Ultralytics YOLO27:
Get Started

Confronti tra modelli#

Scegliere l'architettura di rete neurale giusta è fondamentale per il successo di qualsiasi progetto di visione artificiale. Benvenuto nell'Hub di confronto dei modelli Ultralytics! Questa pagina raccoglie analisi tecniche dettagliate e benchmark delle prestazioni, esaminando i compromessi tra il più recente Ultralytics YOLO26 e altre architetture all'avanguardia 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 fornisce le analisi basate sui dati che ti servono per scegliere consapevolmente. Valutiamo i modelli in base alla precisione media 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 di prestazione e ti permette di valutare rapidamente i compromessi tra i diversi modelli. Comprendere queste metriche è fondamentale per scegliere un modello adatto ai tuoi specifici vincoli 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 settore del rilevamento degli oggetti evolve rapidamente. I modelli meno recenti restano rilevanti per garantire la compatibilità con sistemi preesistenti, ma le nuove architetture ampliano i limiti del possibile.

Ultralytics YOLO26#

Rilasciato a gennaio 2026, YOLO26 è il modello più all'avanguardia e il punto di partenza consigliato per tutti i nuovi progetti. Introduce innovazioni architetturali rivoluzionarie, tra cui una progettazione end-to-end senza NMS opzionale (nms=False), che elimina la necessità della post-elaborazione con soppressione dei massimi non locali, garantendo tempi di inferenza più rapidi e prevedibili. YOLO26 è fino al 43% più veloce sulle CPU rispetto alle generazioni precedenti, ed è quindi ideale per le distribuzioni 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 rappresenta l'apice dell'ingegneria Ultralytics e combina il meglio dell'efficienza delle CNN con funzionalità end-to-end simili a quelle dei Transformer. Supporta tutte le attività: rilevamento, segmentazione di istanze e semantica, stima della profondità, classificazione, stima della posa e OBB; inoltre, è più piccolo, veloce e facile da distribuire che mai.

Ultralytics YOLO11#

YOLO11 rimane un modello altamente valido: YOLO11m usa il 22% di parametri in meno rispetto a YOLOv8m, ottenendo al contempo una maggiore accuratezza di rilevamento. È pienamente supportato e consigliato a chi cerca una stabilità comprovata o ha già pipeline basate su 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#

Esplora i nostri confronti tecnici approfonditi per comprendere le differenze architetturali specifiche, come la scelta del backbone, la progettazione della testa e le funzioni di perdita. Li abbiamo organizzati per modello per facilitarne la consultazione:

YOLO26 contro#

YOLO26 è il modello Ultralytics più recente e offre rilevamento end-to-end senza NMS, l'ottimizzatore MuSGD e un'inferenza su CPU fino al 43% più veloce. È ottimizzato per le distribuzioni edge e raggiunge un'accuratezza all'avanguardia.

YOLO11 contro#

YOLO11 si basa sui successi dei predecessori grazie a ricerche all'avanguardia. Include un'architettura migliorata per backbone e neck, che consente una migliore estrazione delle caratteristiche e un'efficienza ottimizzata.

YOLOv10 contro#

Sviluppato dalla Tsinghua University, YOLOv10 punta a eliminare il passaggio di soppressione dei massimi non locali (NMS) per ridurre la variabilità della latenza e offrire prestazioni all'avanguardia con un minore carico computazionale.

YOLOv9 contro#

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

YOLOv8 contro#

Ultralytics YOLOv8 rimane una scelta molto apprezzata, grazie alle architetture avanzate di backbone e neck e a una testa divisa senza anchor, che offre un compromesso ottimale tra accuratezza e velocità.

YOLOv7 contro#

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 contro#

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

YOLOv5 contro#

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

RT-DETR contro#

RT-DETR (Transformer per il rilevamento in tempo reale) sfrutta i vision Transformer per ottenere un'elevata accuratezza con prestazioni in tempo reale, eccellendo 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#

Sviluppato da Alibaba Group, DAMO-YOLO utilizza la ricerca di architetture neurali (NAS) e l'efficiente RepGFPN per massimizzare l'accuratezza sui benchmark statici.

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

Collaboratori
GLglenn-jocher17PDpderrenger1RIRizwanMunawar1

Commenti