YOLO Vision 2026:

Confronti tra modelli#

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

Che la tua applicazione richieda la latenza milliseconda di edge AI o la precisione ad alta fedeltà necessaria per l'imaging medicale, questa guida fornisce le informazioni basate sui dati necessarie per fare una scelta informata. Valutiamo i modelli in base a mean Average Precision (mAP), inference speed, efficienza dei parametri e facilità di distribuzione.

Benchmark interattivi delle prestazioni#

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

Questo grafico visualizza le performance metrics chiave consentendoti 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 all'architettura che meglio si adatta ai tuoi requisiti hardware e 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

Il panorama attuale: YOLO26 e oltre#

Il campo del rilevamento oggetti si evolve rapidamente. Mentre i modelli più datati 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 architetturali rivoluzionarie, tra cui un design End-to-End NMS-Free che elimina la necessità di post-elaborazione tramite 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 di 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 migliorate nel rilevamento di oggetti piccoli
Perché scegliere YOLO26?

YOLO26 rappresenta l'apice dell'ingegneria Ultralytics, combinando il meglio dell'efficienza delle CNN con capacità end-to-end simili ai 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 estremamente capace, offrendo una riduzione del 22% dei parametri rispetto a YOLOv8 pur migliorando la precisione di rilevamento. È pienamente supportato e consigliato per gli utenti che necessitano di una stabilità comprovata o che hanno già pipeline YOLO11 esistenti.

Modelli della community: una nota su YOLO12 e YOLO13#

Potresti imbatterti in 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 layer di attenzione che causano spesso instabilità nell'addestramento, eccessivo consumo di memoria e velocità di inferenza CPU significativamente più lente.
  • YOLO13: I benchmark indicano solo guadagni marginali di precisione rispetto a YOLO11, pur essendo più grande e 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 differenze architetturali specifiche, come la selezione della 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 di Ultralytics caratterizzato da rilevamento end-to-end senza NMS, l'ottimizzatore MuSGD e un'inferenza CPU fino al 43% più veloce. È ottimizzato per la distribuzione edge pur ottenendo un'accuratezza allo stato dell'arte.

YOLO11 vs#

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

YOLOv10 vs#

Sviluppato dalla Tsinghua University, YOLOv10 si concentra sulla rimozione del passaggio Non-Maximum Suppression (NMS) per ridurre la varianza della latenza, offrendo performance allo stato dell'arte con un minore 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 estremamente popolare, caratterizzata da architetture backbone e neck avanzate e da una split head senza ancore per compromessi ottimali tra accuratezza e velocità.

YOLOv7 vs#

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

YOLOv6 vs#

Lo YOLOv6 di Meituan è progettato per applicazioni industriali, dotato di moduli Bi-directional Concatenation (BiC) e strategie di addestramento assistite da anchor.

YOLOv5 contro#

Ultralytics YOLOv5 è celebre 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 contro#

RT-DETR (Real-Time Detection Transformer) sfrutta i vision transformer per ottenere un'elevata precisione con prestazioni in tempo reale, eccellendo 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#

Da Alibaba Group, DAMO-YOLO impiega la Neural Architecture Search (NAS) e un efficiente RepGFPN per massimizzare la precisione su 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 etichette SimOTA.

EfficientDet vs#

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

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

Collaboratori
GLglenn-jocher15PDpderrenger1RIRizwanMunawar1

Commenti