YOLO11 vs YOLOv5#

La scelta dell'architettura di rete neurale giusta è una decisione fondamentale per qualsiasi iniziativa di computer vision. Con l'evolversi del panorama dell'intelligenza artificiale, si evolvono anche gli strumenti a disposizione di sviluppatori e ricercatori. Questa guida completa offre un confronto tecnico approfondito tra due modelli storici dell'ecosistema Ultralytics: il celeberrimo YOLOv5 e l'avanzato YOLO11.

Che tu stia distribuendo modelli leggeri per applicazioni di edge AI o elaborando flussi video ad alta risoluzione su GPU cloud, comprendere le sfumature architetturali, le metriche di prestazione e i casi d'uso ideali per questi modelli ti garantirà di fare una scelta basata sui dati per i tuoi specifici vincoli di distribuzione.

Lineage del modello e dettagli tecnici#

Entrambi i modelli riflettono l'impegno di Ultralytics verso la collaborazione open-source, performance robuste e una facilità d'uso senza pari, che li rende molto apprezzati dalla community globale del machine learning.

Dettagli YOLO11#

• Autori: Glenn Jocher e Jing Qiu
• Organizzazione: Ultralytics
• Data: 27-09-2024
• GitHub: ultralytics/ultralytics
• Docs: Documentazione di YOLO11

Scopri di più su YOLO11

Dettagli YOLOv5#

• Autori: Glenn Jocher
• Organizzazione: Ultralytics
• Data: 26-06-2020
• GitHub: ultralytics/yolov5
• Documentazione: YOLOv5 Documentation

Scopri di più su YOLOv5

Differenze architettoniche#

L'evoluzione da YOLOv5 a YOLO11 introduce diversi profondi cambiamenti architettonici progettati per ottimizzare la precisione e l'efficienza dei parametri.

YOLOv5 è stato un pioniere nell'ecosistema PyTorch, introducendo un backbone CSPNet (Cross Stage Partial Network) altamente ottimizzato e un collo PANet (Path Aggregation Network). Si affidava al rilevamento basato su anchor, che richiedeva anchor box predefinite per prevedere i confini degli oggetti. Sebbene molto efficace, la regolazione di questi anchor per dataset di computer vision personalizzati poteva risultare macchinosa.

Al contrario, YOLO11 passa a un paradigma di rilevamento più moderno e senza anchor (anchor-free). Ciò elimina la necessità di regolare manualmente le anchor box, semplificando il processo di addestramento e migliorando la generalizzazione su diversi dataset come il dataset COCO. Inoltre, YOLO11 è dotato di una testa disaccoppiata (decoupled head), il che significa che le attività di classificazione e di regressione dei bounding box vengono elaborate in rami separati. Questa separazione migliora significativamente la velocità di convergenza e la mean Average Precision (mAP), in particolare per scenari complessi di object detection.

Metriche di performance e benchmark#

La tabella seguente mette a confronto le metriche chiave tra diverse dimensioni del modello. I modelli Ultralytics sono rinomati per i loro requisiti di memoria, consumando solitamente meno memoria CUDA durante l'addestramento rispetto alle pesanti alternative basate su transformer, il che riduce drasticamente la barriera hardware all'ingresso.

Come osservato, YOLO11 raggiunge un equilibrio di performance altamente favorevole, offrendo costantemente punteggi mAP più alti a parità di numero di parametri rispetto alle controparti YOLOv5.

Metodologie di addestramento e usabilità#

Un principio fondamentale della filosofia Ultralytics è l'eccezionale facilità d'uso, supportata da un ecosistema ben mantenuto e un ampio supporto della community.

Storicamente YOLOv5 si affidava a robusti script dell'interfaccia a riga di comando (CLI) (train.py, detect.py) per l'esecuzione. Sebbene potenti, l'integrazione di questi script direttamente in applicazioni Python personalizzate richiedeva spesso dei workaround.

YOLO11 ha rivoluzionato questo aspetto introducendo il pacchetto Python snello ultralytics. Questa API unificata gestisce nativamente qualsiasi cosa, dall'addestramento all'esportazione di modelli in formati come ONNX, OpenVINO e TensorRT.

Confronto del codice#

Addestrare un modello Ultralytics oggi è incredibilmente efficiente. Ecco come puoi addestrare YOLO11 usando la sua API Python nativa:

from ultralytics import YOLO

# Load a pretrained YOLO11 small model
model = YOLO("yolo11s.pt")

# Train the model on custom data
results = model.train(data="coco8.yaml", epochs=50, imgsz=640, device=0)

# Export the model to ONNX for deployment
model.export(format="onnx")

Per i sistemi legacy che utilizzano YOLOv5, l'addestramento tramite CLI appare così:

# Clone the repository and run the training script
git clone https://github.com/ultralytics/yolov5
cd yolov5
pip install -r requirements.txt

python train.py --img 640 --batch 16 --epochs 50 --data coco128.yaml --weights yolov5s.pt

Casi d'uso ideali e applicazioni nel mondo reale#

Entrambi i modelli possiedono punti di forza distinti, su misura per diversi ambienti operativi.

Quando utilizzare YOLOv5#

Nonostante la nuova generazione, YOLOv5 rimane una potenza. È altamente raccomandato per:

• Integrazione con sistemi legacy: Ambienti profondamente integrati con le specifiche strutture tensoriali o le pipeline di distribuzione di YOLOv5, che non possono essere facilmente rifattorizzate.
• Baseline Accademiche: Ricercatori che necessitano di baseline consolidate e di lunga data per studi accademici riproducibili nell'analisi di immagini mediche.

Quando utilizzare YOLO11#

YOLO11 rappresenta la scelta ideale per le moderne pipeline di produzione grazie alla sua incredibile versatilità:

• Ambienti Multi-Task: A differenza di YOLOv5, che è principalmente un rilevatore (con successive aggiunte per la segmentazione), YOLO11 supporta nativamente l'instance segmentation, l'image classification, la pose estimation e il rilevamento Oriented Bounding Box (OBB) fin dal primo utilizzo.
• Analisi video ad alta densità: Ideale per sistemi di traffico intelligenti o gestione dell'inventario al dettaglio dove l'estrazione della massima precisione da scene complesse è fondamentale.

Guardando al futuro: l'architettura YOLO26#

Sebbene YOLO11 rappresenti uno standard eccezionale, la frontiera della computer vision continua ad avanzare rapidamente. Gli sviluppatori che cercano l'assoluto apice dell'efficienza dovrebbero considerare anche l'ultimo Ultralytics YOLO26 (rilasciato a gennaio 2026).

YOLO26 rappresenta un enorme passo avanti, esplicitamente progettato sia per l'ottimizzazione edge che per la scala enterprise. Le innovazioni chiave includono:

• Design End-to-End NMS-Free: YOLO26 è nativamente end-to-end, eliminando il post-processing di Non-Maximum Suppression (NMS) per una distribuzione più rapida e semplice.
• Rimozione DFL: La Distribution Focal Loss è stata rimossa per un'esportazione semplificata del modello e una migliore compatibilità con dispositivi a basso consumo.
• Ottimizzatore MuSGD: Un rivoluzionario ibrido tra SGD e Muon, che porta la stabilità dell'addestramento LLM alla computer vision per una convergenza più rapida.
• Inference CPU fino al 43% più veloce: Fortemente ottimizzato per distribuzioni IoT e dispositivi privi di GPU dedicate.
• ProgLoss + STAL: Funzioni di perdita drasticamente migliorate che producono notevoli miglioramenti nel riconoscimento di piccoli oggetti, fondamentale per le immagini da droni aerei.

Scopri di più su YOLO26

Riepilogo#

La scelta tra YOLO11 e YOLOv5 dipende in ultima analisi dalla fase del ciclo di vita del tuo progetto. L'eredità di YOLOv5 è innegabile, offrendo estrema stabilità e un enorme supporto da parte della community. Tuttavia, per qualsiasi nuovo progetto, YOLO11 è altamente raccomandato rispetto alle generazioni precedenti. Combina precisione all'avanguardia, un'API Python eccezionalmente elegante e un minore overhead di memoria per l'addestramento, cementando la posizione di Ultralytics in prima linea nell'innovazione dell'IA. Per coloro che spingono i confini ancora oltre, esplorare l'all'avanguardia YOLO26 sulla Piattaforma Ultralytics produrrà risultati ineguagliabili.