Inizia

YOLO26 vs YOLO11

Quando sviluppi sistemi di visione artificiale, scegliere il modello giusto significa bilanciare precisione, latenza ed efficienza delle risorse. Questo confronto tecnico esamina il passaggio da Ultralytics YOLO11 al più recente YOLO26, fornendo a ingegneri e ricercatori di IA i dettagli necessari per prendere decisioni architetturali consapevoli.

Lignaggio e metadati dei modelli#

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

Dettagli di YOLO26:

Dettagli di YOLO11:

Altre architetture

Sebbene YOLO26 sia il modello Ultralytics in tempo reale più avanzato, chi dispone di hardware specializzato o di molta memoria potrebbe valutare anche architetture basate su Transformer come RT-DETR o il primo YOLO senza NMS, YOLOv10.

Differenze architetturali e innovazioni#

Il passaggio da YOLO11 a YOLO26 modifica sia l’architettura del modello sia la ricetta di addestramento. YOLO11 ha definito una solida base per il rilevamento degli oggetti e l’apprendimento multitasking; YOLO26 riprogetta invece il percorso di distribuzione per l’edge computing.

Progettazione end-to-end senza NMS#

Uno dei miglioramenti più significativi di YOLO26 è l’inferenza end-to-end nativa. A differenza di YOLO11, che si affida alla post-elaborazione con soppressione dei non massimi (NMS) per filtrare i riquadri di delimitazione sovrapposti, YOLO26 può saltare del tutto questo passaggio grazie alla sua head opzionale one-to-one (nms=False). Questo approccio, introdotto nella famiglia YOLO da YOLOv10, riduce la variabilità della latenza e semplifica la logica di distribuzione su una vasta gamma di dispositivi edge.

Rimozione di DFL per l'efficienza edge#

YOLO11 usa la Distribution Focal Loss (DFL) per perfezionare le stime dei riquadri di delimitazione. Tuttavia, la DFL si basa su operazioni softmax spesso supportate male dagli acceleratori edge a basso consumo. YOLO26 elimina la DFL senza sacrificare la precisione. Questa semplificazione migliora la compatibilità con i sistemi embedded e consente a YOLO26n di raggiungere un’inferenza CPU fino al 43% più veloce rispetto a YOLO11n.

L'ottimizzatore MuSGD#

YOLO26 introduce l’ottimizzatore MuSGD, una combinazione di discesa stocastica del gradiente (SGD) e Muon ispirata alle innovazioni nell’addestramento dei modelli linguistici di grandi dimensioni (LLM), come Kimi K2 di Moonshot AI. Porta nella visione artificiale la stabilità dell’addestramento dei modelli linguistici e accelera la convergenza.

ProgLoss e STAL#

Per chi fa ricerca su immagini aeree o applicazioni con droni, rilevare oggetti piccoli è da tempo una sfida. YOLO26 introduce ProgLoss combinata con STAL (assegnazione delle etichette consapevole degli oggetti piccoli), che migliora il riconoscimento degli oggetti piccoli rispetto a YOLO11.

Confronto delle prestazioni e delle metriche#

YOLO26 raggiunge una mAP superiore a YOLO11 a ogni dimensione, da +1,4 (n) a +2,8 (x), con un numero di parametri e FLOPs simile. YOLO26n e YOLO26s sono anche più veloci sulla CPU, mentre i modelli YOLO11 più grandi mantengono un vantaggio in termini di latenza CPU.

Modellodimensione
(pixel)
mAPval50-95Velocità
CPU ONNX
(ms)
Velocità
T4 TensorRT10
(ms)
parametri
(M)
FLOPs
(B)
YOLO26n64040.938.91.72.45.5
YOLO26s64048.687.22.59.520.9
YOLO26m64053.1220.04.720.468.4
YOLO26l64055.0286.26.224.886.8
YOLO26x64057.5525.811.855.7194.4
YOLO11n64039.556.11.52.66.5
YOLO11s64047.090.02.59.421.6
YOLO11m64051.5183.24.720.168.1
YOLO11l64053.4238.66.225.387.2
YOLO11x64054.7462.811.356.9195.3

Nota: YOLO26n ha una latenza CPU ONNX inferiore di circa ~31% rispetto a YOLO11n (38,9 ms contro 56,1 ms), a conferma del suo design pensato innanzitutto per l’edge.

Versatilità nelle attività di computer vision#

Entrambi i modelli beneficiano dell’ecosistema Ultralytics, mantenuto attivamente, e della sua API Python unificata; entrambi supportano rilevamento, segmentazione, classificazione, stima della posa e OBB. YOLO26 aggiunge la segmentazione semantica e la stima della profondità, oltre a diversi miglioramenti specifici per attività:

  • Segmentazione di istanze: YOLO26 usa una loss di segmentazione semantica e un modulo proto multiscala che migliorano la qualità delle maschere rispetto a YOLO11. Scopri di più sui flussi di lavoro di segmentazione.
  • Stima della posa: Integrando la stima residua della log-verosimiglianza (RLE), YOLO26 migliora la precisione dei keypoint nelle pose umane complesse. Scopri le funzionalità di stima della posa.
  • Riquadri di delimitazione orientati (OBB): Una funzione di loss angolare specializzata risolve i problemi di discontinuità ai bordi, rendendo YOLO26 più affidabile nel rilevamento di oggetti ruotati nelle immagini satellitari. Scopri di più sulle attività OBB.
  • Classificazione delle immagini: Entrambi i modelli gestiscono in modo efficiente la classificazione ad alta velocità; YOLO26 offre miglioramenti contenuti nella precisione top-1 su ImageNet (71,4% contro 70,0% per i modelli n).

Esempio di codice per addestramento e inferenza#

Addestrare un modello o eseguire inferenze con Ultralytics richiede solo poche righe di codice. Inoltre, addestrare modelli YOLO richiede meno memoria CUDA rispetto alle reti Transformer di grandi dimensioni.

from ultralytics import YOLO

# Carica il modello YOLO26 nano
model = YOLO("yolo26n.pt")

# Addestra il modello in modo efficiente sul dataset COCO8
# optimizer="auto" seleziona MuSGD per gli addestramenti più lunghi
train_results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    device="0",  # Usa la GPU per accelerare l'addestramento
)

# Esegui l'inferenza senza NMS direttamente su un'immagine
results = model("https://ultralytics.com/images/bus.jpg", nms=False)

# Visualizza le previsioni immediate e senza elementi superflui
results[0].show()

Casi d'uso ideali e strategie di distribuzione#

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

Quando distribuire YOLO26#

YOLO26 è la scelta consigliata per i nuovi progetti. È progettato per:

  • Edge computing e IoT: Le prestazioni CPU e la rimozione della DFL lo rendono ideale per dispositivi come Raspberry Pi, Coral Edge TPU e processori mobili.
  • Analisi con droni e immagini aeree: ProgLoss + STAL migliorano il rilevamento e il tracciamento di oggetti piccoli e in rapido movimento su ampie aree.
  • Applicazioni sensibili alla latenza: Nella robotica autonoma o nel controllo qualità nella produzione, la head opzionale senza NMS (nms=False) mantiene costante la latenza, evitando picchi dovuti alla post-elaborazione.

Quando mantenere YOLO11#

YOLO11 resta un modello capace. Potresti continuare a usare YOLO11 se:

  • Pipeline legacy: La tua infrastruttura di distribuzione C++ esistente è strettamente legata al formato di output specifico e alla logica NMS di YOLO11.
  • Riferimenti accademici: Stai pubblicando una ricerca e hai bisogno di un riferimento del 2024 ampiamente riconosciuto con cui confrontare i nuovi algoritmi.

La potenza dell'ecosistema Ultralytics#

Che tu distribuisca YOLO11 o YOLO26, i modelli Ultralytics sono accompagnati da un ecosistema ben gestito, aggiornamenti frequenti e una grande community.

Per i team aziendali, la piattaforma Ultralytics offre una soluzione end-to-end per l’annotazione dei dati, l’addestramento dei modelli e la distribuzione nel cloud. Il pacchetto ultralytics copre il resto del ciclo di vita, dalla regolazione degli iperparametri all’esportazione dei pesi addestrati in CoreML o TensorRT.

Commenti2

Fai una domanda, condividi i tuoi risultati o aiuta qualcun altro.

  1. CoLndGitHub

    Hello, thank you for this article. I'm seeing that the best speed upgrade is 31% between 11n and 26n, where does the "up to 43% acceleration" come from please? Thank you have a nice day

    1. Murat Raimbekov

      your math is right - YOLO26n at 38.9 ms vs YOLO11n at 56.1 ms is ~31% lower latency, which is what the in-page note on this comparison reflects. the "up to 43% faster" headline expresses the same two numbers as a throughput speedup instead: 56.1 / 38.9 ≈ 1.44, so YOLO26n processes ~44% more frames per second on the same CPU than YOLO11n, marketed as "up to 43% faster". both describe the identical benchmark, just two different conventions:

      • latency reduction: (56.1 - 38.9) / 56.1 = ~31%
      • throughput speedup: 56.1 / 38.9 - 1 = ~44% (rounded down to "up to 43%" in the headline)

      a cleaner restatement: YOLO26n delivers up to ~43% faster CPU ONNX inference than YOLO11n, corresponding to ~31% lower latency in the benchmark table. the "up to" qualifier reflects that nano is where the gap is largest - on s/m/l/x tiers the gap is smaller (or negative on the larger ones), so the headline is bound to the best case. we will look at tightening the wording in the docs so the two metrics read clearly side by side.

      thanks for flagging.