, modelado y evaluación. En esa misma línea se utilizaron métricas estandarizadas como mAP@0.5, mAP@0.5-0.95, junto con indicadores como el tiempo de entrenamiento. Los resultados muestran que el rendimiento de cada versión depende del dataset y del tamaño del modelo. YOLOv8 obtuvo mayor precisión y mAP en escenarios como African Wildlife y PI3final, mientras que en YOLOv11 destaco por su eficiencia computacional y tiempos de entrenamiento en las variantes n y s. En conclusión, YOLOv8 destaca por su exactitud y robustez, mientras que YOLOv11 resulta más eficiente en hardware limitado, ambas versiones contribuyen al avance académico sobre la evolución de YOLO en visión por computador.This article presents a comparative analysis of the development and performance of YOLOv8 and YOLOv11, two recent versions of the "You Only Look Once" (YOLO) real-time detection algorithm, known for its speed and accuracy. The main focus is to analyze and compare the results of different metrics in both versions using various datasets. To this end, multiple model variants ("n", "s", and "m") are considered to evaluate their behavior under different capacity levels. Furthermore, the study is founded on theoretical principles of free knowledge, computational optimization, and open licenses, which support the use of open source code in academic and scientific environments. A documentary and experimental methodology is adopted, applying PRISMA for literature review and the OSEMN framework for preparation, modeling, and evaluation. Along the same lines, standardized metrics such as mAP@0.5 and mAP@0.5-0.95 were used, along with indicators like training time. The results show that the performance of each version depends on the dataset and the model size. YOLOv8 achieved greater precision and mAP in scenarios such as African Wildlife and PI3final, while YOLOv11 stood out for its computational efficiency and training times in the 'n' and 's' variants. In conclusion, YOLOv8 excels in accuracy and robustness, while YOLOv11 proves more efficient on limited hardware; both versions contribute to academic progress on the evolution of YOLO’s in computer vision.application/pdf25 páginasesDetección de objetosYolov11Yolov8PrecisiónUltralyticsRendimientoThesisAcceso AbiertoReconocimiento 4.0 Internacional (CC BY 4.0Object DetectionAccuracyUltralyticsPerformance