Ultralytics YOLO27:

Confronto tra modelli#

Scegliere l'architettura di rete neurale giusta è la base di qualsiasi progetto di successo di computer vision. Benvenuto nell'hub di confronto tra modelli Ultralytics! Questa pagina raccoglie analisi tecniche dettagliate e benchmark delle prestazioni, esaminando i compromessi tra l'ultima versione di Ultralytics YOLO26 e altre architetture di punta come YOLO11, YOLOv10, RT-DETR ed EfficientDet.

Che la tua applicazione richieda la latenza al millisecondo dell'IA edge o la precisione ad alta fedeltà necessaria per l'imaging medico, questa guida fornisce gli approfondimenti basati sui dati necessari per fare una scelta consapevole. Valutiamo i modelli in base alla precisione media (mAP), alla velocità di inferenza, all'efficienza dei parametri e alla facilità di distribuzione.

Benchmark interattivi delle prestazioni#

Visualizzare il rapporto tra velocità e accuratezza è essenziale per identificare la "frontiera di Pareto" del rilevamento degli oggetti: i modelli che offrono la migliore accuratezza per un determinato vincolo di velocità. Il grafico seguente mette a confronto metriche chiave su dataset standard come COCO.

Questo grafico visualizza le principali metriche delle prestazioni, consentendoti di valutare rapidamente i compromessi tra diversi modelli. Comprendere queste metriche è fondamentale per selezionare un modello in linea con i tuoi specifici vincoli di distribuzione.

Guida rapida alla scelta#

Non sai da dove iniziare? Usa questo albero decisionale per restringere la scelta dell'architettura più adatta al tuo hardware e ai tuoi requisiti di prestazioni.

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

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

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

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

    classDef start fill:#4CAF50,color:#fff
    classDef decide fill:#FF9800,color:#fff
    classDef out fill:#9C27B0,color:#fff

Lo scenario attuale: YOLO26 e oltre#

Il campo del rilevamento degli oggetti evolve rapidamente. Sebbene i modelli meno recenti rimangano rilevanti per il supporto ai sistemi legacy, le nuove architetture ampliano i limiti del possibile.

Ultralytics YOLO26#

Rilasciato a gennaio 2026, YOLO26 è il modello allo stato dell'arte più recente e il punto di partenza consigliato per tutti i nuovi progetti. Introduce innovazioni architetturali rivoluzionarie, tra cui un design end-to-end senza NMS che elimina la necessità della post-elaborazione della Soppressione non massima, con tempi di inferenza più rapidi e prevedibili. YOLO26 è fino al 43% più veloce sulle CPU rispetto alle generazioni precedenti, il che lo rende ideale per la distribuzione edge.

Le innovazioni principali includono:

  • End-to-end senza NMS: distribuzione semplificata senza necessità di post-elaborazione
  • Rimozione di DFL: esportazioni semplificate in ONNX, TensorRT e CoreML
  • Ottimizzatore MuSGD: ottimizzatore ibrido SGD/Muon ispirato all'addestramento degli LLM per una convergenza stabile
  • ProgLoss + STAL: prestazioni migliorate nel rilevamento degli oggetti piccoli
Perché scegliere YOLO26?

YOLO26 rappresenta il punto più alto dell'ingegneria Ultralytics, combinando il meglio dell'efficienza delle CNN con funzionalità end-to-end simili a quelle dei Transformer. Supporta tutte le attività: rilevamento, segmentazione, stima della posa, classificazione e OBB, pur essendo più piccolo, veloce e facile da distribuire che mai.

Ultralytics YOLO11#

YOLO11 rimane un modello altamente capace: offre una riduzione del 22% dei parametri rispetto a YOLOv8, migliorando al contempo l'accuratezza del rilevamento. È completamente supportato e consigliato agli utenti che necessitano di una stabilità comprovata o dispongono già di pipeline YOLO11.

Modelli della community: una nota su YOLO12 e YOLO13#

Potresti trovare riferimenti a YOLO12 o YOLO13 nelle discussioni o nei repository della community.

Attenzione per l'uso in produzione

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

  • YOLO12: utilizza livelli di attenzione che spesso causano instabilità nell'addestramento, consumo eccessivo di memoria e velocità di inferenza sulla CPU significativamente inferiori.
  • YOLO13: i benchmark indicano miglioramenti dell'accuratezza solo marginali rispetto a YOLO11, a fronte di dimensioni e lentezza maggiori. I risultati riportati hanno evidenziato 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 differenze architetturali specifiche, come la selezione del backbone, il design della head e le funzioni di perdita. Li abbiamo organizzati per modello per facilitarne l'accesso:

YOLO26 rispetto a#

YOLO26 è l'ultimo modello Ultralytics, con rilevamento end-to-end senza NMS, l'ottimizzatore MuSGD e un'inferenza sulla CPU fino al 43% più veloce. È ottimizzato per la distribuzione edge e raggiunge un'accuratezza allo stato dell'arte.

YOLO11 rispetto a#

YOLO11 si basa sul successo dei suoi predecessori grazie a ricerche all'avanguardia. Presenta un'architettura migliorata del backbone e del neck per una migliore estrazione delle caratteristiche e un'efficienza ottimizzata.

YOLOv10 rispetto a#

Sviluppato dalla Tsinghua University, YOLOv10 si concentra sulla rimozione del passaggio di Soppressione non massima (NMS) per ridurre la variabilità della latenza, offrendo prestazioni allo stato dell'arte con un minore sovraccarico computazionale.

YOLOv9 rispetto a#

YOLOv9 introduce le Informazioni programmabili sul gradiente (PGI) e la Rete generalizzata ed efficiente di aggregazione dei livelli (GELAN) per affrontare la perdita di informazioni nelle reti neurali profonde.

YOLOv8 rispetto a#

Ultralytics YOLOv8 rimane una scelta molto popolare, con architetture avanzate per backbone e neck e una head separata senza anchor per un compromesso ottimale tra accuratezza e velocità.

YOLOv7 vs#

YOLOv7 ha introdotto il "trainable bag-of-freebies" e la riparametrizzazione del modello, concentrandosi sull'ottimizzazione del processo di addestramento senza aumentare i costi di inferenza.

YOLOv6 vs#

YOLOv6 di Meituan è progettato per applicazioni industriali e include moduli di concatenazione bidirezionale (BiC) e strategie di addestramento assistite da anchor.

YOLOv5 vs#

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

RT-DETR vs#

RT-DETR (Transformer per il rilevamento in tempo reale) sfrutta i vision transformer per raggiungere un'elevata accuratezza con prestazioni in tempo reale, eccellendo nella comprensione del contesto globale.

PP-YOLOE+ vs#

PP-YOLOE+, sviluppato da Baidu, utilizza l'apprendimento dell'allineamento del task (TAL) e una testa disaccoppiata per bilanciare efficienza e accuratezza.

DAMO-YOLO vs#

Sviluppato da Alibaba Group, DAMO-YOLO utilizza la ricerca dell'architettura neurale (NAS) e un efficiente RepGFPN per massimizzare l'accuratezza su benchmark statici.

YOLOX vs#

YOLOX, sviluppato da Megvii, è un'evoluzione anchor-free nota per la testa disaccoppiata e la strategia di assegnazione delle etichette SimOTA.

EfficientDet vs#

EfficientDet di Google Brain utilizza lo scaling composto e BiFPN per ottimizzare l'efficienza dei parametri, offrendo una gamma di modelli (D0-D7) per diversi vincoli.

Questo indice viene aggiornato continuamente con il rilascio di nuovi modelli e il perfezionamento dei benchmark. Ti invitiamo a esplorare queste risorse per trovare il modello più adatto al tuo prossimo progetto di computer vision. Se cerchi soluzioni di livello enterprise con licenze private, visita la nostra pagina sulle licenze. Buon confronto!

Contributori
GLglenn-jocher15PDpderrenger1RIRizwanMunawar1

Commenti