El funcionamiento fiable de los sistemas fotovoltaicos (FV) es esencial para la producción de energía sostenible, sin embargo, su eficiencia a menudo se ve comprometida por defectos como excrementos de aves, grietas y acumulación de polvo. La detección automatizada de defectos es crítica para abordar estos desafíos en granjas solares a gran escala, donde las inspecciones manuales son poco prácticas. Este estudio evalúa tres modelos de detección de objetos YOLO: YOLOv5, YOLOv8 y YOLOv11, en un conjunto de datos integral para identificar defectos en paneles solares. YOLOv5 logró el tiempo de inferencia más rápido (7.1 ms por imagen) y una alta precisión (94.1%) para paneles agrietados. YOLOv8 destacó en la recuperación de defectos raros, como los excrementos de aves (79.2%), mientras que YOLOv11 ofreció el mayor mAP@0.5 (93.4%), demostrando un rendimiento equilibrado en las categorías de defectos. A pesar del fuerte rendimiento para defectos comunes como paneles polvorientos (mAP@0.5 > 98%), la detección de excrementos de aves presentó desafíos debido a los desequilibrios en el conjunto de datos. Estos resultados destacan las compensaciones entre precisión y eficiencia computacional, proporcionando información útil para implementar sistemas de detección automatizada de defectos que mejoren la fiabilidad y escalabilidad de los sistemas FV.