YOLO26 vs PP-YOLOE+#

I modelli di rilevamento di oggetti in tempo reale si sono evoluti rapidamente e gli ingegneri che ne scelgono uno da distribuire devono confrontare velocità, accuratezza e strumenti. Questa pagina confronta Ultralytics YOLO26 e PP-YOLOE+ in termini di architettura, metodologie di addestramento, metriche di prestazione e scenari ideali di distribuzione nel mondo reale.

Origini e metadati dei modelli#

Comprendere il contesto di queste architetture di rilevamento degli oggetti aiuta a inquadrare le rispettive filosofie di progettazione e gli ambienti di destinazione.

Panoramica di YOLO26

Rilasciato a gennaio 2026, YOLO26 è il modello Ultralytics YOLO più recente ed è la scelta consigliata per i nuovi progetti. È progettato per la distribuzione di IA edge, con un ingombro ridotto, inferenza end-to-end opzionale e velocità elevate su CPU e GPU.

• Autori: Glenn Jocher e Jing Qiu
• Organizzazione: Ultralytics
• Data: 2026-01-14
• GitHub: Repository GitHub di Ultralytics
• Documentazione: Documentazione ufficiale di YOLO26

Panoramica di PP-YOLOE+

Sviluppato come evoluzione della serie PP-YOLO, PP-YOLOE+ è un rilevatore senza anchor ottimizzato per l'ecosistema PaddlePaddle. Si basa su un backbone CSPRepResNet e su una ET-head per migliorare le metriche standard di rilevamento.

• Autori: Autori di PaddlePaddle
• Organizzazione: Baidu
• Data: 2022-04-02
• arXiv: Articolo di ricerca su PP-YOLOE+
• GitHub: Repository PaddleDetection
• Documentazione: Documentazione di PP-YOLOE+

Scopri di più su PP-YOLOE+

Innovazioni architetturali#

Le differenze nel modo in cui questi modelli elaborano i dati visivi influiscono sui requisiti di memoria, sulla stabilità dell'addestramento e sulla latenza di inferenza.

YOLO26: rilevamento end-to-end nativo#

YOLO26 introduce diverse modifiche architetturali progettate per semplificare la distribuzione dei modelli:

• Design end-to-end senza NMS: sulla base dei concetti introdotti per la prima volta in YOLOv10, YOLO26 supporta l'inferenza nativa end-to-end che evita la post-elaborazione con soppressione dei massimi non locali (NMS) grazie alla head opzionale one-to-one (nms=False). Questo riduce la variabilità della latenza e semplifica le pipeline di distribuzione.
• Rimozione di DFL: eliminare la Distribution Focal Loss (DFL) semplifica la head di rilevamento e rende più semplice l'esportazione in formati come TensorRT e CoreML.
• Ottimizzatore MuSGD: ispirato a Kimi K2 di Moonshot AI, YOLO26 porta nella visione artificiale le innovazioni di addestramento degli LLM. L'ottimizzatore ibrido MuSGD (SGD + Muon) offre un addestramento più stabile e una convergenza più rapida.
• ProgLoss + STAL: Progressive Loss e Small-Target-Aware Label Assignment (STAL) migliorano il riconoscimento degli oggetti piccoli, rendendo l'architettura efficace per le immagini da drone e le applicazioni agricole.

PP-YOLOE+: un approccio incentrato su Paddle#

PP-YOLOE+ adotta un design senza anchor che punta a un'elevata accuratezza sull'hardware server standard. Il backbone CSPRepResNet migliora l'estrazione delle caratteristiche. Tuttavia, poiché si basa su operazioni specifiche dello stack di deep learning di Baidu, modificare la rete o esportarla per dispositivi edge con risorse limitate può essere più complesso rispetto all'uso dei framework Ultralytics.

Confronto delle prestazioni e delle metriche#

PP-YOLOE+ offre un'accuratezza competitiva, ma YOLO26 raggiunge una mAP superiore con una latenza TensorRT su T4 inferiore a tutte le dimensioni nella tabella seguente: per esempio, 57,5 contro 54,7 mAP e 11,8 contro 14,3 ms per i modelli x.

Le ottimizzazioni edge e la rimozione di DFL rendono YOLO26n fino al 43% più veloce su CPU rispetto a YOLO11n. Qui non sono riportate le velocità CPU ONNX di PP-YOLOE+, quindi esegui benchmark di entrambi i modelli sul tuo dispositivo di destinazione, come un Raspberry Pi o un'altra unità di calcolo edge.

I vantaggi dell’ecosistema Ultralytics#

PP-YOLOE+ è un modello valido, ma l'esperienza di sviluppo è notevolmente diversa. L'ecosistema integrato Ultralytics copre l'intero flusso di lavoro di chi lavora con l'IA per la visione.

1. Facilità d'uso: una semplice API Python astrae la complessità delle pipeline di dati e dei cicli di addestramento, con il supporto di una documentazione ampia e mantenuta attivamente.
2. Versatilità: a differenza di PP-YOLOE+, incentrato principalmente sul rilevamento di oggetti, YOLO26 supporta la segmentazione di istanze, la segmentazione semantica, la stima della profondità, la classificazione delle immagini, la stima della posa e i riquadri di delimitazione orientati (OBB) con la stessa API.
3. Efficienza di addestramento: i pesi preaddestrati vengono scaricati automaticamente e le trasformazioni integrate supportano un addestramento efficiente che in genere richiede meno memoria CUDA e meno tempo rispetto ai framework meno recenti.

Esempio di codice: semplicità in azione#

L'esempio seguente mostra come avviare un progetto con l'API Ultralytics:

from ultralytics import YOLO

# Carica un modello YOLO26 nano preaddestrato per prestazioni ottimali su edge
model = YOLO("yolo26n.pt")

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

# Esegui un'inferenza senza NMS su un'immagine di destinazione
inference_results = model.predict("https://ultralytics.com/images/bus.jpg", nms=False)

# Esporta in formato ONNX per la distribuzione
model.export(format="onnx")

Applicazioni ideali nel mondo reale#

La scelta tra YOLO26 e PP-YOLOE+ dipende in larga misura dai vincoli dell'ambiente di produzione.

Quando distribuire PP-YOLOE+:

• Integrazione con l'ecosistema Baidu: progetti basati sull'infrastruttura PaddlePaddle o ambienti che adottano come standard lo stack software di Baidu.
• Elaborazione batch lato server: Scenari eseguiti su hardware di livello enterprise, in cui le variazioni della latenza causate da NMS sono meno problematiche.

Quando distribuire YOLO26:

• Dispositivi edge e IoT: La maggiore velocità di YOLO26 su CPU lo rende particolarmente adatto a telecamere intelligenti, droni e robotica a basso consumo.
• Distribuzioni in cui il tempo è fondamentale: la modalità di inferenza opzionale senza NMS (nms=False) offre un'inferenza stabile e a bassa latenza, importante per la ricerca sulla guida autonoma e il controllo qualità ad alta velocità nella produzione.
• Progetti multitasking: quando un progetto combina il rilevamento di oggetti con maschere di segmentazione o punti chiave della stima della posa, il framework unificato YOLO26 gestisce tutti questi compiti.

Casi d'uso e consigli#

La scelta tra YOLO26 e PP-YOLOE+ dipende dai requisiti specifici del progetto, dai vincoli di distribuzione e dalle preferenze relative all'ecosistema.

Quando scegliere YOLO26#

YOLO26 è un'ottima scelta per:

• 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 difficili come le immagini aeree riprese da droni o l'analisi dei sensori IoT, in cui ProgLoss e STAL migliorano l'accuratezza sugli oggetti piccoli.

Quando scegliere PP-YOLOE+#

PP-YOLOE+ è consigliato per:

• Integrazione con l'ecosistema PaddlePaddle: Organizzazioni che dispongono già di un'infrastruttura basata sul framework e sugli strumenti PaddlePaddle di Baidu.
• Distribuzione edge con Paddle Lite: Distribuzione su hardware con kernel di inferenza altamente ottimizzati specificamente per Paddle Lite o per il motore di inferenza Paddle.
• Rilevamento lato server ad alta accuratezza: Scenari che privilegiano la massima accuratezza di rilevamento su potenti server GPU, dove la dipendenza dal framework non è un problema.

Esplorare altre architetture#

Per una panoramica più ampia, considera YOLO11, la generazione precedente dei modelli Ultralytics, ancora ampiamente utilizzata in produzione. Per il rilevamento basato su Transformer, RT-DETR è un'alternativa, anche se richiede più memoria durante l'addestramento.

Con l'ottimizzatore MuSGD, ProgLoss + STAL e l'inferenza opzionale senza NMS, YOLO26 è la scelta consigliata per soluzioni di IA per la visione efficienti e scalabili.