En sistemas RAS de salmón, la versión de la IA no mejora la precisión: el hardware en terreno define al ganador
Un estudio desarrollado por investigadores del Freshwater Institute publicado en la revista AI comparó cuatro generaciones de algoritmos YOLO y demostró que el modelo más reciente, YOLO26, alcanzó el mejor rendimiento en un Raspberry Pi 5, con una velocidad de 7,84 FPS.
La inteligencia artificial continúa ampliando sus posibilidades en la acuicultura de precisión. Un estudio científico demostró que es posible detectar automáticamente peces vivos y muertos mediante visión computacional, utilizando dispositivos de procesamiento de bajo consumo y sin necesidad de recurrir permanentemente a infraestructura informática de alto rendimiento.
La investigación, titulada “Does YOLO26 Truly Offer Advantages over Its Predecessors for Edge Deployment? A Benchmark Study in Aquaculture”, fue publicada en la revista científica AI y evaluó el desempeño de 12 modelos de detección de objetos pertenecientes a cuatro generaciones de la arquitectura YOLO, desarrollada por Ultralytics: YOLOv5u, YOLOv8, YOLO11 y YOLO26. El estudio aborda una línea tecnológica que también avanza en la industria, como demuestra la integración proyectada entre VAKI y Ration para desarrollar herramientas de visión computacional y automatización acuícola.
El principal resultado fue que YOLO26n alcanzó una velocidad de procesamiento de 7,84 ± 0,13 imágenes por segundo (FPS) en un Raspberry Pi 5, superando a sus competidores de la misma categoría. Este resultado representa una mejora de 21,7% respecto de YOLOv8n y de 17% frente a YOLO11n en el mismo dispositivo.
El hallazgo resulta particularmente relevante para la industria acuícola, ya que abre nuevas perspectivas para desarrollar sistemas de monitoreo automatizado capaces de operar directamente en las instalaciones productivas, reduciendo la dependencia de servidores externos y facilitando el procesamiento de información en terreno. Esta tendencia también fue abordada durante Patagonic RAS 2026, donde se presentaron avances en visión computacional y monitoreo acústico para interpretar el comportamiento de los salmones.
Doce modelos bajo evaluación
El trabajo fue desarrollado por Rakesh Ranjan, Gajanan S. Kothawade, Kata Sharrer, Scott Tsukuda y Christopher Good, investigadores de The Conservation Fund Freshwater Institute, en Estados Unidos.
Para realizar la comparación, los científicos utilizaron información obtenida en un sistema de recirculación acuícola (RAS) de escala semi-comercial, con un estanque de engorda de 150 m³ que contenía 5.000 salmones Atlánticos (Salmo salar), con un peso promedio de 1,63 kg y una densidad de cultivo de 54,3 kg/m³.
La captura de imágenes se realizó mediante un sistema de monitoreo denominado MortCam, equipado con una cámara RGB y un computador integrado Raspberry Pi. El dispositivo fue instalado sobre el drenaje inferior del estanque, desde donde registraba imágenes cada 15 minutos durante un período de 90 días.
La adquisición de información consideró dos condiciones de iluminación: luz ambiental y luz suplementaria mediante iluminación LED subacuática. Posteriormente, se seleccionaron 2.000 imágenes para entrenar y evaluar los modelos de inteligencia artificial, clasificando los ejemplares en dos categorías: peces vivos y peces muertos.
Los investigadores compararon las arquitecturas en tres escalas de procesamiento —nano, pequeña y mediana— y evaluaron tanto su precisión como los requerimientos de entrenamiento y velocidad de inferencia.
Precisión cercana al 95% en las cuatro generaciones
Uno de los resultados más interesantes fue que las diferencias entre generaciones tecnológicas fueron reducidas cuando los modelos dispusieron de suficientes datos de entrenamiento.
Los 12 modelos alcanzaron valores de precisión mAP50 entre 93,56% y 94,81%, con una diferencia máxima de apenas 1,25 puntos porcentuales.
El mejor resultado general correspondió a YOLO11m, con 94,81%, seguido por YOLO11n, con 94,79%. Por su parte, YOLO26n alcanzó 94,44%.
Estos resultados muestran que incorporar una arquitectura más reciente no necesariamente garantiza una mejora sustancial en la capacidad de detectar mortalidad, al menos bajo las condiciones específicas evaluadas.
La investigación también identificó diferencias entre las categorías de peces. La detección de ejemplares muertos presentó un desempeño superior, con valores mAP50 entre 94,9% y 96,4%, mientras que para los peces vivos se situó entre 92,3% y 95,1%.
Los autores atribuyeron esta diferencia principalmente a las características visuales de ambas categorías. Mientras los peces muertos presentaban posiciones relativamente estables y mayor consistencia en su ubicación, los ejemplares vivos exhibían movimientos continuos, cambios de orientación y desenfoque en las imágenes, dificultando su identificación.
YOLO26 lidera en velocidad, pero YOLOv8 requiere menos datos
La investigación también reveló un resultado relevante para la implementación comercial: el desempeño de un algoritmo no depende exclusivamente de su velocidad de procesamiento, sino también de la cantidad de información necesaria para entrenarlo.
En este ámbito, YOLOv8 presentó la mayor eficiencia de entrenamiento, alcanzando un 90% de mAP50 con apenas 400 imágenes. En contraste, las versiones nano y pequeña de YOLO26 necesitaron aproximadamente 1.000 imágenes para alcanzar un nivel de precisión comparable.
Esto significa que, para determinadas aplicaciones donde la disponibilidad de imágenes etiquetadas constituye una limitación, una arquitectura anterior podría representar una alternativa más conveniente.
Sin embargo, cuando el objetivo es acelerar la detección directamente en dispositivos de bajo consumo, YOLO26 mostró ventajas importantes.
En las pruebas realizadas con Raspberry Pi 5, el modelo nano de YOLO26 procesó 7,84 imágenes por segundo, frente a 7,15 de YOLOv5u, 6,70 de YOLO11 y 6,44 de YOLOv8.
En la categoría pequeña, YOLO26s y YOLOv5su compartieron el mejor desempeño, con 2,88 FPS. En cambio, en la categoría mediana, el resultado cambió considerablemente: YOLOv5mu alcanzó 1,26 FPS, superando a YOLO26m y YOLOv8m, ambos cercanos a 1,05 FPS.
Esta diferencia demuestra que las ventajas de una arquitectura pueden variar dependiendo de la capacidad de procesamiento del dispositivo y del tamaño del modelo utilizado.
Una oportunidad para el monitoreo automatizado en acuicultura
Desde la perspectiva productiva, los resultados aportan antecedentes para avanzar hacia sistemas de vigilancia automatizada que permitan identificar cambios en los patrones de mortalidad y entregar información complementaria para la gestión sanitaria y operacional.
Los investigadores destacan que el monitoreo de mortalidad en tiempo cercano al real puede proporcionar información útil para los responsables de producción, facilitando la identificación de situaciones que podrían estar relacionadas con enfermedades, estrés ambiental o fallas en los sistemas de cultivo.
Otro aspecto relevante es que YOLO26n generó un archivo de modelo de apenas 9,8 MB en formato ONNX, facilitando su utilización en dispositivos con restricciones de almacenamiento y memoria.
No obstante, el estudio también identificó una condición técnica importante: las primeras pruebas con Raspberry Pi 5 sin refrigeración activa provocaron un aumento de temperatura superior a 80 °C y reducción de la frecuencia de procesamiento. Tras incorporar ventilador, disipador de aluminio y elementos de refrigeración, el equipo logró operar sin estrangulamiento térmico durante las evaluaciones.
Por lo tanto, la implementación de estas tecnologías requiere considerar no solamente el algoritmo, sino también las condiciones físicas y operacionales del hardware.
Los desafíos pendientes antes de su aplicación comercial
Pese a los resultados, los autores advierten que todavía existen limitaciones para extrapolar estos hallazgos a todas las condiciones productivas de la acuicultura.
La investigación se concentró en salmones Atlánticos adultos, en una única configuración de estanque RAS. Además, los escenarios de alta mortalidad fueron simulados mediante la incorporación de peces sacrificados previamente, y no mediante eventos naturales asociados a enfermedades o estrés ambiental.
Tampoco se evaluó sistemáticamente el desempeño frente a diferentes niveles de turbidez, variaciones en la ubicación de las cámaras, procesos de descomposición de los ejemplares o condiciones prolongadas de operación comercial.
En consecuencia, todavía se requiere validar estas herramientas en distintas especies, etapas productivas y sistemas de cultivo, incluyendo instalaciones en jaulas marinas.
La conclusión central del trabajo es que la innovación tecnológica debe evaluarse desde las necesidades concretas de cada aplicación. Mientras YOLO26n ofrece ventajas para el procesamiento en dispositivos de bajo consumo, YOLOv8 presenta una mejor eficiencia cuando la disponibilidad de imágenes para entrenamiento es limitada.
Para la industria del salmón, el avance representa un nuevo antecedente en el desarrollo de herramientas de acuicultura de precisión, donde la combinación de cámaras, inteligencia artificial y procesamiento en terreno podría contribuir a fortalecer el monitoreo de los peces y la disponibilidad de información para la toma de decisiones productivas.
Lea el estudio completo aquí: Does YOLO26 Truly Offer Advantages over Its Predecessors for Edge Deployment? A Benchmark Study in Aquaculture
La inteligencia artificial continúa ampliando sus posibilidades en la acuicultura de precisión. Un estudio científico demostró que es posible detectar automáticamente peces vivos y muertos mediante visión computacional, utilizando dispositivos de procesamiento de bajo consumo y sin necesidad de recurrir permanentemente a infraestructura informática de alto rendimiento.
El principal resultado fue que YOLO26n alcanzó una velocidad de procesamiento de 7,84 ± 0,13 imágenes por segundo (FPS) en un Raspberry Pi 5, superando a sus competidores de la misma categoría. Este resultado representa una mejora de 21,7% respecto de YOLOv8n y de 17% frente a YOLO11n en el mismo dispositivo.
El trabajo fue desarrollado por Rakesh Ranjan, Gajanan S. Kothawade, Kata Sharrer, Scott Tsukuda y Christopher Good, investigadores de The Conservation Fund Freshwater Institute, en Estados Unidos.
Para realizar la comparación, los científicos utilizaron información obtenida en un sistema de recirculación acuícola (RAS) de escala semi-comercial, con un estanque de engorda de 150 m³ que contenía 5.000 salmones Atlánticos (Salmo salar), con un peso promedio de 1,63 kg y una densidad de cultivo de 54,3 kg/m³.
La captura de imágenes se realizó mediante un sistema de monitoreo denominado MortCam, equipado con una cámara RGB y un computador integrado Raspberry Pi. El dispositivo fue instalado sobre el drenaje inferior del estanque, desde donde registraba imágenes cada 15 minutos durante un período de 90 días.
La adquisición de información consideró dos condiciones de iluminación: luz ambiental y luz suplementaria mediante iluminación LED subacuática. Posteriormente, se seleccionaron 2.000 imágenes para entrenar y evaluar los modelos de inteligencia artificial, clasificando los ejemplares en dos categorías: peces vivos y peces muertos.
Los investigadores compararon las arquitecturas en tres escalas de procesamiento —nano, pequeña y mediana— y evaluaron tanto su precisión como los requerimientos de entrenamiento y velocidad de inferencia.
Precisión cercana al 95% en las cuatro generaciones
Uno de los resultados más interesantes fue que las diferencias entre generaciones tecnológicas fueron reducidas cuando los modelos dispusieron de suficientes datos de entrenamiento.
Los 12 modelos alcanzaron valores de precisión mAP50 entre 93,56% y 94,81%, con una diferencia máxima de apenas 1,25 puntos porcentuales.
El mejor resultado general correspondió a YOLO11m, con 94,81%, seguido por YOLO11n, con 94,79%. Por su parte, YOLO26n alcanzó 94,44%.
Estos resultados muestran que incorporar una arquitectura más reciente no necesariamente garantiza una mejora sustancial en la capacidad de detectar mortalidad, al menos bajo las condiciones específicas evaluadas.
La investigación también identificó diferencias entre las categorías de peces. La detección de ejemplares muertos presentó un desempeño superior, con valores mAP50 entre 94,9% y 96,4%, mientras que para los peces vivos se situó entre 92,3% y 95,1%.
Los autores atribuyeron esta diferencia principalmente a las características visuales de ambas categorías. Mientras los peces muertos presentaban posiciones relativamente estables y mayor consistencia en su ubicación, los ejemplares vivos exhibían movimientos continuos, cambios de orientación y desenfoque en las imágenes, dificultando su identificación.
YOLO26 lidera en velocidad, pero YOLOv8 requiere menos datos
La investigación también reveló un resultado relevante para la implementación comercial: el desempeño de un algoritmo no depende exclusivamente de su velocidad de procesamiento, sino también de la cantidad de información necesaria para entrenarlo.
En este ámbito, YOLOv8 presentó la mayor eficiencia de entrenamiento, alcanzando un 90% de mAP50 con apenas 400 imágenes. En contraste, las versiones nano y pequeña de YOLO26 necesitaron aproximadamente 1.000 imágenes para alcanzar un nivel de precisión comparable.
Esto significa que, para determinadas aplicaciones donde la disponibilidad de imágenes etiquetadas constituye una limitación, una arquitectura anterior podría representar una alternativa más conveniente.
Sin embargo, cuando el objetivo es acelerar la detección directamente en dispositivos de bajo consumo, YOLO26 mostró ventajas importantes.
En las pruebas realizadas con Raspberry Pi 5, el modelo nano de YOLO26 procesó 7,84 imágenes por segundo, frente a 7,15 de YOLOv5u, 6,70 de YOLO11 y 6,44 de YOLOv8.
En la categoría pequeña, YOLO26s y YOLOv5su compartieron el mejor desempeño, con 2,88 FPS. En cambio, en la categoría mediana, el resultado cambió considerablemente: YOLOv5mu alcanzó 1,26 FPS, superando a YOLO26m y YOLOv8m, ambos cercanos a 1,05 FPS.
Esta diferencia demuestra que las ventajas de una arquitectura pueden variar dependiendo de la capacidad de procesamiento del dispositivo y del tamaño del modelo utilizado.
Una oportunidad para el monitoreo automatizado en acuicultura
Desde la perspectiva productiva, los resultados aportan antecedentes para avanzar hacia sistemas de vigilancia automatizada que permitan identificar cambios en los patrones de mortalidad y entregar información complementaria para la gestión sanitaria y operacional.
Los investigadores destacan que el monitoreo de mortalidad en tiempo cercano al real puede proporcionar información útil para los responsables de producción, facilitando la identificación de situaciones que podrían estar relacionadas con enfermedades, estrés ambiental o fallas en los sistemas de cultivo.
Otro aspecto relevante es que YOLO26n generó un archivo de modelo de apenas 9,8 MB en formato ONNX, facilitando su utilización en dispositivos con restricciones de almacenamiento y memoria.
No obstante, el estudio también identificó una condición técnica importante: las primeras pruebas con Raspberry Pi 5 sin refrigeración activa provocaron un aumento de temperatura superior a 80 °C y reducción de la frecuencia de procesamiento. Tras incorporar ventilador, disipador de aluminio y elementos de refrigeración, el equipo logró operar sin estrangulamiento térmico durante las evaluaciones.
Por lo tanto, la implementación de estas tecnologías requiere considerar no solamente el algoritmo, sino también las condiciones físicas y operacionales del hardware.
Los desafíos pendientes antes de su aplicación comercial
Pese a los resultados, los autores advierten que todavía existen limitaciones para extrapolar estos hallazgos a todas las condiciones productivas de la acuicultura.
La investigación se concentró en salmones Atlánticos adultos, en una única configuración de estanque RAS. Además, los escenarios de alta mortalidad fueron simulados mediante la incorporación de peces sacrificados previamente, y no mediante eventos naturales asociados a enfermedades o estrés ambiental.
Tampoco se evaluó sistemáticamente el desempeño frente a diferentes niveles de turbidez, variaciones en la ubicación de las cámaras, procesos de descomposición de los ejemplares o condiciones prolongadas de operación comercial.
En consecuencia, todavía se requiere validar estas herramientas en distintas especies, etapas productivas y sistemas de cultivo, incluyendo instalaciones en jaulas marinas.
La conclusión central del trabajo es que la innovación tecnológica debe evaluarse desde las necesidades concretas de cada aplicación. Mientras YOLO26n ofrece ventajas para el procesamiento en dispositivos de bajo consumo, YOLOv8 presenta una mejor eficiencia cuando la disponibilidad de imágenes para entrenamiento es limitada.
Para la industria del salmón, el avance representa un nuevo antecedente en el desarrollo de herramientas de acuicultura de precisión, donde la combinación de cámaras, inteligencia artificial y procesamiento en terreno podría contribuir a fortalecer el monitoreo de los peces y la disponibilidad de información para la toma de decisiones productivas.