YOLO26 vs YOLOv5#

L'evoluzione della visione artificiale è stata definita dalla ricerca incessante di velocità, accuratezza e accessibilità. Scegliere l'architettura giusta è fondamentale per il successo di qualsiasi progetto di AI. In questa guida completa, confrontiamo due release monumentali di Ultralytics: la pionieristica YOLOv5 e la rivoluzionaria YOLO26. Sebbene entrambe abbiano influenzato profondamente il panorama della rilevazione degli oggetti in tempo reale, le tecnologie alla loro base riflettono un enorme cambio di paradigma nel modo in cui le reti neurali elaborano i dati visivi.

Panoramica dei modelli#

Prima di approfondire le sfumature architetturali, definiamo i dettagli fondamentali di entrambi i modelli.

Dettagli di YOLO26:

• Autori: Glenn Jocher e Jing Qiu
• Organizzazione: Ultralytics
• Data: 2026-01-14
• GitHub: https://github.com/ultralytics/ultralytics
• Documentazione: Documentazione di YOLO26

Dettagli di YOLOv5:

• Autori: Glenn Jocher
• Organizzazione: Ultralytics
• Data: 2020-06-26
• GitHub: https://github.com/ultralytics/yolov5
• Documentazione: Documentazione di YOLOv5

Innovazioni architetturali#

I sei anni che separano YOLOv5 e YOLO26 rappresentano un enorme salto nella ricerca sul deep learning. YOLOv5 ha reso popolare l'uso diffuso di PyTorch per i modelli di visione, offrendo un meccanismo di rilevamento altamente ottimizzato e basato su anchor, diventato lo standard del settore. Tuttavia, dipendeva fortemente dalla soppressione non massima (NMS) durante il post-processing, che poteva introdurre colli di bottiglia nella latenza sui dispositivi con risorse limitate.

YOLO26 riprogetta completamente la pipeline di inferenza con un design end-to-end senza NMS. Eliminando la necessità del post-processing NMS, YOLO26 offre una logica di deployment più semplice e veloce, un concetto introdotto per la prima volta in YOLOv10 ma perfezionato in questo modello. Inoltre, YOLO26 include la rimozione del DFL (Distribution Focal Loss), che semplifica drasticamente la testa di output. Questo rende l'esportazione del modello in formati come ONNX e TensorRT estremamente fluida, garantendo un'eccellente compatibilità con dispositivi edge e a basso consumo.

Durante l'addestramento, YOLO26 utilizza l'innovativo ottimizzatore MuSGD, un ibrido di SGD e Muon ispirato a Kimi K2 di Moonshot AI. Questo porta le innovazioni dell'addestramento degli LLM nel campo della visione artificiale, garantendo un addestramento altamente stabile e una convergenza significativamente più rapida rispetto agli ottimizzatori SGD o AdamW tradizionali usati in YOLOv5.

Prestazioni e metriche#

Quando si valutano i modelli, l'equilibrio tra precisione media (mAP) e velocità di inferenza determina la validità nel mondo reale. YOLO26 è ottimizzato nativamente sia per GPU di fascia alta sia per CPU edge.

I benchmark rivelano un miglioramento straordinario. Ad esempio, YOLO26n raggiunge un mAP di 40.9 rispetto al valore di 28.0 di YOLOv5n, offrendo contemporaneamente un'inferenza su CPU fino al 43% più veloce. Questo rende YOLO26 nettamente superiore per deployment embedded come Raspberry Pi o dispositivi mobili. Sebbene YOLOv5 mantenga un leggero vantaggio nella velocità su GPU TensorRT nella fascia Nano, il compromesso in termini di accuratezza favorisce nettamente YOLO26.

Ecosistema di addestramento e facilità d'uso#

Entrambi i modelli traggono enormi vantaggi dall'ecosistema Ultralytics, sottoposto a una manutenzione costante. Offrono un'esperienza "da zero a eroe" con un'API Python semplificata, una documentazione completa e il supporto attivo della community. Tuttavia, YOLO26 porta l'efficienza dell'addestramento a un livello superiore.

I modelli Ultralytics richiedono costantemente una quantità significativamente inferiore di memoria CUDA durante l'addestramento rispetto alle alternative basate pesantemente sui Transformer. YOLO26 amplifica questo vantaggio con le sue funzioni di perdita ProgLoss + STAL. Questi miglioramenti producono progressi notevoli nel riconoscimento degli oggetti piccoli senza aumentare eccessivamente il consumo di memoria.

from ultralytics import YOLO

# Initialize the cutting-edge YOLO26 Nano model
model = YOLO("yolo26n.pt")

# Train the model with the MuSGD optimizer (default for YOLO26)
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, batch=16, device=0)

# Run fast, NMS-free inference on a test image
predictions = model("https://ultralytics.com/images/bus.jpg")
predictions[0].show()

Questo semplice script consente agli sviluppatori di iterare rapidamente su dataset personalizzati, passando senza problemi dall'acquisizione dei dati a un modello pronto per la produzione.

Versatilità e casi d'uso ideali#

Quando usare YOLOv5#

YOLOv5 rimane un affidabile cavallo di battaglia per i sistemi legacy. Se hai una pipeline industriale esistente fortemente vincolata a output basati su anchor, oppure esegui l'inferenza su dispositivi NVIDIA Jetson meno recenti con stack TensorRT maturi e congelati, YOLOv5 offre una soluzione stabile e ampiamente documentata.

Quando usare YOLO26#

YOLO26 è la scelta definitiva per i moderni progetti di visione artificiale. La sua versatilità supera di gran lunga quella del predecessore. Mentre YOLOv5 si concentra principalmente sul rilevamento (con successive aggiunte per la segmentazione), YOLO26 offre un supporto nativo completo per la segmentazione delle istanze, la stima della posa, la classificazione delle immagini e i riquadri di delimitazione orientati (OBB).

YOLO26 introduce miglioramenti specifici per attività, come una funzione di perdita specializzata per la segmentazione semantica, la stima della log-verosimiglianza residua (RLE) per keypoint della posa ultra-precisi e una funzione di perdita avanzata per gli angoli negli OBB, così da risolvere problemi complessi relativi ai bordi.

• IoT edge e robotica: l'architettura senza NMS e l'inferenza su CPU più veloce del 43% rendono YOLO26 ideale per la navigazione robotica in tempo reale e le telecamere per la smart home.
• Immagini aeree: i miglioramenti ProgLoss + STAL rendono molto più affidabile il rilevamento di oggetti minuscoli dai droni, come veicoli nei parcheggi o colture nei campi agricoli.
• Analisi video in tempo reale: che tu stia monitorando atleti nelle trasmissioni sportive o i flussi del traffico, l'equilibrio prestazionale di YOLO26 garantisce un'elevata capacità di richiamo senza perdita di fotogrammi.

In definitiva, l'impegno di Ultralytics per un ecosistema accessibile e ad alte prestazioni garantisce che la transizione da YOLOv5 a YOLO26 sia fluida, offrendo a ricercatori e sviluppatori capacità all'avanguardia.