YOLO26 vs YOLO11#

Quando sviluppi sistemi di computer vision all'avanguardia, scegliere il modello giusto è fondamentale per bilanciare accuratezza, latenza ed efficienza delle risorse. Nel panorama in rapida evoluzione dell'intelligenza artificiale, Ultralytics continua a superare i confini del possibile. Questo confronto tecnico dettagliato analizza il passaggio dal grande successo di YOLO11 al nuovo e rivoluzionario YOLO26, offrendo a ingegneri e ricercatori del settore AI gli elementi necessari per prendere decisioni architetturali consapevoli.

Genealogia e metadati dei modelli#

Entrambi i modelli sono stati sviluppati da Ultralytics, ma rappresentano paradigmi diversi nell'evoluzione dei modelli di object detection e di computer vision multi-task.

Dettagli di YOLO26:

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

Dettagli di YOLO11:

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

Differenze e innovazioni architetturali#

Il salto da YOLO11 a YOLO26 comporta cambiamenti fondamentali sia nell'architettura del modello sia nel regime di addestramento sottostante. Mentre YOLO11 ha definito una solida base per l'object detection e l'apprendimento multi-task, YOLO26 rinnova completamente la pipeline di deployment per l'edge computing.

Design end-to-end senza NMS#

Uno degli aggiornamenti più significativi di YOLO26 è la sua architettura nativamente end-to-end. A differenza di YOLO11, che si affida alla post-elaborazione della Soppressione non massima (NMS) per filtrare le bounding box sovrapposte, YOLO26 elimina completamente questo passaggio. Questo concetto, introdotto per la prima volta in YOLOv10, riduce drasticamente la variabilità della latenza e semplifica la logica di deployment su diversi dispositivi edge.

Rimozione di DFL per l'efficienza edge#

YOLO11 utilizza la Perdita focale della distribuzione (DFL) per perfezionare le stime delle bounding box. Tuttavia, DFL si basa su complesse operazioni softmax, spesso scarsamente supportate dagli acceleratori edge a basso consumo. YOLO26 rimuove DFL senza sacrificare l'accuratezza. Questa semplificazione architetturale migliora notevolmente la compatibilità con i sistemi embedded e consente a YOLO26 di ottenere un'inferenza su CPU fino al 43% più veloce rispetto al predecessore.

L'ottimizzatore MuSGD#

La stabilità e la velocità dell'addestramento sono fondamentali. YOLO26 introduce l'ottimizzatore MuSGD, un ibrido tra la Discesa del gradiente stocastico (SGD) e Muon, fortemente ispirato alle innovazioni nell'addestramento degli LLM di Kimi K2 di Moonshot AI. Questo ottimizzatore porta la stabilità dell'addestramento dei modelli linguistici nella computer vision, garantendo una convergenza più rapida e riducendo l'occupazione di memoria durante l'addestramento rispetto alle pesanti alternative basate su Transformer.

ProgLoss e STAL#

Per i ricercatori che lavorano con immagini aeree o applicazioni con droni, il rilevamento di caratteristiche minuscole rappresenta una sfida storica. YOLO26 introduce ProgLoss combinato con STAL (Small-Target-Aware Label Assignment), offrendo notevoli miglioramenti nel riconoscimento di piccoli oggetti rispetto a YOLO11.

Confronto di prestazioni e metriche#

Nel confronto diretto tra i modelli, YOLO26 dimostra una netta superiorità in termini di precisione ed efficienza sui dispositivi edge, mantenendo al contempo i requisiti di memoria estremamente ridotti tipici dell'ecosistema Ultralytics.

Nota: il modello nano YOLO26 (YOLO26n) mostra un miglioramento di ~31% nella velocità su CPU rispetto a YOLO11n (38.9ms contro 56.1ms), evidenziando la sua filosofia progettuale edge-first.

Versatilità nelle attività di computer vision#

Entrambi i modelli beneficiano dell'ecosistema Ultralytics, mantenuto con grande cura, e offrono una facilità d'uso senza pari grazie a un'API Python unificata. Non sono semplici object detector: sono potenti modelli multi-task. Tuttavia, YOLO26 integra diversi miglioramenti specifici per le singole attività:

• Segmentazione delle istanze: YOLO26 utilizza una loss di segmentazione semantica perfezionata e la prototipazione multi-scala, generando contorni delle maschere più nitidi rispetto a YOLO11. Scopri di più sui workflow di segmentazione.
• Stima della posa: integrando la Residual Log-Likelihood Estimation (RLE), YOLO26 migliora drasticamente l'accuratezza dei keypoint nelle pose umane complesse. Scopri le funzionalità di stima della posa.
• Bounding box orientate (OBB): una funzione di loss angolare specializzata risolve i problemi storici di discontinuità dei contorni, rendendo YOLO26 eccezionalmente affidabile nel rilevamento di oggetti ruotati nelle immagini satellitari. Leggi di più sulle attività OBB.
• Classificazione delle immagini: entrambi i modelli gestiscono in modo efficiente la classificazione ad alta velocità, mentre YOLO26 offre miglioramenti marginali nell'accuratezza top-1 su ImageNet.

Esempio di codice per l'addestramento e l'inferenza#

Ultralytics è apprezzata per l'esperienza offerta agli sviluppatori. Addestrare un modello SOTA o eseguire uno script di inferenza richiede solo poche righe di codice, riducendo al minimo il codice ripetitivo e massimizzando la produttività. Inoltre, l'addestramento dei modelli YOLO richiede molta meno memoria CUDA rispetto alle grandi reti basate su Transformer.

from ultralytics import YOLO

# Load the cutting-edge YOLO26 nano model
model = YOLO("yolo26n.pt")

# Train the model on the COCO8 dataset efficiently
# The MuSGD optimizer is automatically enabled for YOLO26
train_results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    device="0",  # Utilize GPU for accelerated training
)

# Perform NMS-free inference directly on an image
results = model("https://ultralytics.com/images/bus.jpg")

# Display the clean, instant predictions
results[0].show()

Casi d'uso ideali e strategie di deployment#

La scelta tra YOLO26 e YOLO11 dipende interamente dai vincoli del tuo ambiente di produzione.

Quando implementare YOLO26#

YOLO26 è la scelta definitiva per i moderni progetti greenfield. È progettato specificamente per:

• Edge computing e IoT: le sue straordinarie prestazioni su CPU e la rimozione di DFL lo rendono il modello ideale per dispositivi come Raspberry Pi, NPU Coral e processori mobili.
• Analisi con droni e immagini aeree: l'integrazione di ProgLoss + STAL lo rende particolarmente adatto a seguire oggetti minuscoli e in rapido movimento su paesaggi estesi.
• Applicazioni critiche per la latenza: nella robotica autonoma o nel controllo qualità della produzione, il design senza NMS garantisce una latenza deterministica senza picchi imprevisti nella post-elaborazione.

Quando mantenere YOLO11#

Sebbene YOLO26 sia superiore, YOLO11 rimane un modello estremamente capace. Potresti continuare a usare YOLO11 se:

• Pipeline legacy: la tua infrastruttura di deployment C++ esistente è strettamente legata agli output specifici basati su anchor e alla logica NMS delle architetture precedenti.
• Baseline accademiche: stai pubblicando una ricerca e hai bisogno di uno standard del 2024 ampiamente riconosciuto con cui confrontare i tuoi nuovi algoritmi.

La potenza dell'ecosistema Ultralytics#

Indipendentemente dal fatto che tu implementi YOLO11 o YOLO26, utilizzare i modelli Ultralytics significa accedere a un ecosistema ben mantenuto, con aggiornamenti frequenti e un ampio supporto della community.

Per i team enterprise, la Ultralytics Platform offre una soluzione end-to-end per l'annotazione dei dati, l'addestramento dei modelli e un deployment cloud senza interruzioni. Dall'esportazione dei pesi addestrati in CoreML o TensorRT alla configurazione avanzata del tuning degli iperparametri, gli strumenti disponibili garantiscono un ciclo di vita dell'AI il più possibile fluido.