Inizia

Confronti tra modelli

Scegliere l’architettura di rete neurale giusta è il fondamento di qualsiasi progetto di visione artificiale di successo. Ultralytics Model Comparison Hub raccoglie analisi tecniche dettagliate e benchmark delle prestazioni che illustrano i compromessi tra le più recenti Ultralytics YOLO26 e altre architetture di punta come YOLO11, YOLOv10, RT-DETR ed EfficientDet.

Che la tua applicazione richieda la latenza di pochi millisecondi dell’IA edge o l’elevata precisione necessaria per l’imaging medico, questa guida ti fornisce i dati di cui hai bisogno per scegliere con cognizione di causa. I modelli vengono valutati in base alla precisione media (mAP), alla velocità di inferenza, all’efficienza dei parametri e alla facilità di distribuzione.

Benchmark interattivi delle prestazioni#

Visualizzare la relazione tra velocità e accuratezza è essenziale per individuare la "frontiera di Pareto" nel rilevamento degli oggetti: i modelli che offrono la migliore accuratezza entro un determinato limite di velocità. Il grafico seguente confronta metriche chiave su dataset standard come COCO.

Questo grafico visualizza le principali metriche delle prestazioni, così puoi valutare rapidamente i compromessi tra i diversi modelli. Comprendere queste metriche è fondamentale per scegliere un modello adatto ai vincoli del tuo ambiente di distribuzione.

Guida rapida alla scelta#

Non sai da dove iniziare? Usa questo albero decisionale per individuare l'architettura più adatta ai tuoi requisiti hardware e di prestazioni.

Scenario attuale: YOLO26 e oltre#

Il rilevamento degli oggetti evolve rapidamente. I modelli meno recenti restano rilevanti per le distribuzioni esistenti, ma le nuove architetture continuano a migliorare velocità e precisione.

Ultralytics YOLO26#

Rilasciato a gennaio 2026, YOLO26 è l’ultimo modello Ultralytics e il punto di partenza consigliato per tutti i nuovi progetti. Introduce innovazioni architetturali, tra cui un design end-to-end senza NMS (nms=False) opzionale che elimina la necessità della post-elaborazione con soppressione dei non massimi (NMS), offrendo tempi di inferenza più rapidi e prevedibili. YOLO26n è fino al 43% più veloce sulle CPU di YOLO11n, perciò YOLO26 è particolarmente adatto alla distribuzione edge.

Innovazioni principali:

  • End-to-end senza NMS: distribuzione semplificata, senza necessità di post-elaborazione NMS (nms=False)
  • Rimozione di DFL: esportazioni semplificate verso 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 di piccole dimensioni
Perché scegliere YOLO26?

YOLO26 combina l’efficienza delle CNN con funzionalità end-to-end simili a quelle dei Transformer. Supporta tutte le attività Ultralytics (rilevamento, segmentazione di istanze e semantica, stima della profondità, classificazione, stima della posa e OBB), pur essendo più piccolo, veloce e facile da distribuire rispetto alle generazioni precedenti.

Ultralytics YOLO11#

YOLO11 resta un modello molto capace: YOLO11m usa il 22% di parametri in meno rispetto a YOLOv8m, ottenendo al contempo una maggiore precisione nel rilevamento. È pienamente supportato e consigliato a chi ha bisogno di stabilità comprovata o dispone già di pipeline YOLO11.

Modelli della community: una nota su YOLO12 e YOLO13#

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

Avvertenza per l'uso in produzione

Al momento 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 su CPU notevolmente inferiori.
  • YOLO13: i benchmark indicano guadagni di accuratezza solo marginali rispetto a YOLO11, a fronte di dimensioni maggiori e velocità inferiori. I risultati riportati hanno mostrato problemi di riproducibilità.


Guarda: Confronto tra modelli YOLO: Ultralytics YOLO11 vs. YOLOv10 vs. YOLOv9 vs. Ultralytics YOLOv8

Confronti dettagliati tra i modelli#

Esamina i confronti tecnici qui sotto per comprendere le differenze architetturali specifiche, come la scelta del backbone, il design della head e le funzioni di loss. Sono organizzati per modello:

YOLO26 contro#

YOLO26 è l’ultimo modello Ultralytics e offre rilevamento end-to-end senza NMS, l’ottimizzatore MuSGD e un’inferenza CPU per YOLO26n fino al 43% più veloce rispetto a YOLO11n. È ottimizzato per la distribuzione edge e offre un’elevata precisione.

YOLO11 contro#

YOLO11 si basa sul successo dei suoi predecessori. Offre un’architettura di backbone e neck migliorata per estrarre le feature con maggiore efficacia ed efficienza.

YOLOv10 contro#

Sviluppato dalla Tsinghua University, YOLOv10 punta a eliminare il passaggio NMS per ridurre la variabilità della latenza, offrendo prestazioni elevate con un minore carico computazionale.

YOLOv9 contro#

YOLOv9 introduce le informazioni di gradiente programmabili (PGI) e la rete di aggregazione dei layer efficiente generalizzata (GELAN) per affrontare la perdita di informazioni nelle reti neurali profonde.

YOLOv8 contro#

Ultralytics YOLOv8 resta una scelta molto popolare. La sua architettura combina un backbone e un neck avanzati con una head suddivisa senza anchor, offrendo un ottimo equilibrio tra precisione e velocità.

YOLOv7 contro#

YOLOv7 ha introdotto il «bag of freebies addestrabile» e la riparametrizzazione del modello, concentrandosi sull’ottimizzazione del processo di addestramento senza aumentare i costi di inferenza.

YOLOv6 contro#

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

YOLOv5 contro#

Ultralytics YOLOv5 è noto per la facilità d’uso, la stabilità e la velocità. Resta una scelta affidabile per i progetti che richiedono ampia compatibilità con i dispositivi.

RT-DETR contro#

RT-DETR (Transformer per il rilevamento in tempo reale) combina un backbone CNN con un encoder-decoder Transformer per ottenere un’elevata precisione in tempo reale, distinguendosi nella comprensione del contesto globale.

PP-YOLOE+ contro#

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

DAMO-YOLO contro#

DAMO-YOLO, sviluppato da Alibaba Group, usa la ricerca dell’architettura neurale (NAS) e un neck RepGFPN efficiente per bilanciare latenza e precisione.

YOLOX contro#

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

EfficientDet contro#

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

Questo indice viene aggiornato con il rilascio di nuovi modelli e il perfezionamento dei benchmark. Per le distribuzioni aziendali che richiedono licenze private, consulta la pagina delle licenze Ultralytics.

Commenti

Fai una domanda, condividi i tuoi risultati o aiuta qualcun altro.