Inizia

YOLO11 vs PP-YOLOE+

Scegliere l’architettura di rete neurale giusta è fondamentale quando si portano in produzione applicazioni di computer vision. Questo confronto esamina due importanti modelli per il rilevamento di oggetti in tempo reale, Ultralytics YOLO11 e PP-YOLOE+ di Baidu. Entrambi offrono buone prestazioni, ma adottano approcci molto diversi in termini di accuratezza, velocità di inferenza ed ecosistema per sviluppatori.

Il grafico interattivo qui sotto mostra il compromesso tra velocità e accuratezza dei due modelli, per aiutarti a individuare quello più adatto ai vincoli del tuo hardware.

Origini dei modelli e genealogia tecnica#

Comprendere le origini e le filosofie di progettazione di questi modelli offre un contesto prezioso sui rispettivi punti di forza e sui casi d'uso ideali.

Dettagli su YOLO11#

Sviluppato da Ultralytics, YOLO11 perfeziona la serie YOLO bilanciando inferenza rapida, efficienza dei parametri e facilità d’uso. È noto per il supporto unificato a più attività e per la sua API Python pensata per gli sviluppatori.

Dettagli su PP-YOLOE+#

PP-YOLOE+ è una versione aggiornata di PP-YOLOE, evoluta da PP-YOLOv2 e basata sul framework PaddlePaddle. Utilizza modifiche architetturali come il backbone CSPRepResNet e il Task Alignment Learning (TAL) per migliorare l’accuratezza, soprattutto sulle GPU di fascia alta.

Scopri di più su PP-YOLOE+

Differenze architetturali#

Le architetture di YOLO11 e PP-YOLOE+ rispecchiano diverse priorità di progettazione.

YOLO11 combina un backbone efficiente con una testa di rilevamento senza ancoraggi. Utilizza blocchi C3k2 e Spatial Pyramid Pooling - Fast (SPPF) per acquisire caratteristiche a più scale con un overhead computazionale minimo, contribuendo a ridurre la latenza di inferenza sui dispositivi con risorse limitate, come le NPU edge e le CPU mobili. YOLO11 supporta inoltre, già pronto all’uso, la segmentazione delle istanze, la classificazione delle immagini, la stima della posa e il rilevamento di riquadri di delimitazione orientati (OBB).

PP-YOLOE+ utilizza il backbone CSPRepResNet, un neck CSPPAN e una testa Efficient Task-aligned (ET-head). Si basa sulla riparametrizzazione per aumentare la capacità rappresentativa durante l’addestramento, quindi integra quei parametri nelle convoluzioni standard per l’inferenza. Questo offre una mean Average Precision (mAP) elevata, ma le varianti più grandi hanno più parametri rispetto alle corrispondenti YOLO11 (52,2M contro 25,3M nella scala L), quindi sono più adatte alle GPU per server che ai dispositivi edge leggeri.

Versatilità multi-task

Se il tuo progetto deve andare oltre i normali riquadri di delimitazione, Ultralytics YOLO11 offre supporto nativo per segmentazione, classificazione, stima della posa e rilevamento OBB tramite la stessa API, riducendo il lavoro di sviluppo rispetto all’integrazione di più repository separati.

Prestazioni e benchmark#

La tabella qui sotto confronta l’accuratezza (mAP), la velocità di inferenza sui diversi hardware e l’efficienza dei modelli (parametri e FLOPs); il valore migliore in ogni colonna è indicato in grassetto.

Modellodimensione
(pixel)
mAPval50-95Velocità
CPU ONNX
(ms)
Velocità
T4 TensorRT10
(ms)
parametri
(M)
FLOPs
(B)
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
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

Analisi#

YOLO11 offre un equilibrio prestazionale migliore nella maggior parte delle dimensioni. YOLO11m raggiunge una mAP superiore a PP-YOLOE+m (51,5 contro 49,8) con meno parametri (20,1M contro 23,43M) e un’inferenza TensorRT più rapida (4,7 ms contro 5,56 ms). Alla scala più grande, entrambi raggiungono 54,7 mAP, ma YOLO11x è più veloce (11,3 ms contro 14,3 ms) e ha molti meno parametri (56,9M contro 98,42M). PP-YOLOE+ è competitivo tra i modelli più piccoli: PP-YOLOE+t supera YOLO11n in mAP (39,9 contro 39,5), ma con una latenza maggiore, mentre PP-YOLOE+s usa meno parametri e FLOPs di YOLO11s, ma offre un’accuratezza inferiore. Anche i modelli YOLO11 più piccoli richiedono meno memoria durante l’addestramento del modello e la distribuzione.

Ecosistema di addestramento e facilità d'uso#

Gran parte del valore pratico di un modello dipende da quanto è facile per gli sviluppatori addestrarlo su dataset di computer vision personalizzati e portarlo in produzione.

I vantaggi di Ultralytics#

Ultralytics punta a offrire un’esperienza ottimale agli sviluppatori. YOLO11 si addestra tramite una semplice API Python o CLI, senza codice boilerplate complesso, e Ultralytics Platform aggiunge l’addestramento senza codice, la gestione dei dataset e l’esportazione con un clic in formati come ONNX, CoreML e TensorRT.

I modelli YOLO sono anche efficienti nell’uso della memoria durante l’addestramento, evitando l’elevato consumo di VRAM delle architetture basate su Transformer e dei modelli più pesanti con riparametrizzazione, così possono essere addestrati su hardware di fascia consumer.

from ultralytics import YOLO

# Carica un modello YOLO11 preaddestrato
model = YOLO("yolo11n.pt")

# Addestra il modello sul dataset COCO8
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Esegui l'inferenza su un'immagine
results = model("https://ultralytics.com/images/bus.jpg")
results[0].show()

Ecosistema PP-YOLOE+#

PP-YOLOE+ opera nell’ecosistema PaddleDetection. Questo framework è potente e profondamente integrato con le soluzioni industriali di Baidu, ma richiede agli sviluppatori di adottare il framework specifico di deep learning PaddlePaddle. Per i team che hanno già standardizzato PyTorch, questo può comportare una curva di apprendimento più ripida. Anche l’esportazione dei modelli PP-YOLOE+ nei formati edge più comuni può richiedere passaggi di conversione aggiuntivi rispetto alla pipeline di esportazione integrata di Ultralytics, che converte YOLO11 in ONNX, TensorRT e persino PaddlePaddle con un solo comando.

Casi d'uso ideali#

La scelta tra questi modelli dipende dal tuo specifico ambiente di distribuzione.

  • Scegli YOLO11 per uno sviluppo agile, l'edge computing e le applicazioni mobili. L'elevata velocità di inferenza, l'ingombro ridotto in memoria e le ampie capacità di esportazione lo rendono ideale per attività come la gestione delle scorte nella vendita al dettaglio in tempo reale su CPU standard, l'analisi di immagini aeree acquisite da droni e le pipeline multi-task complesse.
  • Scegli PP-YOLOE+ se la tua pipeline di produzione è già basata sull’ecosistema PaddlePaddle oppure se distribuisci su server di inferenza dedicati di fascia alta, dove i vincoli di memoria e la compatibilità hardware (al di fuori dell’hardware ottimizzato per Paddle) non sono considerazioni prioritarie.

La nuova generazione: ecco YOLO26#

YOLO11 resta un’ottima scelta, ma per i nuovi progetti Ultralytics consiglia YOLO26. Rilasciato a gennaio 2026, YOLO26 migliora i predecessori sia in efficienza sia in accuratezza.

Innovazioni principali di YOLO26:

  • Progettazione end-to-end senza NMS: la testa one-to-one opzionale di YOLO26 (nms=False) elimina la post-elaborazione con Non-Maximum Suppression (NMS). Questo riduce la latenza e semplifica la logica di distribuzione, sviluppando un approccio introdotto per la prima volta in YOLOv10.
  • Inferenza su CPU fino al 43% più veloce: YOLO26n è fino al 43% più veloce di YOLO11n su CPU, migliorando le prestazioni in tempo reale sui dispositivi edge senza GPU.
  • Ottimizzatore MuSGD: ispirato all’addestramento dei modelli linguistici di grandi dimensioni (LLM), questo ibrido di SGD e Muon accelera la convergenza e rende l’addestramento più stabile.
  • ProgLoss + STAL: la Progressive Loss e l’assegnazione di etichette consapevole dei piccoli oggetti (STAL) migliorano il riconoscimento degli oggetti di piccole dimensioni, fondamentale per le applicazioni con droni e la sorveglianza di sicurezza.
  • Rimozione di DFL: eliminare la Distribution Focal Loss semplifica l’esportazione del modello e migliora la compatibilità con un’ampia gamma di dispositivi edge.

Per i nuovi progetti che puntano su velocità, semplicità di esportazione e accuratezza, YOLO26 è la scelta consigliata; puoi addestrarlo e distribuirlo su Ultralytics Platform.

Se stai valutando altre architetture, consulta il confronto tra RT-DETR e YOLO11 oppure leggi il confronto tra YOLO11, YOLOv8, YOLOv9 e YOLOv10.

Commenti

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