YOLO26 vs YOLOv5#

La scelta dell'architettura giusta è fondamentale per il successo di qualsiasi progetto di visione artificiale. Questa guida confronta due importanti versioni di Ultralytics: il diffusissimo YOLOv5 e l'attuale YOLO26. Entrambi hanno contribuito a plasmare il rilevamento di oggetti in tempo reale, ma le loro architetture riflettono oltre cinque anni di progressi nel modo in cui le reti neurali elaborano i dati visivi.

Panoramica del modello#

Di seguito sono riepilogati i principali dettagli 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#

Gli oltre cinque anni che separano YOLOv5 da YOLO26 comprendono importanti progressi nella ricerca sul deep learning. YOLOv5 ha contribuito a diffondere l'addestramento dei modelli YOLO basato su PyTorch, offrendo un meccanismo di rilevamento ottimizzato e basato su anchor che è diventato uno standard del settore. Tuttavia, durante la post-elaborazione si affidava alla Non-Maximum Suppression (NMS), che poteva creare colli di bottiglia nella latenza sui dispositivi con risorse limitate.

YOLO26 riprogetta la pipeline di inferenza con un design end-to-end senza NMS. La testa one-to-one opzionale (nms=False) elimina la necessità della post-elaborazione NMS, offrendo una logica di distribuzione più semplice e veloce: un concetto introdotto nei modelli YOLO da YOLOv10. YOLO26 integra anche la rimozione della DFL (perdita focale di distribuzione), che semplifica la testa di output. In questo modo, esportare il modello in formati come ONNX e TensorRT diventa più semplice e migliora la compatibilità con i dispositivi edge e a basso consumo.

Durante l'addestramento, YOLO26 utilizza l'ottimizzatore MuSGD, un ibrido tra SGD e Muon ispirato a Kimi K2 di Moonshot AI. Questo introduce nella visione artificiale idee provenienti dall'addestramento degli LLM, garantendo un addestramento più stabile e una convergenza più rapida rispetto all'ottimizzatore SGD standard utilizzato per impostazione predefinita da YOLOv5.

Prestazioni e metriche#

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

I benchmark mostrano un notevole incremento dell'accuratezza. Ad esempio, YOLO26n raggiunge una mAP di 40.9 rispetto a 28.0 di YOLOv5n, mentre YOLO26n offre un'inferenza CPU fino al 43% più rapida di YOLO11n. Questo rende YOLO26 più adatto alle distribuzioni embedded, come su Raspberry Pi o dispositivi mobili. YOLOv5 è più veloce su T4 TensorRT alle scale n, s e m, ma il compromesso in termini di accuratezza favorisce nettamente YOLO26 (ad esempio, 53.1 contro 45.4 mAP per i modelli m).

Ecosistema di addestramento e facilità d'uso#

Entrambi i modelli beneficiano dell'ecosistema Ultralytics ben mantenuto, con una semplice API Python, documentazione completa e il supporto di una community attiva. YOLO26 introduce ulteriori miglioramenti nell'addestramento.

Durante l'addestramento, i modelli Ultralytics richiedono in genere meno memoria CUDA rispetto alle alternative basate pesantemente su Transformer. YOLO26 aggiunge ProgLoss + STAL (Progressive Loss e Small-Target-Aware Label Assignment), che migliorano il riconoscimento degli oggetti di piccole dimensioni senza aumentare il consumo di memoria.

from ultralytics import YOLO

# Inizializza il modello YOLO26 Nano
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 script consente agli sviluppatori di iterare rapidamente sui dataset personalizzati, passando 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 preesistenti. Se hai una pipeline industriale esistente strettamente legata agli output basati su anchor oppure esegui l'inferenza su vecchi dispositivi NVIDIA Jetson con stack TensorRT consolidati e non aggiornati, YOLOv5 offre una soluzione stabile e ben documentata.

Quando usare YOLO26#

YOLO26 è la scelta consigliata per i nuovi progetti di visione artificiale e copre più task del suo predecessore. Mentre YOLOv5 si concentra principalmente sul rilevamento (con segmentazione e classificazione aggiunte successivamente), YOLO26 supporta nativamente la segmentazione delle istanze, la segmentazione semantica, la stima della profondità, la classificazione delle immagini, la stima della posa e le Bounding Box orientate (OBB).

YOLO26 introduce miglioramenti specifici per task, come una funzione di perdita specializzata per la segmentazione semantica, Residual Log-Likelihood Estimation (RLE) per keypoint della posa più precisi e una funzione di perdita angolare specializzata per le OBB che risolve i problemi ai bordi.

• IoT edge e robotica: L'inferenza opzionale senza NMS e una velocità di inferenza su CPU fino al 43% superiore (YOLO26n rispetto a YOLO11n) rendono YOLO26 particolarmente adatto alla navigazione robotica in tempo reale e alle telecamere per la casa intelligente.
• Immagini aeree: I miglioramenti ProgLoss + STAL rendono più affidabile il rilevamento di oggetti minuscoli ripresi dai droni, come veicoli nei parcheggi o colture nei campi.
• Analisi video in tempo reale: Che si tratti di seguire atleti nelle trasmissioni sportive o monitorare il flusso del traffico, YOLO26 bilancia accuratezza e velocità per l'elaborazione video in tempo reale.

Poiché entrambi i modelli condividono l'ecosistema Ultralytics, passare da YOLOv5 a YOLO26 è semplice e offre a ricercatori e sviluppatori accesso alle funzionalità più recenti di Ultralytics.