YOLO11 vs YOLOX#

Negli ultimi anni, i modelli di rilevamento degli oggetti in tempo reale hanno compiuto rapidi progressi. Quando scelgono un’architettura per la produzione o la ricerca accademica, gli sviluppatori spesso valutano i traguardi consolidati rispetto ai progetti più recenti. Questo confronto analizza le differenze tra Ultralytics YOLO11 e YOLOX di Megvii, incluse le architetture, le metriche prestazionali e gli scenari di distribuzione ideali.

Panoramica dell'architettura#

Al momento del rilascio, entrambi i modelli hanno fatto progredire il rilevamento degli oggetti, ma derivano da filosofie progettuali diverse e puntano a offrire esperienze diverse agli sviluppatori.

YOLO11: il versatile motore multi-task#

Rilasciato a settembre 2024 da Glenn Jocher e Jing Qiu di Ultralytics, YOLO11 è progettato come framework unificato che bilancia elevata accuratezza ed efficienza.

• 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 va oltre i normali riquadri di delimitazione e supporta anche la segmentazione delle istanze, la classificazione delle immagini, la stima della posa e il rilevamento di riquadri di delimitazione orientati (OBB). La sua architettura perfezionata migliora l’estrazione e la conservazione delle caratteristiche in gerarchie spaziali complesse.

YOLOX: il pioniere senza anchor#

Sviluppato dai ricercatori di Megvii, YOLOX ha attirato molta attenzione nel 2021, colmando il divario tra ricerca e applicazioni industriali con un approccio interamente senza ancoraggi.

• Autori: Zheng Ge, Songtao Liu, Feng Wang, Zeming Li e Jian Sun
• Organizzazione: Megvii
• Data: 2021-07-18
• arXiv: https://arxiv.org/abs/2107.08430
• GitHub: https://github.com/Megvii-BaseDetection/YOLOX
• Documentazione: https://github.com/Megvii-BaseDetection/YOLOX/tree/main/docs

YOLOX ha introdotto una testa disaccoppiata e un paradigma senza ancoraggi, riducendo il numero di parametri di progettazione e migliorando le prestazioni sui benchmark accademici dell’epoca.

Scopri di più su YOLOX

Prestazioni e metriche#

Quando si valutano modelli di rilevamento, esaminare l’equilibrio tra parametri, costo computazionale (FLOPs) e mean Average Precision (mAP) è essenziale per la distribuzione dei modelli nel mondo reale.

YOLO11x supera YOLOXx in accuratezza (54,7 mAP contro 51,1 mAP), pur richiedendo circa la metà dei parametri (56,9M contro 99,1M) e risultando più veloce su TensorRT con T4 (11,3 ms contro 16,1 ms). Questa efficienza riduce i requisiti di memoria durante l’addestramento e l’inferenza, un chiaro vantaggio negli ambienti di produzione.

Ecosistema ed esperienza di sviluppo#

I vantaggi di Ultralytics#

Una delle maggiori differenze tra YOLO11 e YOLOX riguarda la facilità d’uso. YOLOX è principalmente un codebase di ricerca e richiede configurazioni complesse dell’ambiente, la compilazione di operatori C++ e argomenti da riga di comando verbosi per avviare l’addestramento su dataset personalizzati.

YOLO11 è completamente integrato nel pacchetto Python Ultralytics e offre un flusso di lavoro semplificato, dall’installazione alla distribuzione. Ultralytics Platform mette a disposizione strumenti per l’annotazione dei dati, il tracciamento degli esperimenti e l’addestramento sul cloud, eliminando il codice boilerplate affinché gli ingegneri possano concentrarsi sulle prestazioni del modello.

from ultralytics import YOLO

# Carica un modello YOLO11 preaddestrato
model = YOLO("yolo11n.pt")

# Addestra il modello con l'API Ultralytics
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Esporta in ONNX
model.export(format="onnx")

Inoltre, per esportare un modello Ultralytics in formati come TensorRT, CoreML o OpenVINO basta un solo comando, mentre i repository più datati richiedono spesso strumenti di terze parti complessi o modifiche manuali al grafo.

Casi d’uso nel mondo reale#

Quando prendere in considerazione YOLOX#

YOLOX resta un’opzione valida per distribuzioni specializzate o legacy in cui gli sviluppatori hanno già creato pipeline di inferenza C++ personalizzate basate sugli output tensoriali della sua testa disaccoppiata. Anche i ricercatori che conducono studi comparativi sulle architetture del 2021 possono ancora usare YOLOX come baseline.

Dove YOLO11 dà il meglio#

Per la maggior parte degli scenari di produzione moderni, YOLO11 offre un’esperienza migliore:

• Città intelligenti e vendita al dettaglio: grazie al suo ottimo rapporto tra velocità e accuratezza, YOLO11 gestisce bene le scene affollate e alimenta l’analisi automatizzata per il commercio al dettaglio e i sistemi di gestione del traffico senza richiedere grandi cluster GPU.
• Edge computing: l’efficienza della memoria e l’ampia scelta di opzioni di esportazione rendono YOLO11 adatto alle distribuzioni di IA edge su dispositivi come Raspberry Pi e piattaforme NVIDIA Jetson.
• Pipeline complesse: se un progetto richiede di combinare il rilevamento degli oggetti con i keypoint della posa (ad es. analisi sportiva) o la segmentazione precisa delle istanze (ad es. imaging medico), YOLO11 gestisce nativamente tutte le attività tramite un’unica API unificata.

Casi d'uso e consigli#

La scelta tra YOLO11 e YOLOX dipende dai requisiti specifici del progetto, dai vincoli di implementazione e dalle preferenze relative all'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 all’interno di un unico framework unificato.
• Prototipazione e deployment rapidi: team che devono passare rapidamente dalla raccolta dei dati alla produzione usando la API Python di Ultralytics, semplice e intuitiva.

Quando scegliere YOLOX#

YOLOX è consigliato per:

• Ricerca sul rilevamento senza anchor: Ricerca accademica che usa l'architettura pulita e senza anchor di YOLOX come riferimento per sperimentare nuove head di rilevamento o funzioni di perdita.
• Dispositivi edge ultraleggeri: distribuzione su hardware mobile molto limitato o legacy, dove le dimensioni ridotte della variante YOLOX-Nano (0,91M parametri) sono fondamentali.
• Studi sull'assegnazione delle etichette SimOTA: Progetti di ricerca che analizzano le strategie di assegnazione delle etichette basate sul trasporto ottimale e il loro impatto sulla convergenza dell'addestramento.

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.

Uno sguardo al futuro: la potenza di YOLO26#

YOLO11 resta un’ottima scelta, ma YOLO26 (rilasciato a gennaio 2026) è il modello consigliato per i nuovi progetti di computer vision che richiedono la massima efficienza e stabilità di addestramento.

YOLO26 implementa una testa end-to-end senza NMS opzionale (nms=False). Eliminando la fase di post-elaborazione della soppressione dei non massimi (NMS), riduce la variabilità della latenza e semplifica la logica di distribuzione: un concetto introdotto nei modelli YOLO da YOLOv10.

YOLO26 include anche la rimozione di DFL (Distribution Focal Loss), che aiuta YOLO26n a raggiungere un’inferenza su CPU fino al 43% più veloce rispetto a YOLO11n, rendendolo adatto ai dispositivi edge e a basso consumo. L’ottimizzatore MuSGD, un ibrido di SGD e Muon ispirato all’addestramento dei modelli linguistici di grandi dimensioni (LLM), migliora la stabilità dell’addestramento e accelera la convergenza. Insieme a ProgLoss + STAL (Progressive Loss e assegnazione di etichette consapevole dei piccoli oggetti), YOLO26 eccelle nel rilevamento di oggetti piccoli in contesti difficili, come le immagini riprese dai droni e i sensori edge IoT.

In conclusione, YOLOX ha introdotto importanti concetti architetturali nel 2021, ma oggi gli strumenti, l’efficienza della memoria e l’accuratezza di YOLO11, e soprattutto del più recente YOLO26, rendono l’ecosistema Ultralytics la scelta migliore per ricercatori e sviluppatori aziendali.