YOLO26 vs YOLOv10#

Il panorama della computer vision è in continua evoluzione, spinto dalla domanda di modelli più veloci, accurati ed efficienti. Questa guida presenta un confronto tecnico approfondito tra due architetture rivoluzionarie nel campo del rilevamento degli oggetti in tempo reale: YOLO26 e YOLOv10. Analizzandone le architetture, le metriche prestazionali e le funzionalità di distribuzione, vogliamo aiutare sviluppatori e ricercatori a scegliere il modello ottimale per le loro applicazioni di computer vision.

L'evoluzione delle architetture senza NMS#

Per anni, la famiglia YOLO (You Only Look Once) si è affidata in larga misura alla soppressione non massima (NMS) per filtrare i riquadri di delimitazione ridondanti durante la post-elaborazione. Benché efficace, NMS introduce latenza nell'inferenza e complica la distribuzione su dispositivi edge come Raspberry Pi o su unità di elaborazione neurale (NPU) specializzate.

L'introduzione di YOLOv10 ha segnato un cambio di paradigma, introducendo una progettazione end-to-end senza NMS. Sulla base di questa innovazione fondamentale, Ultralytics YOLO26 ha perfezionato l'architettura per gli ambienti di produzione, raggiungendo efficienza e facilità d'uso senza precedenti in una gamma più ampia di attività.

YOLOv10: precursore del rilevamento senza NMS#

• Data: 2024-05-23
• Autori: Ao Wang, Hui Chen, Lihao Liu, et al.
• Organizzazione: Università Tsinghua
• Risorse: Articolo su ArXiv | Repository GitHub

Sviluppato dai ricercatori dell'Università Tsinghua, YOLOv10 ha introdotto una strategia di assegnazione duale coerente per eliminare la necessità di NMS. Grazie a una progettazione del modello che considera globalmente efficienza e accuratezza, ha ridotto la ridondanza computazionale mantenendo un elevato valore di mAP (precisione media).

Punti di forza:

• Architettura senza NMS: Il primo modello della serie YOLO a introdurre la progettazione senza NMS, con una drastica riduzione della latenza per le applicazioni in tempo reale.
• Efficienza: Offre un buon compromesso tra numero di parametri e velocità di inferenza rispetto ai modelli delle generazioni precedenti.

Punti deboli:

• Supporto limitato alle attività: Si concentra principalmente sul rilevamento standard degli oggetti e non offre supporto nativo immediato per attività avanzate come la segmentazione o la stima della posa.
• Orientamento accademico: Sebbene solida, la base di codice è più orientata alla ricerca che a una distribuzione in produzione semplificata e di livello enterprise.

Scopri di più su YOLOv10

YOLO26: il nuovo standard per edge e cloud#

• Data: 2026-01-14
• Autori: Glenn Jocher e Jing Qiu
• Organizzazione: Ultralytics
• Risorse: Repository GitHub | Piattaforma Ultralytics

Rilasciato come successore di YOLO11, YOLO26 porta il concetto senza NMS alla sua massima espressione. Integra nativamente il rilevamento end-to-end nella Piattaforma Ultralytics, altamente ottimizzata, offrendo una suite completa di strumenti per le moderne pipeline di machine learning.

YOLO26 introduce diverse innovazioni architetturali:

• Rimozione di DFL: la Focal Loss di distribuzione è stata completamente rimossa. Questo semplifica notevolmente il processo di esportazione del modello e migliora la compatibilità con dispositivi edge e a basso consumo.
• Inferenza su CPU fino al 43% più veloce: grazie alla rimozione di DFL e alle ottimizzazioni strutturali, YOLO26 è significativamente più veloce sulle CPU, il che lo rende ideale per le implementazioni IoT e mobili.
• Ottimizzatore MuSGD: ispirato alle tecniche di addestramento dei modelli linguistici di grandi dimensioni (LLM), come Kimi K2 di Moonshot AI, YOLO26 utilizza un approccio ibrido di SGD e Muon. Questo garantisce una stabilità di addestramento senza precedenti e una convergenza più rapida per la visione artificiale.
• ProgLoss + STAL: queste funzioni di perdita avanzate migliorano notevolmente il riconoscimento degli oggetti di piccole dimensioni, un aspetto fondamentale per le immagini aeree e il monitoraggio della sicurezza basato su droni.
• Miglioramenti specifici per attività: YOLO26 non è solo un rilevatore. Include una funzione di perdita per la segmentazione semantica e proto multiscala per la segmentazione, la stima residua della log-verosimiglianza (RLE) per la stima della posa e una funzione di perdita angolare specializzata per le bounding box orientate (OBB).

Analisi delle prestazioni e metriche#

La tabella seguente confronta le prestazioni di rilevamento su COCO dei modelli YOLO26 e YOLOv10. Nota come YOLO26 raggiunga una precisione superiore mantenendo un'efficienza eccezionale nell'uso dei parametri.

I vantaggi di Ultralytics: efficienza di addestramento e memoria#

Quando si distribuiscono modelli in produzione, i requisiti di memoria e l'efficienza di addestramento sono importanti quanto la velocità di inferenza. I modelli Ultralytics, in particolare YOLO26, sono ottimizzati per ridurre l'utilizzo della memoria CUDA durante l'addestramento. Questo consente agli sviluppatori di usare dimensioni di batch maggiori sulle GPU di fascia consumer, riducendo drasticamente i tempi di addestramento e i costi computazionali. Al contrario, le architetture complesse o i modelli Transformer pesanti come RT-DETR richiedono spesso hardware costoso e di fascia alta per essere addestrati efficacemente.

Implementazione pratica: esempio di codice#

Il tratto distintivo di Ultralytics è la sua facilità d'uso leader del settore. Grazie a un'API Python intuitiva, passare da un modello legacy come YOLOv8 all'avanzatissimo YOLO26 richiede di aggiornare una sola riga di codice.

Ecco un esempio eseguibile al 100% che mostra come addestrare ed eseguire l'inferenza con YOLO26:

from ultralytics import YOLO

# 1. Load the state-of-the-art YOLO26 nano model
model = YOLO("yolo26n.pt")

# 2. Train the model on the COCO8 dataset efficiently
# optimizer='auto' selects MuSGD for longer training runs; memory management is automatic
results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    device="cpu",  # Easily switch to 0 for GPU
)

# 3. Perform NMS-free inference on a sample image
predictions = model.predict("https://ultralytics.com/images/bus.jpg", nms=False)

# 4. Display the results to screen
predictions[0].show()

# 5. Export to ONNX for simplified edge deployment
export_path = model.export(format="onnx")
print(f"Model exported successfully to {export_path}")

Casi d'uso e consigli#

La scelta tra YOLO26 e YOLOv10 dipende dai requisiti specifici del tuo progetto, dai vincoli di distribuzione e dalle preferenze per l'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 con sola CPU: dispositivi senza accelerazione GPU dedicata, sui quali l'inferenza su CPU di YOLO26, fino al 43% più veloce, offre un vantaggio decisivo.
• Rilevamento di oggetti di piccole dimensioni: scenari complessi come le immagini aeree acquisite da droni o l'analisi dei sensori IoT, in cui ProgLoss e STAL migliorano notevolmente la precisione sugli oggetti molto piccoli.

Quando scegliere YOLOv10#

YOLOv10 è consigliato per:

• Rilevamento in tempo reale senza NMS: applicazioni che traggono vantaggio dal rilevamento end-to-end senza soppressione non massima, riducendo la complessità della distribuzione.
• Compromesso equilibrato tra velocità e precisione: progetti che richiedono un buon equilibrio tra velocità di inferenza e precisione di rilevamento con modelli di diverse dimensioni.
• Applicazioni con latenza costante: scenari di distribuzione in cui i tempi di inferenza prevedibili sono fondamentali, ad esempio nella robotica o nei sistemi autonomi.

Conclusione#

YOLOv10 ha dato un contributo significativo alla comunità accademica introducendo il paradigma senza NMS, mentre YOLO26 porta questa tecnologia a un livello di maturità adatto alle aziende. Grazie all'incremento notevole del 43% della velocità su CPU, all'innovativo ottimizzatore MuSGD e alla versatilità senza pari nelle attività di visione, YOLO26 si distingue come scelta ideale sia per l'edge computing sia per le distribuzioni cloud su larga scala.

Per i team che danno priorità a una community attiva, a una documentazione completa e a un'esperienza di sviluppo senza attriti, l'ecosistema Ultralytics non ha eguali. Se stai esplorando modelli per scenari specializzati, puoi anche valutare YOLO-World per il rilevamento zero-shot a vocabolario aperto. Tuttavia, per la stragrande maggioranza dei casi d'uso reali, YOLO26 è la raccomandazione definitiva.