YOLO26 vs YOLO11#

Quando sviluppi sistemi di computer vision all'avanguardia, scegliere il modello giusto è fondamentale per bilanciare accuratezza, latenza ed efficienza nell'uso delle risorse. Nel panorama dell'intelligenza artificiale in rapida evoluzione, Ultralytics continua a spingersi oltre i limiti del possibile. Questo confronto tecnico dettagliato analizza il passaggio dal modello YOLO11, che ha riscosso grande successo, al nuovo e rivoluzionario YOLO26, offrendo a ingegneri e ricercatori di IA le informazioni necessarie 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:

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

Dettagli di YOLO11:

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

Differenze architetturali e innovazioni#

Il passaggio 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 il rilevamento degli oggetti e l'apprendimento multi-task, YOLO26 rinnova completamente la pipeline di distribuzione per l'edge computing.

Progettazione end-to-end senza NMS#

Uno degli aggiornamenti più importanti di YOLO26 è la sua architettura nativamente end-to-end. A differenza di YOLO11, che si affida alla post-elaborazione con soppressione non massima (NMS) per filtrare i riquadri di delimitazione sovrapposti, YOLO26 può saltare del tutto questo passaggio grazie alla sua testa opzionale one-to-one (nms=False). Questo concetto, introdotto per la prima volta in YOLOv10, riduce notevolmente la variabilità della latenza e semplifica la logica di distribuzione su diversi dispositivi edge.

Rimozione di DFL per l'efficienza edge#

YOLO11 utilizza Distribution Focal Loss (DFL) per affinare le stime dei riquadri di delimitazione. Tuttavia, DFL si basa su complesse operazioni softmax, spesso supportate in modo inadeguato dagli acceleratori edge a basso consumo. YOLO26 rimuove DFL senza compromettere 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 di discesa stocastica del gradiente (SGD) e Muon, fortemente ispirato alle innovazioni nell'addestramento dei LLM di Kimi K2 di Moonshot AI. Questo ottimizzatore porta nella computer vision la stabilità dell'addestramento dei modelli linguistici, garantendo una convergenza più rapida e riducendo l'ingombro 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, rilevare caratteristiche minuscole è da sempre una sfida. YOLO26 introduce ProgLoss insieme a STAL (assegnazione delle etichette sensibile agli oggetti di piccole dimensioni), migliorando in modo significativo il riconoscimento degli oggetti piccoli rispetto a YOLO11.

Confronto delle prestazioni e delle metriche#

Nel confronto diretto, YOLO26 dimostra una chiara 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 della velocità su CPU di circa ~31% rispetto a YOLO11n (38.9ms vs 56.1ms), evidenziando la sua filosofia di progettazione orientata all'edge.

Versatilità nelle attività di computer vision#

Entrambi i modelli beneficiano dell'ecosistema Ultralytics, sottoposto a manutenzione costante, e offrono una facilità d'uso senza pari grazie a un'API Python unificata. Non sono semplici rilevatori di oggetti: sono strumenti versatili per attività multiple. YOLO26, tuttavia, integra diversi miglioramenti specifici per le singole attività:

• Segmentazione di istanze: YOLO26 usa una loss di segmentazione semantica perfezionata e una prototipazione multi-scala, generando contorni delle maschere più netti rispetto a YOLO11. Scopri di più sui flussi di lavoro di segmentazione.
• Stima della posa: Integrando Residual Log-Likelihood Estimation (RLE), YOLO26 migliora notevolmente l'accuratezza dei keypoint nelle pose umane complesse. Scopri le funzionalità di stima della posa.
• Riquadri di delimitazione orientati (OBB): Una funzione di loss specializzata per gli angoli risolve i problemi storici di discontinuità dei bordi, rendendo YOLO26 particolarmente affidabile nel rilevamento di oggetti ruotati nelle immagini satellitari. Scopri le attività OBB.
• Classificazione delle immagini: Entrambi i modelli gestiscono in modo efficiente la classificazione ad alta velocità, mentre YOLO26 offre miglioramenti marginali dell'accuratezza top-1 su ImageNet.

Esempio di codice per addestramento e inferenza#

Ultralytics è apprezzata per l'esperienza di sviluppo che offre. Addestrare un modello allo stato dell'arte 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

# Carica il modello nano YOLO26 all'avanguardia
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 interamente dai vincoli del tuo ambiente di produzione.

Quando distribuire YOLO26#

YOLO26 è la scelta ideale per i nuovi progetti moderni. È progettato appositamente per:

• Edge computing e IoT: Le sue prestazioni eccezionali su CPU e la rimozione di DFL lo rendono 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 efficace nel tracciare oggetti minuscoli e in rapido movimento su vaste aree.
• Applicazioni sensibili alla latenza: Nella robotica autonoma o nel controllo della qualità nella produzione, la progettazione senza NMS assicura una latenza deterministica, senza picchi imprevisti dovuti alla post-elaborazione.

Quando mantenere YOLO11#

Sebbene YOLO26 sia superiore, YOLO11 rimane un modello estremamente efficace. 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 uno standard del 2024 ampiamente riconosciuto con cui confrontare i tuoi nuovi algoritmi.

La potenza dell'ecosistema Ultralytics#

Che tu scelga di distribuire YOLO11 o YOLO26, utilizzare i modelli Ultralytics significa accedere a un ecosistema sottoposto a manutenzione costante, con aggiornamenti frequenti e un ampio supporto della community.

Per i team enterprise, la Piattaforma Ultralytics offre una soluzione end-to-end per l'annotazione dei dati, l'addestramento dei modelli e la distribuzione fluida nel cloud. Dall'esportazione dei pesi addestrati in CoreML o TensorRT alla configurazione avanzata dell'ottimizzazione degli iperparametri, gli strumenti forniti assicurano che il ciclo di vita della tua IA sia il più efficiente possibile.