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
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.
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.
- YOLO26 contro YOLO11
- YOLO26 contro YOLOv10
- YOLO26 contro YOLOv9
- YOLO26 contro YOLOv8
- YOLO26 contro YOLOv7
- YOLO26 contro YOLOv6-3.0
- YOLO26 contro YOLOv5
- YOLO26 contro PP-YOLOE+
- YOLO26 contro DAMO-YOLO
- YOLO26 contro YOLOX
- YOLO26 contro RT-DETR
- YOLO26 contro EfficientDet
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.
- YOLO11 contro YOLO26
- YOLO11 contro YOLOv10
- YOLO11 contro YOLOv9
- YOLO11 contro YOLOv8
- YOLO11 contro YOLOv7
- YOLO11 contro YOLOv6-3.0
- YOLO11 contro YOLOv5
- YOLO11 contro PP-YOLOE+
- YOLO11 contro DAMO-YOLO
- YOLO11 contro YOLOX
- YOLO11 contro RT-DETR
- YOLO11 contro EfficientDet
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.
- YOLOv10 contro YOLO26
- YOLOv10 contro YOLO11
- YOLOv10 contro YOLOv9
- YOLOv10 contro YOLOv8
- YOLOv10 contro YOLOv7
- YOLOv10 contro YOLOv6-3.0
- YOLOv10 contro YOLOv5
- YOLOv10 contro PP-YOLOE+
- YOLOv10 contro DAMO-YOLO
- YOLOv10 contro YOLOX
- YOLOv10 contro RT-DETR
- YOLOv10 contro EfficientDet
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.
- YOLOv9 contro YOLO26
- YOLOv9 contro YOLO11
- YOLOv9 contro YOLOv10
- YOLOv9 contro YOLOv8
- YOLOv9 contro YOLOv7
- YOLOv9 contro YOLOv6-3.0
- YOLOv9 contro YOLOv5
- YOLOv9 contro PP-YOLOE+
- YOLOv9 contro DAMO-YOLO
- YOLOv9 contro YOLOX
- YOLOv9 contro RT-DETR
- YOLOv9 contro EfficientDet
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.
- YOLOv8 contro YOLO26
- YOLOv8 contro YOLO11
- YOLOv8 contro YOLOv10
- YOLOv8 contro YOLOv9
- YOLOv8 contro YOLOv7
- YOLOv8 contro YOLOv6-3.0
- YOLOv8 contro YOLOv5
- YOLOv8 contro PP-YOLOE+
- YOLOv8 contro DAMO-YOLO
- YOLOv8 contro YOLOX
- YOLOv8 contro RT-DETR
- YOLOv8 contro EfficientDet
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.
- YOLOv7 contro YOLO26
- YOLOv7 contro YOLO11
- YOLOv7 contro YOLOv10
- YOLOv7 contro YOLOv9
- YOLOv7 contro YOLOv8
- YOLOv7 contro YOLOv6-3.0
- YOLOv7 contro YOLOv5
- YOLOv7 contro PP-YOLOE+
- YOLOv7 contro DAMO-YOLO
- YOLOv7 contro YOLOX
- YOLOv7 contro RT-DETR
- YOLOv7 contro EfficientDet
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.
- YOLOv6-3.0 contro YOLO26
- YOLOv6-3.0 contro YOLO11
- YOLOv6-3.0 contro YOLOv10
- YOLOv6-3.0 contro YOLOv9
- YOLOv6-3.0 contro YOLOv8
- YOLOv6-3.0 contro YOLOv7
- YOLOv6-3.0 contro YOLOv5
- YOLOv6-3.0 contro PP-YOLOE+
- YOLOv6-3.0 contro DAMO-YOLO
- YOLOv6-3.0 contro YOLOX
- YOLOv6-3.0 contro RT-DETR
- YOLOv6-3.0 contro EfficientDet
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.
- YOLOv5 contro YOLO26
- YOLOv5 contro YOLO11
- YOLOv5 contro YOLOv10
- YOLOv5 contro YOLOv9
- YOLOv5 contro YOLOv8
- YOLOv5 contro YOLOv7
- YOLOv5 contro YOLOv6-3.0
- YOLOv5 contro PP-YOLOE+
- YOLOv5 contro DAMO-YOLO
- YOLOv5 contro YOLOX
- YOLOv5 contro RT-DETR
- YOLOv5 contro EfficientDet
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.
- RT-DETR contro YOLO26
- RT-DETR contro YOLO11
- RT-DETR contro YOLOv10
- RT-DETR contro YOLOv9
- RT-DETR contro YOLOv8
- RT-DETR contro YOLOv7
- RT-DETR contro YOLOv6-3.0
- RT-DETR contro YOLOv5
- RT-DETR contro PP-YOLOE+
- RT-DETR contro DAMO-YOLO
- RT-DETR contro YOLOX
- RT-DETR contro EfficientDet
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.
- PP-YOLOE+ contro YOLO26
- PP-YOLOE+ contro YOLO11
- PP-YOLOE+ contro YOLOv10
- PP-YOLOE+ contro YOLOv9
- PP-YOLOE+ contro YOLOv8
- PP-YOLOE+ contro YOLOv7
- PP-YOLOE+ contro YOLOv6-3.0
- PP-YOLOE+ contro YOLOv5
- PP-YOLOE+ contro DAMO-YOLO
- PP-YOLOE+ contro YOLOX
- PP-YOLOE+ contro RT-DETR
- PP-YOLOE+ contro EfficientDet
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.
- DAMO-YOLO contro YOLO26
- DAMO-YOLO contro YOLO11
- DAMO-YOLO contro YOLOv10
- DAMO-YOLO contro YOLOv9
- DAMO-YOLO contro YOLOv8
- DAMO-YOLO contro YOLOv7
- DAMO-YOLO contro YOLOv6-3.0
- DAMO-YOLO contro YOLOv5
- DAMO-YOLO contro PP-YOLOE+
- DAMO-YOLO contro YOLOX
- DAMO-YOLO contro RT-DETR
- DAMO-YOLO contro EfficientDet
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.
- YOLOX contro YOLO26
- YOLOX contro YOLO11
- YOLOX contro YOLOv10
- YOLOX contro YOLOv9
- YOLOX contro YOLOv8
- YOLOX contro YOLOv7
- YOLOX contro YOLOv6-3.0
- YOLOX contro YOLOv5
- YOLOX contro PP-YOLOE+
- YOLOX contro DAMO-YOLO
- YOLOX contro RT-DETR
- YOLOX contro EfficientDet
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.
- EfficientDet contro YOLO26
- EfficientDet contro YOLO11
- EfficientDet contro YOLOv10
- EfficientDet contro YOLOv9
- EfficientDet contro YOLOv8
- EfficientDet contro YOLOv7
- EfficientDet contro YOLOv6-3.0
- EfficientDet contro YOLOv5
- EfficientDet contro PP-YOLOE+
- EfficientDet contro DAMO-YOLO
- EfficientDet contro YOLOX
- EfficientDet vs RT-DETR
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.