Los sistemas de reconocimiento de matrículas basados en la nube (LPR) han surgido como herramientas esenciales en la gestión del tráfico moderno y en aplicaciones de seguridad. Determinar el mejor enfoque sigue siendo primordial en el campo de la visión por computadora. Este estudio presenta un análisis comparativo de varias versiones de los modelos de detección de objetos YOLO (You Only Look Once), a saber, YOLO 5, 7, 8 y 9, aplicados a tareas de LPR en un entorno de computación en la nube. Utilizando video en vivo, realizamos experimentos con los modelos YOLOv5, YOLOv7, YOLOv8 y YOLOv9 para detectar matrículas en tiempo real. Según los resultados, se informa que YOLOv8 es el modelo más efectivo para su implementación en el mundo real debido a su sólido rendimiento en la nube. Logró una precisión del 78% durante las pruebas en la nube, mientras que YOLOv5 mostró un rendimiento consistente con el 71%. YOLOv7 tuvo un rendimiento deficiente en las pruebas en la nube (52%), lo que indica posibles problemas, mientras que YOLOv9 reportó una precisión del 70%. Esta estrecha alineación de resultados muestra un rendimiento consistente, aunque modesto, en diferentes escenarios. Los hallazgos destacan la evolución de la arquitectura YOLO y su impacto en la mejora de la precisión y eficiencia de procesamiento de LPR. Los resultados proporcionan valiosas ideas para seleccionar el modelo YOLO más apropiado para sistemas LPR basados en la nube, equilibrando las compensaciones entre el rendimiento en tiempo real y la precisión de detección. Esta investigación contribuye al avance del campo de los sistemas de transporte inteligente al ofrecer una comparación detallada que puede guiar futuras implementaciones y optimizaciones de sistemas LPR en entornos en la nube.