La detección automática de emociones en entornos académicos representa un reto relevante para el desarrollo de sistemas inteligentes orientados al bienestar estudiantil. Este trabajo evalúa comparativamente YOLOv8 y YOLOv9 sobre un conjunto balanceado de más de 8,000 imágenes faciales en cinco categorías emocionales: felicidad, neutral, enojo, tristeza y sorpresa. La solución se implementó en una plataforma web que articula captura, entrenamiento, evaluación e inferencia en tiempo real mediante Node.js, React y FastAPI. Los resultados experimentales muestran que YOLOv9 obtiene un desempeño superior, con precisión de 0.7110, mejora relativa de 8.01%, reducción del error de localización de 38.72% y un tiempo total de inferencia de 152.1 ms, lo que representa una disminución del 44% frente a YOLOv8. En conjunto, los hallazgos confirman que PGI y GELAN aportan ventajas medibles en precisión y eficiencia, especialmente en tareas de reconocimiento emocional.