Link to this sectionYOLO11 contro YOLOv5: un confronto tecnico completo delle architetture Ultralytics#

La scelta della giusta architettura di rete neurale è una decisione fondamentale per qualsiasi iniziativa di computer vision. Man mano che il panorama dell'intelligenza artificiale si evolve, si evolvono anche gli strumenti a disposizione di sviluppatori e ricercatori. Questa guida completa fornisce un approfondito confronto tecnico tra due modelli di riferimento dell'ecosistema Ultralytics: il celebre 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 architettoniche, le metriche di performance e i casi d'uso ideali per questi modelli ti assicurerà di compiere una scelta basata sui dati per i tuoi specifici vincoli di distribuzione.

Link to this sectionLineage 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.

Link to this sectionDettagli YOLO11#

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

Scopri di più su YOLO11

Link to this sectionDettagli YOLOv5#

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

Scopri di più su YOLOv5

Link to this sectionDifferenze 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 neck PANet (Path Aggregation Network). Si basava su un rilevamento basato su anchor, che richiedeva anchor boxes predefinite per prevedere i confini degli oggetti. Sebbene molto efficace, regolare queste anchor per dataset di computer vision personalizzati poteva risultare complicato.

Al contrario, YOLO11 passa a un paradigma di rilevamento più moderno, senza anchor. Ciò elimina la necessità di una regolazione manuale delle anchor box, semplificando il processo di addestramento e migliorando la generalizzazione su diversi dataset come il dataset COCO. Inoltre, YOLO11 presenta una head disaccoppiata, il che significa che i compiti di classificazione e regressione delle bounding box vengono elaborati in rami separati. Questa separazione migliora significativamente la velocità di convergenza e la mean Average Precision (mAP), specialmente per scenari complessi di rilevamento oggetti.

Link to this sectionMetriche 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.

Link to this sectionMetodologie 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.

YOLOv5 faceva storicamente affidamento su robusti script da 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 delle soluzioni alternative.

YOLO11 ha rivoluzionato questo aspetto introducendo il pacchetto Python ultralytics ottimizzato. Questa API unificata gestisce tutto, dall'addestramento all'esportazione dei modelli in formati come ONNX, OpenVINO e TensorRT in modo nativo.

Link to this sectionConfronto 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

Link to this sectionCasi d'uso ideali e applicazioni nel mondo reale#

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

Link to this sectionQuando 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.

Link to this sectionQuando 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 detector (con aggiunte di segmentazione successive), YOLO11 supporta nativamente l'instance segmentation, l'image classification, la pose estimation e il rilevamento Oriented Bounding Box (OBB) fin da subito.
• Analisi video ad alta densità: Ideale per sistemi di traffico intelligenti o gestione dell'inventario al dettaglio, dove estrarre la massima precisione da scene complesse è fondamentale.

Link to this sectionGuardando al futuro: l'architettura YOLO26#

Sebbene YOLO11 rappresenti uno standard eccezionale, la frontiera della computer vision continua ad avanzare rapidamente. Gli sviluppatori che cercano il massimo 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 senza NMS: YOLO26 è nativamente end-to-end, eliminando la post-elaborazione Non-Maximum Suppression (NMS) per una distribuzione più veloce 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.
• Inferenza su CPU fino al 43% più veloce: Fortemente ottimizzato per implementazioni IoT e dispositivi senza 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

Link to this sectionRiepilogo#

Scegliere tra YOLO11 e YOLOv5 dipende in definitiva dalla fase del ciclo di vita del tuo progetto. L'eredità di YOLOv5 è innegabile, offrendo una stabilità estrema e un enorme supporto della community. Tuttavia, per qualsiasi nuovo progetto, YOLO11 è altamente raccomandato rispetto alle vecchie generazioni. Combina una precisione all'avanguardia, un'API Python eccezionalmente elegante e un minor sovraccarico di memoria durante l'addestramento, cementando la posizione di Ultralytics all'avanguardia nell'innovazione AI. Per coloro che spingono ancora oltre i confini, esplorare lo stato dell'arte di YOLO26 sulla piattaforma Ultralytics porterà risultati senza pari.