YOLO11 vs YOLOv10
Le architetture di visione artificiale in tempo reale continuano a migliorare, sia sui dispositivi edge sia nell'infrastruttura cloud. Questa analisi tecnica confronta due modelli influenti: Ultralytics YOLO11 e YOLOv10. Entrambi hanno fatto progredire il rilevamento degli oggetti nel 2024, ma adottano approcci architetturali diversi per ottenere le proprie prestazioni.
Analisi dell'architettura YOLO11#
Dettagli di YOLO11:
- Autori: Glenn Jocher e Jing Qiu
- Organizzazione: Ultralytics
- Data: 2024-09-27
- GitHub: https://github.com/ultralytics/ultralytics
- Documentazione: https://docs.ultralytics.com/models/yolo11
YOLO11 si basa su anni di ricerca nella visione artificiale e nell'IA. Il suo design punta sulla ricchezza delle caratteristiche e sulla versatilità in diverse attività di visione artificiale.
Uno dei miglioramenti più rilevanti di YOLO11 è l'implementazione del blocco C3k2. Questo modulo bottleneck perfezionato migliora il flusso del gradiente nella rete e l'efficienza dei parametri, mantenendo un'elevata accuratezza. Inoltre, YOLO11 usa un meccanismo di attenzione spaziale potenziato, che aiuta a individuare elementi piccoli o parzialmente occlusi. Per questo è una buona scelta per i casi d'uso con immagini aeree e l'analisi dettagliata di immagini mediche.
YOLO11 usa un design privo di anchor che riduce la regolazione degli iperparametri e si generalizza bene su un'ampia gamma di dataset personalizzati. Anche i requisiti di memoria durante l'addestramento sono inferiori a quelli delle architetture basate su Transformer, consentendo ai ricercatori di addestrare modelli grandi in modo efficiente su hardware consumer standard.
Esplorazione dell'architettura YOLOv10#
Dettagli su YOLOv10:
- Autori: Ao Wang, Hui Chen, Lihao Liu, et al.
- Organizzazione: Tsinghua University
- Data: 2024-05-23
- arXiv: https://arxiv.org/abs/2405.14458
- GitHub: https://github.com/THU-MIG/yolov10
- Documentazione: https://docs.ultralytics.com/models/yolov10
Sviluppato da ricercatori della Tsinghua University, YOLOv10 è stato il primo modello end-to-end della famiglia YOLO. La sua caratteristica distintiva è l'addestramento senza NMS: usando assegnazioni duali coerenti durante l'addestramento, il modello impara a prevedere un riquadro delimitatore per ogni oggetto in fase di inferenza. In questo modo si elimina la necessità della soppressione dei non massimi (NMS) durante l'inferenza, una fase di post-elaborazione che storicamente ha introdotto colli di bottiglia nella latenza delle pipeline di distribuzione.
L'architettura introduce anche una strategia olistica per bilanciare efficienza e accuratezza. Integra un sottocampionamento che separa le dimensioni spaziale e dei canali e design dei blocchi guidati dal rango, che riducono selettivamente la ridondanza nei diversi stadi della rete. Ne risultano meno FLOPs e un minore carico computazionale, senza sacrificare in modo significativo la precisione media (mAP). Nelle applicazioni in tempo reale in cui ogni millisecondo conta, l'eliminazione di NMS fornisce un grafo di inferenza deterministico, particolarmente adatto ai dispositivi edge AI.
Metriche di prestazione e benchmark#
Questo confronto bilancia accuratezza, numero di parametri e velocità. La tabella seguente mostra il confronto tra le diverse scale sul dataset COCO.
| Modello | dimensione (pixel) | mAPval50-95 | Velocità CPU ONNX (ms) | Velocità T4 TensorRT10 (ms) | parametri (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLO11n | 640 | 39.5 | 56.1 | 1.5 | 2.6 | 6.5 |
| YOLO11s | 640 | 47.0 | 90.0 | 2.5 | 9.4 | 21.6 |
| YOLO11m | 640 | 51.5 | 183.2 | 4.7 | 20.1 | 68.1 |
| YOLO11l | 640 | 53.4 | 238.6 | 6.2 | 25.3 | 87.2 |
| YOLO11x | 640 | 54.7 | 462.8 | 11.3 | 56.9 | 195.3 |
| YOLOv10n | 640 | 38.5 | - | 1.84 | 2.3 | 6.7 |
| YOLOv10s | 640 | 46.3 | - | 2.49 | 7.2 | 21.6 |
| YOLOv10m | 640 | 51.1 | - | 4.74 | 15.4 | 59.1 |
| YOLOv10b | 640 | 52.5 | - | 5.74 | 19.1 | 92.0 |
| YOLOv10l | 640 | 53.2 | - | 7.28 | 24.4 | 120.3 |
| YOLOv10x | 640 | 54.4 | - | 10.70 | 29.5 | 160.4 |
YOLO11 ottiene una mAP leggermente superiore a ogni scala comparabile (ad esempio, 39,5 contro 38,5 per i modelli nano e 54,7 contro 54,4 per i modelli x), mentre YOLOv10 usa meno parametri alle scale maggiori (29,5 M contro 56,9 M per i modelli x). La latenza di TensorRT su T4 è simile per le due famiglie.
Per preparare i modelli alla distribuzione, è importante esportarli in formati ottimizzati. Con il framework Ultralytics, sia YOLO11 sia YOLOv10 possono essere esportati in formati come ONNX e TensorRT. Consulta la guida sulle opzioni di distribuzione dei modelli per le istruzioni dettagliate.
I vantaggi dell’ecosistema Ultralytics#
Le metriche di prestazione isolate sono importanti, ma il framework circostante determina il successo concreto di un progetto di machine learning. È qui che YOLO11, parte integrante dell'ecosistema Ultralytics, si distingue.
La Ultralytics Platform offre un'esperienza utente snella. Grazie a una semplice e unificata API Python, gli sviluppatori possono gestire attività che vanno oltre i riquadri delimitatori di base. YOLO11 supporta nativamente la segmentazione delle istanze, la classificazione delle immagini, la stima della posa e il rilevamento con riquadri delimitatori orientati (OBB), mentre YOLOv10 si concentra sul rilevamento. Questa versatilità spesso manca nei repository di ricerca specializzati.
Inoltre, l'ecosistema è supportato da un'ampia documentazione e da una community attiva. Le integrazioni con strumenti come Weights & Biases per il monitoraggio degli esperimenti e OpenVINO per l'ottimizzazione dell'hardware Intel sono integrate direttamente nella libreria. Per addestrare un modello serve pochissimo codice boilerplate e si usa meno memoria CUDA rispetto a modelli Transformer più pesanti come RT-DETR.
Esempio pratico di codice#
Con Ultralytics bastano poche righe di codice per addestrare ed eseguire l'inferenza; la stessa API gestisce sia YOLO11 sia YOLOv10.
from ultralytics import YOLO
# Inizializza il modello (YOLO11n o YOLOv10n)
model = YOLO("yolo11n.pt")
# Addestra il modello in modo efficiente su un dataset personalizzato
# Ultralytics gestisce automaticamente gli iperparametri e l'ottimizzazione della memoria
results = model.train(data="coco8.yaml", epochs=50, imgsz=640, device=0)
# Esegui l'inferenza su un'immagine
inference_results = model("https://ultralytics.com/images/bus.jpg")
# Mostra gli oggetti rilevati
inference_results[0].show()Casi d'uso e consigli#
La scelta tra YOLO11 e YOLOv10 dipende dai requisiti specifici del tuo progetto, dai vincoli di distribuzione e dalle preferenze in fatto di ecosistema.
Quando scegliere YOLO11#
YOLO11 è un'ottima scelta 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, classificazione, stima della posa e OBB in un unico framework unificato.
- Prototipazione e distribuzione rapide: team che devono passare rapidamente dalla raccolta dei dati alla produzione usando l'API Python Ultralytics.
Quando scegliere YOLOv10#
YOLOv10 è consigliato per:
- Rilevamento in tempo reale senza NMS: applicazioni che traggono vantaggio dal rilevamento end-to-end senza soppressione non massima, riducendo la complessità della distribuzione.
- Compromesso equilibrato tra velocità e precisione: progetti che richiedono un buon equilibrio tra velocità di inferenza e precisione di rilevamento con modelli di diverse dimensioni.
- Applicazioni con latenza costante: scenari di distribuzione in cui i tempi di inferenza prevedibili sono fondamentali, ad esempio nella robotica o nei sistemi autonomi.
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 senza GPU: Dispositivi privi di accelerazione GPU dedicata, sui quali l’inferenza CPU di YOLO26n, fino al 43% più veloce di YOLO11n, offre un vantaggio decisivo.
- Rilevamento di oggetti piccoli: Scenari complessi come le immagini aeree riprese da droni o l’analisi dei sensori IoT, in cui ProgLoss e STAL migliorano la precisione sugli oggetti piccoli.
La nuova generazione: YOLO26#
YOLOv10 ha introdotto il rilevamento YOLO senza NMS e YOLO11 ne ha perfezionato la versatilità multi-task. Per gli sviluppatori che oggi avviano nuove distribuzioni in produzione, consigliamo Ultralytics YOLO26.
Rilasciato a gennaio 2026, YOLO26 combina i punti di forza di entrambi. Offre il design end-to-end senza NMS di YOLOv10 come testa one-to-one opzionale (nms=False), semplificando la pipeline di distribuzione e mantenendo costante la latenza. YOLO26 aggiunge anche ottimizzazioni per l'edge: la rimozione della DFL (rimozione della perdita focale di distribuzione) semplifica l'esportazione e YOLO26n è fino al 43% più veloce su CPU di YOLO11n, rendendo YOLO26 un'ottima scelta per dispositivi IoT a basso consumo e applicazioni mobili.
YOLO26 porta nella visione artificiale la stabilità di addestramento dei modelli linguistici di grandi dimensioni (LLM) con l'ottimizzatore MuSGD, un ibrido tra SGD e Muon. Insieme a ProgLoss + STAL (Progressive Loss e assegnazione delle etichette consapevole degli oggetti piccoli), YOLO26 migliora la precisione sugli oggetti piccoli, un aspetto essenziale per il rilevamento nei video del traffico e l'automazione robotica complessa.
Conclusione#
La scelta del modello di visione giusto dipende dai tuoi vincoli operativi specifici. YOLOv10 è un'importante pietra miliare della ricerca, perché dimostra che è possibile rimuovere NMS dalla pipeline di rilevamento YOLO. Per un equilibrio migliore tra prestazioni, versatilità delle attività e strumenti di distribuzione, YOLO11 offre una soluzione affidabile e pronta per l'uso aziendale.
Per gli ingegneri che vogliono combinare l'inferenza end-to-end opzionale con prestazioni edge elevate, la migrazione a YOLO26 è la strada consigliata. La Ultralytics Platform mantiene i progetti su una base efficiente e ben mantenuta.
Commenti
Fai una domanda, condividi i tuoi risultati o aiuta qualcun altro.