Evaluación Comparativa de YOLOv8, YOlOv11 y YOlOv26 para la Detección Automática de Mosquitos y Larvas de Aedes aegypti
Comparative Evaluation of YOLOv8, YOLOv11, and YOLOv26 for the
Automatic Detection of Aedes aegypti Mosquitoes and Larvae
Campa Ramírez Edson Raúl
Instituto Tecnológico De La Laguna
m.ercampar@lalaguna.tecnm.mx
https://orcid.org/0009-0008-3327-5912
González Vargas Luis Amado
Instituto Tecnológico Superior De Lerdo
luis.gv@lerdo.tecnm.mx
https://orcid.org/0009-0008-9094-6188
Alvarado Tovar Noé
Instituto Tecnológico De La Laguna
nalvaradot@lalaguna.tecnm.mx
https://orcid.org/0000-0002-0218-0813
Vidaña Martínez Silvia Adriana
Instituto Tecnológico Superior De Lerdo
silvia.vm@itslerdo.edu.mx
https://orcid.org/0009-0008-9633-1010
Hernández Rodríguez Rubén
Instituto Tecnológico De La Laguna
rhernandez@tecsanpedro.edu.mx
https://orcid.org/0000-0002-6903-9988
Volumen:
2
Edición:
12
Resumen
El dengue representa una de las principales amenazas a la salud pública en México, con aproximadamente 125 000 casos y cerca de 480 defunciones registradas durante 2024. La Región Lagunera, ubicada en el estado de Coahuila, constituye una zona vulnerable debido a las condiciones climáticas que favorecen la proliferación del vector Aedes aegypti. Los métodos tradicionales de vigilancia entomológica, basados en el conteo manual de mosquitos y larvas, presentan limitaciones relacionadas con el tiempo de procesamiento, la susceptibilidad al error humano y la baja capacidad de respuesta oportuna. En este contexto, el presente estudio evalúa y compara el desempeño de las versiones 8, 11 y 26 del algoritmo You Only Look Once para la detección automática de mosquitos adultos y larvas de Aedes aegypti. Se construyó un conjunto de datos con dos clases, etiquetado mediante cajas delimitadoras y dividido en subconjuntos de entrenamiento, validación y prueba. Los modelos fueron entrenados bajo condiciones homogéneas y evaluados mediante métricas de precisión, exhaustividad, medida armónica entre ambas métricas y precisión promedio media, además de análisis de matrices de confusión y rendimiento computacional. Los resultados permitieron identificar la arquitectura con mejor equilibrio entre exactitud de detección y eficiencia computacional, contribuyendo al desarrollo de herramientas automatizadas para el monitoreo epidemiológico en regiones vulnerables.
Palabras clave
Aedes aegypti, Aprendizaje profundo,
Dengue, Detección de objetos, Vigilancia vectorial, You Only
Look Once.
Referencias Bibliográficas
Al Maruf, A., Mahmudul Haque, M., Ara Rumy, R., Jahan Puspo, J., & Aung, Z. (2025). TransembleNet: Enhancing vector mosquito species classification through transfer learning-based ensemble model. PLOS ONE, 20(5), e0322171. https://doi.org/10.1371/journal.pone.0322171
Cremades, R., Sandoval-Pinto, E., Ortega-Prieto, A. M., Jimenez-Guardeño, J. M., Pérez-Gómez, H. R., Lona Reyes, J. C., Sierra-Díaz, E., & Regla-Nava, J. A. (2026). Epidemiological characteristics of dengue disease in Mexico (2014–2025): A descriptive analysis of a hyperendemic country. Pathogens, 15(2), 190. https://doi.org/10.3390/pathogens15020190
Duan, J., Liu, L., Ma, D., Kong, M., Wang, S., & Zhu, L. (2026). LW-YOLO: A lightweight enhanced YOLOv8-based model for mosquito detection. Algorithms, 19(4), 267. https://doi.org/10.3390/a19040267
Everingham, M., Eslami, S. M. A., Van Gool, L., Williams, C. K. I., Winn, J., & Zisserman, A. (2015). The Pascal Visual Object Classes Challenge: A retrospective. International Journal of Computer Vision, 111(1), 98–136. https://doi.org/10.1007/s11263-014-0733-5
González, R. C., & Woods, R. E. (2018). Digital image processing (4th ed.). Pearson.
Hendriko, V., & Hermanto, D. (2025). Performance comparison of YOLOv10, YOLOv11, and YOLOv12 models on human detection datasets. Brilliance: Research of Artificial Intelligence, 5(1), 440–450. https://doi.org/10.47709/brilliance.v5i1.6447
Hung, G., & Rodríguez, I. F. (2025). A comparative study of YOLOv8 to YOLOv11 performance in underwater vision tasks. arXiv. https://doi.org/10.48550/arXiv.2509.12682
Javed, N., López-Denman, A. J., Paradkar, P. N., & Bhatti, A. (2023). EggCountAI: A convolutional neural network-based software for counting of Aedes aegypti mosquito eggs. Parasites & Vectors, 16, 341. https://doi.org/10.1186/s13071-023-05956-1
Jocher, G., Qiu, J., & Chaurasia, A. (2024). Ultralytics YOLO (Version 8.2.69) [Computer software]. Zenodo. https://doi.org/10.5281/zenodo.13129849
Lin, T.-Y., Maire, M., Belongie, S., Hays, J., Perona, P., Ramanan, D., Dollár, P., & Zitnick, C. L. (2014). Microsoft COCO: Common objects in context. In D. Fleet, T. Pajdla, B. Schiele, & T. Tuytelaars (Eds.), Computer vision – ECCV 2014 (pp. 740–755). Springer. https://doi.org/10.1007/978-3-319-10602-1_48
Mendoza-Cano, O., Danis-Lozano, R., Trujillo, X., Huerta, M., Ríos-Silva, M., Lugo-Radillo, A., Bricio-Barrios, J. A., Benites-Godínez, V., Cuevas-Arellano, H. B., Uribe-Ramos, J. M., Solano-Barajas, R., Cárdenas, Y., Venegas-Ramírez, J., Ríos-Bracamontes, E. F., García-Solórzano, L. A., Camacho-delaCruz, A. A., & Murillo-Zamora, E. (2025). Spatial patterns and clustering of dengue incidence in Mexico: Analysis of Moran’s index across 2,471 municipalities from 2022 to 2024. PLOS ONE, 20(5), e0324754. https://doi.org/10.1371/journal.pone.0324754
Otsu, N. (1979). A threshold selection method from gray-level histograms. IEEE Transactions on Systems, Man, and Cybernetics, 9(1), 62–66. https://doi.org/10.1109/TSMC.1979.4310076
Pan, S. J., & Yang, Q. (2010). A survey on transfer learning. IEEE Transactions on Knowledge and Data Engineering, 22(10), 1345–1359. https://doi.org/10.1109/TKDE.2009.191
Raza, M. U., Kasamsumran, N., Ampol, R., Jariyapan, N., Iba, H., & Pora, W. (2026). Dilated YOLOv8 for blur-robust image classification on the MosquitoLarvae-7400 dataset. IEEE Access, 14, 37038–37054. https://doi.org/10.1109/ACCESS.2026.3667960
Redmon, J., Divvala, S., Girshick, R., & Farhadi, A. (2016). You only look once: Unified, real-time object detection. In 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR) (pp. 779–788). IEEE. https://doi.org/10.1109/CVPR.2016.91
Roboflow. (2024). Roboflow platform for computer vision. https://roboflow.com
Sasmita, H. I., Neoh, K.-B., Yusmalinar, S., Anggraeni, T., Chang, N.-T., Bong, L.-J., Putra, R. E., Sebayang, A., Silalahi, C. N., Tu, W.-C., & Ahmad, I. (2021). Ovitrap surveillance of dengue vector mosquitoes in Bandung City, West Java Province, Indonesia. PLOS Neglected Tropical Diseases, 15(10), e0009896. https://doi.org/10.1371/journal.pntd.0009896
Shorten, C., & Khoshgoftaar, T. M. (2019). A survey on image data augmentation for deep learning. Journal of Big Data, 6, Article 60. https://doi.org/10.1186/s40537-019-0197-0
Ultralytics. (2024). Ultralytics YOLO documentation. https://docs.ultralytics.com