YOLO11 vs YOLOv6-3.0#

Il campo della visione artificiale evolve rapidamente e selezionare la giusta architettura del modello è una decisione fondamentale per chi lavora nell'apprendimento automatico. Due traguardi importanti nel rilevamento degli oggetti in tempo reale sono YOLO11 e YOLOv6-3.0. Entrambi estraggono informazioni utili dai dati visivi, ma sono stati sviluppati con obiettivi primari e filosofie di progettazione differenti.

Questa guida confronta le rispettive architetture, metriche prestazionali e situazioni di distribuzione ideali per aiutarti a prendere una decisione consapevole per il tuo prossimo progetto di IA.

Panoramica dei modelli#

Prima dei benchmark tecnici, è utile conoscere le origini e l'obiettivo principale di ciascun modello.

Ultralytics YOLO11#

Sviluppato nativamente nell'ecosistema Ultralytics, YOLO11 è stato progettato per offrire un'esperienza di sviluppo completa, dall'addestramento alla distribuzione. Non punta solo alla velocità pura, ma anche alla versatilità multi-task, alla semplicità d'uso e all'integrazione con le moderne pipeline di distribuzione.

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

Meituan YOLOv6-3.0#

YOLOv6-3.0 è stato progettato esplicitamente per applicazioni industriali in cui sono disponibili unità di elaborazione grafica (GPU) dedicate. È ottimizzato per la distribuzione con TensorRT e punta a massimizzare la produttività in ambienti controllati.

• Autori: Chuyi Li, Lulu Li, Yifei Geng, Hongliang Jiang, Meng Cheng, Bo Zhang, Zaidan Ke, Xiaoming Xu e Xiangxiang Chu
• Organizzazione: Meituan
• Data: 2023-01-13
• arXiv: 2301.05586
• GitHub: Repository Meituan YOLOv6
• Documentazione: Documentazione di YOLOv6

Scopri di più su YOLOv6

Differenze architetturali#

L'architettura sottostante determina il modo in cui un modello apprende e si adatta alle diverse dimensioni. Entrambi i framework introducono miglioramenti specifici alla formula classica di YOLO.

YOLO11 si basa su anni di ricerca per offrire un'architettura efficiente nell'uso dei parametri. Include un backbone perfezionato e una testa generalizzata che gestisce diverse attività di visione artificiale, come la segmentazione di istanze e la stima della posa, senza grandi modifiche strutturali. YOLO11 richiede anche poca memoria CUDA durante l'addestramento, distinguendosi dai modelli Transformer più grandi come RT-DETR.

Al contrario, YOLOv6-3.0 usa un modulo Bi-directional Concatenation (BiC) e una strategia Anchor-Aided Training (AAT). Questi meccanismi sono progettati per migliorare l'accuratezza della localizzazione. Il modello usa una testa disaccoppiata e una progettazione compatibile con la quantizzazione per l'inferenza INT8, rivelandosi un forte concorrente per le linee di produzione ad alta velocità che usano stack GPU consolidati.

Prestazioni e metriche#

Quando valuti i modelli, la precisione media media (mAP) e la velocità di inferenza sono le metriche principali. La tabella seguente confronta le prestazioni di YOLO11 con quelle di YOLOv6-3.0 a diverse scale. Le metriche con le prestazioni migliori sono evidenziate in grassetto.

YOLO11 raggiunge una mAP maggiore con meno parametri e FLOPs a ogni fascia comparabile; per esempio, YOLO11s raggiunge 47.0 mAP con 9.4M di parametri, contro 45.0 mAP con 18.5M per YOLOv6-3.0s. YOLOv6-3.0n è il modello più veloce su T4 TensorRT (1.17 ms), mentre YOLO11 è più veloce dalla scala s in su. Questa efficienza nell'uso dei parametri riduce il fabbisogno di memoria durante l'addestramento del modello e l'inferenza.

I vantaggi di Ultralytics#

Scegliere un modello non significa considerare solo le metriche grezze, ma l'intero ciclo di vita dell'apprendimento automatico. I modelli Ultralytics offrono diversi vantaggi a sviluppatori e ricercatori.

1. Facilità d'uso: l'API Python di Ultralytics ti consente di addestrare, convalidare ed esportare modelli con poche righe di codice. Non devi configurare manualmente alberi di dipendenze complessi.
2. Ecosistema ben mantenuto: Ultralytics offre un ecosistema unificato che riceve aggiornamenti frequenti. Con la piattaforma Ultralytics, gli sviluppatori possono annotare dataset in modo collaborativo, addestrare nel cloud e monitorare i modelli.
3. Versatilità: a differenza di YOLOv6-3.0, che è principalmente un rilevatore di bounding box, YOLO11 supporta anche la classificazione di immagini e le bounding box orientate (OBB), consentendoti di consolidare il tuo stack tecnologico.
4. Efficienza di addestramento: grazie alle ottimizzazioni moderne e al dimensionamento automatico dei batch, YOLO11 si addestra in modo efficiente su hardware di fascia consumer.

Esempio di codice: addestramento e inferenza#

Di seguito trovi un esempio eseguibile che addestra un modello, esegue inferenze ed esporta il modello usando il pacchetto Ultralytics.

from ultralytics import YOLO

# Carica un modello YOLO11 small preaddestrato
model = YOLO("yolo11s.pt")

# Addestra il modello in modo efficiente sul dataset COCO8
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

# Esegui l'inferenza su un'immagine dal web
prediction = model("https://ultralytics.com/images/bus.jpg")

# Esporta il modello nel formato ONNX per semplificarne il deployment
model.export(format="onnx")

Casi d'uso ideali#

Sapere in quali ambiti eccelle ciascun modello ti permette di scegliere lo strumento giusto per il lavoro.

Quando scegliere YOLOv6-3.0: Se mantieni un sistema industriale legacy progettato esplicitamente attorno a specifiche pipeline TensorRT 7.x/8.x e l'hardware è costituito interamente da GPU NVIDIA T4 o A100 dedicate per l'automazione della produzione ad alta velocità, YOLOv6 rimane un'opzione valida.

Quando scegliere YOLO11: Per la maggior parte delle applicazioni moderne, YOLO11 è la scelta migliore. Che tu stia sviluppando soluzioni per la produzione intelligente, distribuendo IA edge su dispositivi Raspberry Pi o eseguendo operazioni multi-task come il rilevamento e la segmentazione di immagini mediche, YOLO11 offre un ottimo equilibrio tra velocità, accuratezza e flessibilità di distribuzione.

Uno sguardo al futuro: YOLO26#

Ultralytics continua a sviluppare nuovi modelli dopo YOLO11. Rilasciata a gennaio 2026, la serie di modelli YOLO26 è la generazione più recente di Ultralytics YOLO e il modello consigliato per i nuovi progetti.

YOLO26 introduce diverse funzionalità progettate per le sfide della distribuzione moderna:

• Design end-to-end senza NMS: basandosi sull'addestramento senza NMS introdotto nei modelli YOLO da YOLOv10, YOLO26 offre una testa end-to-end opzionale (nms=False) che rimuove la fase di post-elaborazione della soppressione dei non massimi (NMS), consentendo pipeline di distribuzione più veloci e semplici.
• Rimozione di DFL: rimuovendo Distribution Focal Loss, YOLO26 semplifica la testa della rete e migliora la compatibilità con i dispositivi Internet delle cose (IoT) a basso consumo e con i dispositivi edge.
• Ottimizzatore MuSGD: ispirato ai metodi di addestramento dei modelli linguistici di grandi dimensioni (LLM), come Kimi K2 di Moonshot AI, YOLO26 usa un ottimizzatore ibrido Muon-SGD per un addestramento più stabile e una convergenza più rapida.
• Inferenza su CPU fino al 43% più veloce: per le applicazioni eseguite senza acceleratori GPU dedicati, YOLO26n è fino al 43% più veloce di YOLO11n su CPU.
• ProgLoss + STAL: Progressive Loss e Small-Target-Aware Label Assignment (STAL) migliorano il riconoscimento degli oggetti piccoli, fondamentale per le immagini riprese da droni e la sorveglianza aerea.
• Miglioramenti specifici per attività: YOLO26 include ottimizzazioni personalizzate per diverse attività, come un modulo proto multi-scala per la segmentazione e Residual Log-Likelihood Estimation (RLE) per la stima della posa.

Se oggi stai avviando un nuovo progetto di visione artificiale, addestrare un modello YOLO26 sulla piattaforma Ultralytics ti offre l'architettura Ultralytics attualmente disponibile più accurata ed efficiente.

Se ti interessa esplorare il rilevamento a vocabolario aperto, puoi consultare anche la nostra documentazione su YOLO-World.