Inizia

PP-YOLOE+ vs YOLO11

La computer vision continua a evolversi, spinta dalla necessità di modelli più veloci, accurati ed efficienti. Per gli sviluppatori e i ricercatori che affrontano attività di rilevamento di oggetti, la scelta dell'architettura giusta è fondamentale. Questo confronto esamina due modelli di rilievo: PP-YOLOE+ e Ultralytics YOLO11.

Confrontando le architetture, le metriche di prestazione e i casi d'uso più adatti, questa guida ti aiuta a prendere una decisione informata per la tua prossima distribuzione di machine learning.

Origini dei modelli e panoramiche tecniche#

Entrambi i modelli derivano da ricerche rigorose e da un'intensa attività ingegneristica, ma appartengono a ecosistemi completamente diversi. Ecco i dettagli fondamentali di ciascun modello.

Panoramica su PP-YOLOE+#

Sviluppato dai ricercatori di Baidu, PP-YOLOE+ è un'evoluzione del precedente PP-YOLOE, progettata per migliorare il rilevamento in tempo reale nell'ecosistema PaddlePaddle.

Scopri di più su PP-YOLOE+

Panoramica su YOLO11#

YOLO11, creato da Ultralytics, rappresenta un notevole passo avanti in termini di usabilità e accuratezza. Si basa su una serie di architetture di successo, ottimizzate per offrire un'esperienza di sviluppo fluida e versatilità multi-attività.

Lo sapevi?

Ultralytics YOLO11 supporta molto più del semplice rilevamento di oggetti. Puoi eseguire direttamente la segmentazione di istanze, la stima della posa e il rilevamento di riquadri di delimitazione orientati (OBB) usando la stessa API.

Confronto tra architettura e prestazioni#

Nel confrontare questi due rilevatori, è importante andare oltre i numeri puri e capire in che modo le scelte architetturali influiscono sulla distribuzione dei modelli nel mondo reale.

Architettura di PP-YOLOE+#

PP-YOLOE+ dipende fortemente dal framework PaddlePaddle. Utilizza un design anchor-free con backbone CSPRepResNet e una Path Aggregation Network (PAN) modificata. La variante "+" migliora il predecessore incorporando il pre-addestramento su dataset su larga scala (come Objects365) e una versione migliorata di TaskAlignedAssigner. Pur raggiungendo un'elevata precisione media (mAP), la dipendenza diretta da PaddlePaddle può creare difficoltà ai team abituati agli ambienti PyTorch o TensorFlow.

Architettura di YOLO11#

Ultralytics YOLO11 è basato nativamente su PyTorch, lo standard del settore per il deep learning moderno. La sua architettura punta molto sull'equilibrio delle prestazioni, ottenendo un compromesso favorevole tra velocità e accuratezza, adatto a diversi scenari di distribuzione reali. YOLO11 integra un modulo C3k2 ottimizzato per migliorare il flusso del gradiente e una testa disaccoppiata che gestisce in modo efficiente e separato le attività di classificazione e regressione. YOLO11 è inoltre progettato per richiedere meno memoria, con un utilizzo notevolmente inferiore durante l'addestramento e l'inferenza rispetto ai complessi modelli Transformer come RT-DETR.

Tabella delle metriche di prestazione#

La tabella seguente evidenzia le differenze di prestazioni tra diverse dimensioni di modello. Nota come YOLO11 ottenga in genere una mAP comparabile o superiore, riducendo notevolmente il numero di parametri e FLOP.

Modellodimensione
(pixel)
mAPval50-95Velocità
CPU ONNX
(ms)
Velocità
T4 TensorRT10
(ms)
parametri
(M)
FLOPs
(B)
PP-YOLOE+t64039.9-2.844.8519.15
PP-YOLOE+s64043.7-2.627.9317.36
PP-YOLOE+m64049.8-5.5623.4349.91
PP-YOLOE+l64052.9-8.3652.2110.07
PP-YOLOE+x64054.7-14.398.42206.59
YOLO11n64039.556.11.52.66.5
YOLO11s64047.090.02.59.421.6
YOLO11m64051.5183.24.720.168.1
YOLO11l64053.4238.66.225.387.2
YOLO11x64054.7462.811.356.9195.3

Casi d'uso e consigli#

La scelta tra PP-YOLOE+ e YOLO11 dipende dai requisiti specifici del tuo progetto, dai vincoli di distribuzione e dalle preferenze in fatto di ecosistema.

Quando scegliere PP-YOLOE+#

PP-YOLOE+ è una scelta valida per:

  • Integrazione con l'ecosistema PaddlePaddle: Organizzazioni che dispongono già di un'infrastruttura basata sul framework e sugli strumenti PaddlePaddle di Baidu.
  • Distribuzione edge con Paddle Lite: Distribuzione su hardware con kernel di inferenza altamente ottimizzati specificamente per Paddle Lite o per il motore di inferenza Paddle.
  • Rilevamento lato server ad alta accuratezza: Scenari che privilegiano la massima accuratezza di rilevamento su potenti server GPU, dove la dipendenza dal framework non è un problema.

Quando scegliere YOLO11#

YOLO11 è consigliato per:

  • Deployment edge in produzione: applicazioni commerciali su dispositivi come Raspberry Pi o NVIDIA Jetson, per cui affidabilità e manutenzione attiva sono fondamentali.
  • Applicazioni di visione multi-task: progetti che richiedono rilevamento, segmentazione, stima della posa e OBB all’interno di un unico framework unificato.
  • Prototipazione e deployment rapidi: team che devono passare rapidamente dalla raccolta dei dati alla produzione usando la API Python di Ultralytics, semplice e intuitiva.

Quando scegliere Ultralytics (YOLO26)#

Per la maggior parte dei nuovi progetti, Ultralytics YOLO26 offre la combinazione migliore di prestazioni ed esperienza per gli sviluppatori:

  • Distribuzione edge senza NMS: applicazioni che richiedono inferenza costante a bassa latenza senza la complessità della post-elaborazione con soppressione non massima.
  • Ambienti con sola CPU: dispositivi privi di accelerazione GPU dedicata, in cui l'inferenza su CPU di YOLO26n, fino al 43% più veloce rispetto a YOLO11n, offre un chiaro vantaggio.
  • Rilevamento di oggetti di piccole dimensioni: scenari complessi come le immagini aeree acquisite da droni o l'analisi dei sensori IoT, in cui ProgLoss e STAL migliorano notevolmente la precisione sugli oggetti molto piccoli.

I vantaggi di Ultralytics#

I benchmark accademici sono importanti, ma il successo a lungo termine di un progetto di IA dipende molto dall'ecosistema che circonda il modello. La piattaforma Ultralytics offre vantaggi concreti sia agli sviluppatori sia alle aziende.

  1. Facilità d'uso: Ultralytics astrae le complessità del deep learning. L'esperienza utente fluida e la semplice API Python consentono agli sviluppatori di addestrare modelli personalizzati con poche righe di codice. Questo contrasta con i complessi file di configurazione spesso richiesti da PP-YOLOE+.
  2. Ecosistema mantenuto attivamente: a differenza di molti repository dedicati esclusivamente alla ricerca, l'ecosistema Ultralytics è in costante sviluppo. Offre un forte supporto della community, aggiornamenti frequenti e un'integrazione estesa con strumenti come Weights & Biases e Comet.
  3. Versatilità: YOLO11 offre un unico framework unificato per diverse attività di visione artificiale, eliminando la necessità di imparare librerie diverse per la classificazione, la segmentazione o il rilevamento dei riquadri di delimitazione.
  4. Efficienza dell'addestramento: I processi di addestramento efficienti dei modelli YOLO fanno risparmiare tempo e risorse di calcolo. Grazie ai pesi preaddestrati sul dataset COCO, i modelli convergono rapidamente anche su hardware di fascia consumer.

Confronto del codice di addestramento#

Per mostrare quanto sia semplice, ecco come addestrare un modello YOLO11. Il pacchetto gestisce automaticamente l'aumento dei dati, la registrazione dei log e l'orchestrazione dell'hardware:

from ultralytics import YOLO

# Carica un modello YOLO11 small preaddestrato
model = YOLO("yolo11s.pt")

# Addestra il modello sul tuo dataset personalizzato per 100 epoche
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Esegui un rapido test di inferenza su un'immagine pubblica
inference_results = model("https://ultralytics.com/images/bus.jpg")
inference_results[0].show()

Configurare una pipeline equivalente con PaddleDetection richiede di gestire manualmente complesse configurazioni YAML ed eseguire lunghe stringhe da riga di comando, rallentando i cicli di sviluppo agile.

Uno sguardo al futuro: l'arrivo di YOLO26#

Sebbene YOLO11 rimanga uno strumento potente, il settore dell'AI evolve rapidamente. Rilasciato a gennaio 2026, YOLO26 è il modello più recente della linea Ultralytics ed è quello consigliato per tutti i nuovi progetti.

YOLO26 introduce diverse innovazioni:

  • Architettura end-to-end senza NMS: basandosi su concetti introdotti per la prima volta in YOLOv10, YOLO26 offre una testa end-to-end nativa (nms=False) che elimina completamente la post-elaborazione con soppressione dei massimi non (NMS), semplificando la distribuzione e riducendo notevolmente la variabilità della latenza.
  • Inferenza su CPU fino al 43% più veloce: la rimozione della Distribution Focal Loss (DFL) alleggerisce il modello e YOLO26n funziona fino al 43% più velocemente su CPU rispetto a YOLO11n, risultando un'ottima scelta per l'edge computing e i dispositivi IoT a basso consumo.
  • Ottimizzatore MuSGD: YOLO26 porta le innovazioni nell'addestramento degli LLM nella visione artificiale. Usando l'ottimizzatore MuSGD, una combinazione di SGD e Muon, ottiene dinamiche di addestramento molto stabili e una convergenza più rapida.
  • ProgLoss + STAL: la Progressive Loss e l'assegnazione delle etichette consapevole degli oggetti piccoli migliorano notevolmente il riconoscimento degli oggetti di piccole dimensioni, una caratteristica fondamentale per le immagini riprese dai droni e la sorveglianza aerea.

Conclusioni e applicazioni nel mondo reale#

Quando scegli tra PP-YOLOE+ e YOLO11, o il più recente YOLO26, la decisione dipende dall'ecosistema di distribuzione.

PP-YOLOE+ è adatto agli ambienti industriali il cui hardware e software sono già integrati con lo stack tecnologico di Baidu e la libreria PaddlePaddle. È efficace nell'analisi di immagini statiche quando la priorità assoluta è il massimo mAP.

YOLO11 e YOLO26, invece, offrono un approccio più versatile e adatto agli sviluppatori. Il minor numero di parametri e l'elevata velocità li rendono particolarmente adatti a:

  • Vendita al dettaglio intelligente: Elaborazione di flussi video in tempo reale per casse automatiche e gestione dell'inventario.
  • Robotica autonoma: Abilitazione dell'evitamento degli ostacoli ad alta velocità su dispositivi integrati con risorse limitate.
  • Sicurezza e sorveglianza: Analisi multi-task robusta, come il tracciamento e la stima della posa, in singoli passaggi di inferenza altamente efficienti.

Per gli ingegneri AI moderni che cercano affidabilità, ampio supporto della community e pipeline di distribuzione semplici verso formati come ONNX e TensorRT, l'ecosistema Ultralytics rimane la scelta consigliata.

Commenti

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