Inizia

YOLO11 vs YOLO26

Ogni generazione di Ultralytics YOLO mira a migliorare velocità, accuratezza ed efficienza di distribuzione per il rilevamento degli oggetti in tempo reale. Questo confronto tecnico analizza il passaggio dal diffusissimo YOLO11 all'attuale YOLO26, esaminandone le architetture, le metriche di prestazione e gli scenari di distribuzione ideali.

Che tu stia sviluppando sistemi di consegna con droni o ottimizzando una pipeline globale di produzione intelligente, comprendere le differenze tra questi due modelli ti aiuta a scegliere quello giusto.

Evoluzione dei modelli ed ecosistema#

Entrambi i modelli beneficiano dell'ecosistema Ultralytics, con un'API semplice, manutenzione continua e una community attiva. Entrambi supportano nativamente il rilevamento degli oggetti, la segmentazione delle istanze, la classificazione delle immagini, la stima della posa e le attività con riquadri delimitatori orientati (OBB); YOLO26 aggiunge la segmentazione semantica e la stima della profondità.

YOLO11: lo standard consolidato#

Rilasciato alla fine del 2024, YOLO11 ha perfezionato i progressi delle generazioni precedenti, affermandosi come un modello affidabile e versatile per gli ambienti di produzione.

YOLO26: la nuova generazione#

Introdotto nel gennaio 2026, YOLO26 è progettato per la distribuzione edge e l'inferenza end-to-end opzionale, con miglioramenti alla velocità su CPU e alla facilità di integrazione.

Gestione dei dati e delle distribuzioni

Sia YOLO11 sia YOLO26 sono pienamente integrati con la Ultralytics Platform, che offre flussi di lavoro senza codice per l'annotazione dei dataset, l'addestramento nel cloud e il monitoraggio della distribuzione.

Innovazioni architetturali#

YOLO11 si affida a metodi di post-elaborazione tradizionali, usati nella visione artificiale da anni, mentre YOLO26 introduce diverse modifiche strutturali che eliminano i colli di bottiglia nella distribuzione.

Progettazione end-to-end senza NMS#

Uno degli aggiornamenti più significativi di YOLO26 è la sua architettura end-to-end nativa. La testa one-to-one opzionale (nms=False) elimina la post-elaborazione della soppressione dei non massimi (NMS), un concetto introdotto nei modelli YOLO da YOLOv10. Evitare NMS semplifica la pipeline di distribuzione e mantiene costante la latenza, un aspetto essenziale per le applicazioni in tempo reale, come gli algoritmi di guida autonoma.

Rimozione di DFL per l'ottimizzazione edge#

YOLO26 elimina la Distribution Focal Loss (DFL). In YOLO11 la DFL era utile per la localizzazione fine, ma rimuoverla semplifica il grafo di esportazione della rete. Questo migliora la compatibilità con l'hardware a basso consumo e rende YOLO26 particolarmente adatto ai dispositivi edge come Raspberry Pi o NVIDIA Jetson.

Ottimizzatore MuSGD#

Ispirato ai metodi di addestramento dei modelli linguistici di grandi dimensioni (LLM), in particolare a Kimi K2 di Moonshot AI, YOLO26 usa l'ottimizzatore MuSGD. Questo ibrido tra Stochastic Gradient Descent (SGD) e Muon assicura un addestramento più stabile e una convergenza più rapida; con optimizer=auto, Ultralytics seleziona MuSGD per gli addestramenti più lunghi.

Loss e assegnazione delle etichette#

YOLO26 integra ProgLoss + STAL (Progressive Loss e assegnazione delle etichette consapevole degli oggetti piccoli). Questa combinazione migliora il rilevamento degli oggetti piccoli e ravvicinati. Inoltre, YOLO26 introduce miglioramenti specifici per attività: loss di segmentazione semantica e un modulo proto multi-scala per la segmentazione delle istanze, Residual Log-Likelihood Estimation (RLE) per la stima della posa e una loss angolare specializzata per ridurre i problemi ai bordi nelle attività di rilevamento OBB.

Confronto delle prestazioni#

Il bilanciamento tra accuratezza (mAP), numero di parametri, complessità computazionale (FLOPs) e velocità determina la scelta dell'hardware. YOLO26 è progettato in particolare per l'inferenza su CPU: YOLO26n raggiunge un'inferenza su CPU fino al 43% più veloce di YOLO11n.

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
YOLO26n64040.938.91.72.45.5
YOLO26s64048.687.22.59.520.9
YOLO26m64053.1220.04.720.468.4
YOLO26l64055.0286.26.224.886.8
YOLO26x64057.5525.811.855.7194.4

YOLO26n guadagna 1,4 punti mAP rispetto a YOLO11n (40,9 contro 39,5), riducendo al contempo il tempo di inferenza su CPU da 56,1 ms a 38,9 ms con ONNX Runtime. YOLO26 è più accurato a ogni dimensione; alle scale m, l e x, YOLO11 resta più veloce su CPU, mentre la latenza di TensorRT su T4 è simile tra le due famiglie.

Esportazione per ottenere la massima velocità

Per ottenere le massime prestazioni, esporta questi modelli in TensorRT su hardware NVIDIA o in OpenVINO per CPU Intel. La testa opzionale senza NMS di YOLO26 (nms=False) semplifica ulteriormente la pipeline esportata.

Casi d'uso e applicazioni reali#

La scelta tra YOLO11 e YOLO26 dipende in gran parte dalla tua infrastruttura specifica e dagli obiettivi del progetto.

Edge computing e IoT#

Per applicazioni soggette a vincoli energetici e hardware, come il monitoraggio dell'agricoltura intelligente tramite droni o i sistemi di allarme di sicurezza locali, YOLO26 è la scelta più adatta. L'eliminazione della DFL e un'inferenza su CPU fino al 43% più veloce (YOLO26n rispetto a YOLO11n) consentono di eseguire modelli di visione complessi su dispositivi senza GPU dedicate, mantenendo frequenze dei fotogrammi elevate.

Cloud e scala aziendale#

YOLO11 resta una buona scelta per le distribuzioni aziendali esistenti che si basano su questo modello, ad esempio per l'analisi video nel cloud e le pipeline di elaborazione multimediale su larga scala già integrate con i suoi formati di output.

Rilevamento di oggetti di piccole dimensioni#

Se il tuo progetto richiede un'elevata accuratezza sugli oggetti piccoli, ad esempio per rilevare difetti su un circuito stampato o tracciare veicoli lontani nelle immagini aeree, l'implementazione ProgLoss + STAL in YOLO26 migliora richiamo e precisione in questi casi difficili.

Efficienza dell'addestramento e requisiti di memoria#

Un grande vantaggio del framework Ultralytics è l'ingombro ridotto in memoria durante l'addestramento. A differenza dei rilevatori basati su Transformer come RT-DETR, che possono consumare molta memoria CUDA, YOLO11 e YOLO26 sono ottimizzati per addestrarsi in modo efficiente su hardware consumer.

L'integrazione dell'ottimizzatore MuSGD in YOLO26 favorisce ulteriormente una convergenza più rapida, riducendo le ore di calcolo GPU complessive e i costi del cloud computing.

Ecco un semplice esempio di addestramento di YOLO26 con l'API Python:

from ultralytics import YOLO

# Inizializza il modello YOLO26 Nano
model = YOLO("yolo26n.pt")

# Addestra il modello sul dataset COCO8
# La selezione dell'ottimizzatore (MuSGD per le sessioni più lunghe) e la gestione della memoria sono automatiche
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)

# Esegui una rapida convalida per verificare le metriche mAP
metrics = model.val()

# Esporta il modello addestrato in ONNX per un'inferenza rapida su CPU
model.export(format="onnx")

Esplora architetture alternative#

YOLO26 è il punto di partenza consigliato, ma altri modelli nella documentazione Ultralytics potrebbero adattarsi a esigenze specifiche. Per chi deve usare ambienti legacy, le architetture precedenti come YOLOv5 offrono ancora prestazioni affidabili. Se ti servono funzionalità zero-shot e non puoi definire le classi in anticipo, YOLO-World offre il rilevamento con vocabolario aperto basato su prompt testuali.

Conclusione#

Il passaggio da YOLO11 a YOLO26 è più di un aggiornamento incrementale: cambia il modo in cui i modelli di rilevamento in tempo reale vengono eseguiti in produzione. Grazie all'inferenza opzionale senza NMS e alle ottimizzazioni pensate prima di tutto per l'edge, YOLO26 è la scelta consigliata per i nuovi progetti. Con il supporto della documentazione Ultralytics, l'aggiornamento a YOLO26 semplifica la distribuzione, stabilizza l'addestramento e aumenta l'accuratezza nelle attività di visione supportate.

Commenti

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