YOLO26 vs. YOLOv10: L'evoluzione del rilevamento di oggetti end-to-end

Il panorama del rilevamento di oggetti in tempo reale cambia rapidamente. Nel 2024, YOLOv10 ha fatto notizia introducendo un approccio di addestramento senza soppressione non massima (NMS), eliminando efficacemente un importante collo di bottiglia nelle pipeline di inferenza. Passando al 2026, Ultralytics ha perfezionato e ampliato questi concetti, offrendo un'architettura nativa end-to-end più veloce, più accurata e profondamente integrata Ultralytics .

Questa guida fornisce un confronto tecnico tra questi due modelli influenti, aiutando sviluppatori, ricercatori e ingegneri a scegliere lo strumento giusto per le loro applicazioni di visione artificiale.

Confronto delle metriche di performance

Quando si valutano i rilevatori moderni, il compromesso tra velocità e precisione è fondamentale. YOLO26 introduce ottimizzazioni significative specificamente mirate ai dispositivi edge e CPU , raggiungendo un aumento della velocità fino al 43% sulle CPU rispetto alle generazioni precedenti. Mentre YOLOv10 rimane un modello altamente efficiente, YOLO26 amplia i confini di ciò che è possibile ottenere con risorse computazionali più leggere.

Modello	dimensione ^(pixel)	mAP^val 50-95	Velocità ^{CPU ONNX (ms)}	Velocità ^{T4 TensorRT10 (ms)}	parametri ^(M)	FLOPs ^(B)
YOLO26n	640	40.9	38.9	1.7	2.4	5.4
YOLO26s	640	48.6	87.2	2.5	9.5	20.7
YOLO26m	640	53.1	220.0	4.7	20.4	68.2
YOLO26l	640	55.0	286.2	6.2	24.8	86.4
YOLO26x	640	57.5	525.8	11.8	55.7	193.9

YOLOv10n	640	39.5	-	1.56	2.3	6.7
YOLOv10s	640	46.7	-	2.66	7.2	21.6
YOLOv10m	640	51.3	-	5.48	15.4	59.1
YOLOv10b	640	52.7	-	6.54	24.4	92.0
YOLOv10l	640	53.3	-	8.33	29.5	120.3
YOLOv10x	640	54.4	-	12.2	56.9	160.4

Innovazioni Architetturali

Ultralytics : il nuovo standard

Autori: Glenn Jocher, Jing Qiu
Organizzazione:Ultralytics
Data: 14 gennaio 2026

YOLO26 rappresenta il culmine della ricerca in termini di efficienza e facilità d'uso. Adotta un design end-to-end NMS, simile a YOLOv10, ma lo migliora con diverse modifiche architetturali chiave progettate per garantire robustezza e flessibilità di implementazione.

Rimozione DFL: rimuovendo la perdita focale di distribuzione (DFL), l'architettura del modello viene semplificata. Questa modifica è fondamentale per la compatibilità di esportazione, rendendo il modello più facile da implementare su hardware edge limitato come Raspberry Pi o dispositivi mobili dove livelli di output complessi possono causare latenza.
Ottimizzatore MuSGD: ispirato alla stabilità di addestramento dei modelli linguistici di grandi dimensioni (LLM), YOLO26 utilizza un ottimizzatore ibrido che combina SGD Muon. Questa innovazione, adattata dal Kimi K2 di Moonshot AI, garantisce una convergenza più rapida e un addestramento stabile, riducendo i costi di calcolo.
ProgLoss + STAL: l'introduzione di Progressive Loss (ProgLoss) e Soft-Target Anchor Loss (STAL) migliora significativamente le prestazioni su oggetti di piccole dimensioni. Ciò rende YOLO26 particolarmente adatto a compiti quali l'analisi di immagini aeree o il rilevamento di difetti nella produzione.

Scopri di più su YOLO26

YOLOv10: il pioniere NMS

Autori: Ao Wang et al.
Organizzazione: Università di Tsinghua
Data: 23 maggio 2024

YOLOv10 una versione rivoluzionaria che ha risolto il problema della ridondanza NMS . La sua innovazione principale è stata l'uso di assegnazioni doppie coerenti per l'addestramento NMS.

Assegnazioni doppie: durante l'addestramento, il modello utilizza sia assegnazioni di etichette uno-a-molti che uno-a-uno. Ciò consente al modello di apprendere rappresentazioni ricche garantendo al contempo che durante l'inferenza venga effettuata una sola previsione per oggetto, eliminando la necessità di NMS.
Progettazione olistica dell'efficienza: gli autori hanno introdotto teste di classificazione leggere e un downsampling con disaccoppiamento spaziale-canale per ridurre il sovraccarico computazionale, che si riflette nel basso numero di FLOP.

Scopri di più su YOLOv10

NMS

La soppressione non massima (NMS) è una fase di post-elaborazione utilizzata per filtrare i riquadri di delimitazione sovrapposti. Sebbene efficace, introduce una variazione di latenza e complica l'implementazione. Sia YOLO26 che YOLOv10 questa fase, rendendo i tempi di inferenza deterministici e più rapidi.

Integrazione ed ecosistema

Una delle differenze più significative risiede nell'ecosistema circostante. Ultralytics è il modello di punta della Ultralytics , che garantisce il supporto immediato per tutte le attività e modalità.

Il vantaggio di Ultralytics

Versatilità: mentre YOLOv10 principalmente sul rilevamento, YOLO26 offre supporto nativo per la segmentazione delle istanze, la stima della posa, OBB e la classificazione.
Ultralytics : YOLO26 è completamente integrato con la Ultralytics (precedentemente HUB), consentendo una gestione fluida dei set di dati, la formazione cloud con un solo clic e l'implementazione in formati come TFLite e OpenVINO.
Manutenzione: in quanto prodotto principale, YOLO26 riceve frequenti aggiornamenti, correzioni di bug e supporto dalla community tramite GitHub e Discord.

Confronto tra codici

Entrambi i modelli possono essere eseguiti utilizzando il ultralytics Python , che evidenzia la flessibilità della libreria. Tuttavia, YOLO26 beneficia delle più recenti funzioni di utilità e ottimizzazioni.

from ultralytics import YOLO

# ----------------- YOLO26 -----------------
# Load the latest YOLO26 model (NMS-free, optimized for CPU)
model_26 = YOLO("yolo26n.pt")

# Train on a custom dataset with MuSGD optimizer enabled automatically
model_26.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference with simplified output (no NMS overhead)
results_26 = model_26("path/to/image.jpg")


# ----------------- YOLOv10 -----------------
# Load the YOLOv10 model (Historical academic checkpoint)
model_10 = YOLO("yolov10n.pt")

# Train using standard settings
model_10.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference
results_10 = model_10("path/to/image.jpg")

Casi d'Uso e Raccomandazioni

La scelta tra questi modelli dipende dai vincoli specifici di implementazione e dagli obiettivi del progetto.

Scenari Ideali per YOLO26

Edge AI su CPU: se la tua applicazione viene eseguita su hardware senza una GPU dedicata GPU ad esempio, laptop standard, gateway IoT a basso consumo), CPU più veloce del 43% di YOLO26 lo rende la scelta indiscussa.
Soluzioni commerciali: per applicazioni aziendali che richiedono manutenzione a lungo termine, chiarezza rigorosa in materia di licenze (licenza aziendale) e assistenza affidabile, YOLO26 è progettato per la produzione.
Compiti complessi: i progetti che richiedono bounding box orientati per il rilevamento aereo o la stima della posa per l'analisi sportiva trarranno vantaggio dalle capacità multitasking di YOLO26.

Scenari ideali per YOLOv10

Ricerca accademica: i ricercatori che studiano i fondamenti teorici dell'addestramento NMS o delle strategie di assegnazione delle etichette troveranno nel documento arXiv e nell'architettura YOLOv10 un riferimento prezioso.
Benchmarking legacy: per il confronto con i valori di riferimento del 2024, YOLOv10 uno standard eccellente per le architetture incentrate sull'efficienza.

Flessibilità di distribuzione

Ultralytics eccellono in termini di esportabilità. È possibile esportare facilmente un modello YOLO26 addestrato in ONNX, TensorRT o CoreML un unico comando: yolo export model=yolo26n.pt format=onnx.

Conclusione

Entrambe le architetture hanno svolto un ruolo fondamentale nel progresso della visione artificiale. YOLOv10 ha messo in discussione con successo la necessità NMS, dimostrando che il rilevamento end-to-end era fattibile per le applicazioni in tempo reale.

Ultralytics porta avanti questa innovazione e la perfeziona. Combinando il design NMS con la stabilità dell'ottimizzatore MuSGD, la rimozione edge-friendly del DFL e il supporto versatile Ultralytics , YOLO26 offre la soluzione più equilibrata e performante per gli sviluppatori di oggi. Che si tratti di realizzare un sistema di traffico urbano intelligente o uno scanner di documenti mobile, YOLO26 fornisce la velocità e la precisione necessarie per il successo.