YOLO26 vs YOLOv5#

L’evoluzione della computer vision è stata guidata 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 uscite epocali di Ultralytics: il pionieristico YOLOv5 e il rivoluzionario YOLO26. Sebbene entrambi abbiano influenzato profondamente il panorama del rilevamento di oggetti in tempo reale, le tecnologie su cui si basano riflettono un enorme cambiamento di paradigma nel modo in cui le reti neurali elaborano i dati visivi.

Panoramica del modello#

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:

• Autore: 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 da YOLO26 rappresentano un enorme balzo in avanti nella ricerca sul deep learning. YOLOv5 ha reso popolare l'uso diffuso di PyTorch per i modelli di visione, offrendo un meccanismo di rilevamento basato su anchor altamente ottimizzato, diventato uno standard del settore. Tuttavia, in fase di post-elaborazione si affidava fortemente alla soppressione non massima (NMS), che poteva introdurre colli di bottiglia nella latenza sui dispositivi con risorse limitate.

YOLO26 ripensa completamente la pipeline di inferenza con un design end-to-end senza NMS. La sua testa opzionale one-to-one (nms=False) elimina la necessità della post-elaborazione NMS, consentendo una logica di distribuzione più semplice e veloce; un concetto introdotto per la prima volta in YOLOv10 e perfezionato qui. Inoltre, YOLO26 integra la rimozione di DFL (Distribution Focal Loss), che semplifica notevolmente la testa di output. Questo rende estremamente agevole esportare il modello in formati come ONNX e TensorRT, garantendo un'eccellente compatibilità con i dispositivi edge e a basso consumo.

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

Prestazioni e metriche#

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

I benchmark mostrano un miglioramento impressionante. Per esempio, YOLO26n raggiunge un mAP di 40.9 rispetto al valore di 28.0 di YOLOv5n, e YOLO26 offre un'inferenza CPU fino al 43% più veloce di YOLO11n. Questo rende YOLO26 nettamente superiore per le distribuzioni embedded, ad esempio su Raspberry Pi o sui dispositivi mobili. Sebbene YOLOv5 sia leggermente più veloce con TensorRT su GPU nella scala Nano, il compromesso in termini di accuratezza favorisce nettamente YOLO26.

Ecosistema di addestramento e facilità d'uso#

Entrambi i modelli traggono grandi vantaggi dall'ecosistema Ultralytics, sottoposto a manutenzione costante. Offrono un'esperienza che porta "da zero a esperto", grazie a un'API Python intuitiva, una documentazione completa e il supporto di una community attiva. Tuttavia, YOLO26 porta l'efficienza dell'addestramento a un nuovo livello.

Durante l'addestramento, i modelli Ultralytics richiedono costantemente molta meno memoria CUDA rispetto alle alternative basate pesantemente sui Transformer. YOLO26 migliora ulteriormente questo aspetto con le funzioni di perdita ProgLoss + STAL. Questi progressi migliorano sensibilmente il riconoscimento degli oggetti piccoli senza aumentare l'uso di memoria.

from ultralytics import YOLO

# Inizializza il modello YOLO26 Nano all'avanguardia
model = YOLO("yolo26n.pt")

# Addestra il modello (optimizer='auto' seleziona MuSGD per le sessioni di addestramento più lunghe)
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, batch=16, device=0)

# Esegui inferenze rapide senza NMS su un'immagine di test
predictions = model("https://ultralytics.com/images/bus.jpg", nms=False)
predictions[0].show()

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

Versatilità e casi d'uso ideali#

Quando usare YOLOv5#

YOLOv5 rimane una soluzione affidabile per i sistemi legacy. Se hai una pipeline industriale esistente strettamente legata agli output basati su anchor, oppure esegui inferenze su vecchi dispositivi NVIDIA Jetson con stack TensorRT consolidati e congelati, YOLOv5 offre una soluzione stabile e documentata in modo esaustivo.

Quando usare YOLO26#

YOLO26 è la scelta ideale 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 l'aggiunta successiva della segmentazione), YOLO26 offre un supporto nativo e completo per la segmentazione di 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 dei logaritmi di verosimiglianza residui (RLE) per keypoint di posa estremamente precisi e una funzione di perdita angolare avanzata per OBB, che risolve i problemi più complessi ai bordi.

• IoT edge e robotica: l'inferenza opzionale senza NMS e una velocità di inferenza CPU fino al 43% superiore a YOLO11n rendono YOLO26 ideale per la navigazione robotica in tempo reale e le telecamere smart home.
• Immagini aeree: i miglioramenti ProgLoss + STAL rendono molto più affidabile il rilevamento di oggetti minuscoli ripresi dai droni, come i veicoli nei parcheggi o le colture nei campi agricoli.
• Analisi video in tempo reale: che tu stia tracciando atleti durante le trasmissioni sportive o monitorando il flusso del traffico, l'equilibrio delle prestazioni di YOLO26 garantisce un'elevata copertura senza perdere fotogrammi.

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