Confronti tra modelli: Scegli il miglior modello di object detection per il tuo progetto

Scegliere la giusta architettura di rete neurale è la pietra miliare di ogni progetto di computer vision di successo. Benvenuto nell'Ultralytics Model Comparison Hub! Questa pagina centralizza analisi tecniche dettagliate e benchmark di prestazioni, analizzando i compromessi tra il più recente Ultralytics YOLO26 e altre architetture leader come YOLO11, YOLOv10, RT-DETR e EfficientDet.

Indipendentemente dal fatto che la tua applicazione richieda la latenza millisecondale dell'edge AI o l'alta fedeltà di precisione richiesta per l'imaging medico, questa guida fornisce gli approfondimenti basati sui dati necessari per fare una scelta informata. Valutiamo i modelli in base alla mean Average Precision (mAP), alla velocità di inferenza, all'efficienza dei parametri e alla facilità di distribuzione.

Benchmark di prestazioni interattivi

Visualizzare la relazione tra velocità e precisione è essenziale per identificare la "frontiera di Pareto" dell'object detection: i modelli che offrono la migliore precisione per un dato vincolo di velocità. Il grafico sottostante mette a confronto metriche chiave su dataset standard come COCO.

Questo grafico visualizza le metriche di prestazione chiave, permettendoti di valutare rapidamente i compromessi tra diversi modelli. Comprendere queste metriche è fondamentale per selezionare un modello che si allinei ai tuoi specifici vincoli di distribuzione.

Guida rapida alla decisione

Non sai da dove iniziare? Usa questo albero decisionale per restringere il campo sull'architettura che meglio si adatta ai tuoi requisiti hardware e di prestazione.

graph TD
    A[Start: Define Project Needs] --> B{Deployment Hardware?}
    B -- "Edge / Mobile (CPU/NPU)" --> C{Latency Priority?}
    B -- "Cloud / GPU" --> D{Accuracy vs Speed?}

    C -- "Extreme Speed (Real-time)" --> E[YOLO26n / YOLO26s]
    C -- "Balanced Legacy" --> F[YOLO11s / YOLOv8s]

    D -- "Max Accuracy (SOTA)" --> G[YOLO26x / YOLO26l]
    D -- "Balanced Performance" --> H[YOLO26m / YOLO11m]

    A --> I{Specialized Features?}
    I -- "NMS-Free Inference" --> J[YOLO26 / YOLOv10]
    I -- "Multitask (Seg/Pose/OBB)" --> K[YOLO26 / YOLO11]
    I -- "Video Analytics" --> L[YOLO26 + Tracking]

Il panorama attuale: YOLO26 e oltre

Il campo dell'object detection si muove rapidamente. Mentre i modelli più vecchi rimangono rilevanti per il supporto legacy, le nuove architetture spingono i confini di ciò che è possibile.

Ultralytics YOLO26

Rilasciato nel gennaio 2026, YOLO26 è l'ultimo modello allo stato dell'arte e il punto di partenza consigliato per tutti i nuovi progetti. Introduce innovazioni architettoniche rivoluzionarie, tra cui un design End-to-End NMS-Free che elimina la necessità di post-elaborazione Non-Maximum Suppression, risultando in tempi di inferenza più rapidi e prevedibili. YOLO26 è fino al 43% più veloce su CPU rispetto alle generazioni precedenti, rendendolo ideale per la distribuzione edge.

Le innovazioni chiave includono:

NMS-Free End-to-End: Distribuzione semplificata senza necessità di post-elaborazione
Rimozione DFL: Esportazioni ottimizzate verso ONNX, TensorRT e CoreML
Ottimizzatore MuSGD: Ottimizzatore ibrido SGD/Muon ispirato all'addestramento LLM per una convergenza stabile
ProgLoss + STAL: Prestazioni di rilevamento di piccoli oggetti migliorate

Perché scegliere YOLO26?

YOLO26 rappresenta l'apice dell'ingegneria di Ultralytics, combinando il meglio dell'efficienza CNN con capacità end-to-end simili ai Transformer. Supporta tutte le attività — rilevamento, segmentazione, stima della posa, classificazione e OBB — essendo allo stesso tempo più piccolo, più veloce e più facile da distribuire che mai.

Ultralytics YOLO11

YOLO11 rimane un modello altamente capace, offrendo una riduzione del 22% dei parametri rispetto a YOLOv8 migliorando al contempo la precisione di rilevamento. È pienamente supportato e consigliato per gli utenti che necessitano di stabilità comprovata o che hanno pipeline YOLO11 esistenti.

Modelli della community: una nota su YOLO12 e YOLO13

Potresti incontrare riferimenti a YOLO12 o YOLO13 in discussioni o repository della community.

Avvertenza per la produzione

Attualmente non consigliamo YOLO12 o YOLO13 per l'uso in produzione.

YOLO12: Utilizza strati di attenzione che spesso causano instabilità nell'addestramento, consumo eccessivo di memoria e velocità di inferenza su CPU significativamente più lente.
YOLO13: I benchmark indicano solo guadagni marginali di precisione rispetto a YOLO11, pur essendo più grande e più lento. I risultati riportati hanno mostrato problemi di riproducibilità.

Watch: YOLO Models Comparison: Ultralytics YOLO11 vs. YOLOv10 vs. YOLOv9 vs. Ultralytics YOLOv8

Confronti dettagliati tra modelli

Esplora i nostri confronti tecnici approfonditi per comprendere le specifiche differenze architettoniche, come la selezione del backbone, il design dell'head e le funzioni di perdita. Li abbiamo organizzati per modello per un facile accesso:

YOLO26 vs

YOLO26 è l'ultimo modello Ultralytics che presenta il rilevamento end-to-end NMS-free, l'ottimizzatore MuSGD e un'inferenza su CPU fino al 43% più veloce. È ottimizzato per la distribuzione edge pur raggiungendo una precisione allo stato dell'arte.

YOLO11 vs

YOLO11 sfrutta il successo dei suoi predecessori con una ricerca all'avanguardia. Presenta un backbone e un'architettura neck migliorati per una migliore estrazione delle caratteristiche e un'efficienza ottimizzata.

YOLOv10 vs

Sviluppato dall'Università Tsinghua, YOLOv10 si concentra sulla rimozione del passaggio Non-Maximum Suppression (NMS) per ridurre la varianza della latenza, offrendo prestazioni all'avanguardia con un ridotto overhead computazionale.

YOLOv9 vs

YOLOv9 introduce la Programmable Gradient Information (PGI) e la Generalized Efficient Layer Aggregation Network (GELAN) per affrontare la perdita di informazioni nelle reti neurali profonde.

YOLOv8 vs

Ultralytics YOLOv8 rimane una scelta molto popolare, caratterizzata da architetture backbone e neck avanzate e un'head suddivisa senza ancore (anchor-free) per compromessi ottimali tra precisione e velocità.

YOLOv7 vs

YOLOv7 ha introdotto il "bag-of-freebies addestrabile" e la ri-parametrizzazione dei modelli, concentrandosi sull'ottimizzazione del processo di addestramento senza aumentare i costi di inferenza.

YOLOv6 vs

YOLOv6 di Meituan è progettato per applicazioni industriali e presenta moduli Bi-directional Concatenation (BiC) e strategie di addestramento basate su anchor.

YOLOv5 vs

Ultralytics YOLOv5 è apprezzato per la sua facilità d'uso, stabilità e velocità. Rimane una scelta solida per i progetti che richiedono un'ampia compatibilità con i dispositivi.

RT-DETR vs

RT-DETR (Real-Time Detection Transformer) sfrutta i vision transformer per ottenere un'elevata precisione con prestazioni in tempo reale, distinguendosi nella comprensione del contesto globale.

PP-YOLOE+ vs

PP-YOLOE+, sviluppato da Baidu, utilizza il Task Alignment Learning (TAL) e una head disaccoppiata per bilanciare efficienza e precisione.

DAMO-YOLO vs

Dal gruppo Alibaba, DAMO-YOLO impiega la Neural Architecture Search (NAS) e l'efficiente RepGFPN per massimizzare la precisione sui benchmark statici.

YOLOX vs

YOLOX, sviluppato da Megvii, è un'evoluzione senza anchor nota per la sua head disaccoppiata e la strategia di assegnazione delle label SimOTA.

EfficientDet vs

EfficientDet di Google Brain utilizza il ridimensionamento composto e il BiFPN per ottimizzare l'efficienza dei parametri, offrendo uno spettro di modelli (D0-D7) per diversi vincoli.

Questo indice viene aggiornato continuamente man mano che vengono rilasciati nuovi modelli e raffinati i benchmark. Ti invitiamo a esplorare queste risorse per trovare la soluzione ideale per il tuo prossimo progetto di computer vision. Se cerchi soluzioni di livello enterprise con licenza privata, visita la nostra pagina delle licenze. Buona comparazione!

Contributors

GLglenn-jocher¹⁰ PDpderrenger¹ RIRizwanMunawar¹

Created 22 feb 2025Updated settimana scorsa