Inizia

YOLO26 vs YOLOv7

Il rilevamento di oggetti in tempo reale ha raggiunto numerosi traguardi e Ultralytics YOLO26 e YOLOv7 sono due esempi significativi. YOLOv7 ha introdotto la metodologia "bag-of-freebies", stabilendo nuovi record di accuratezza nel 2022, mentre YOLO26 aggiunge ottimizzazioni pensate innanzitutto per l'edge, inferenza end-to-end opzionale e dinamiche di addestramento stabili ispirate all'addestramento dei modelli linguistici di grandi dimensioni (LLM).

Questa pagina mette a confronto le due architetture, analizzandone le metriche prestazionali, le differenze strutturali e gli scenari di distribuzione ideali, per aiutare gli ingegneri del machine learning a prendere decisioni informate per il loro prossimo progetto di AI per la visione.

Contesto e dettagli del modello#

Prima di esaminare i dati sulle prestazioni, è importante comprendere le origini e gli obiettivi principali di ciascun modello.

Ultralytics YOLO26#

YOLOv7#

Scopri di più su YOLOv7

Modelli alternativi da considerare

Se stai esplorando l'ecosistema più ampio, potrebbe interessarti anche YOLO11 per implementazioni multi-task equilibrate oppure RT-DETR, basato su Transformer, per il rilevamento con meccanismi di attenzione. I modelli meno recenti come YOLOv8 e YOLOv5 restano pienamente supportati sulla Ultralytics Platform per l'integrazione con sistemi preesistenti.

Approfondimento sull’architettura#

Le filosofie architetturali alla base di YOLO26 e YOLOv7 divergono notevolmente e riflettono il passaggio dall'ottimizzazione delle prestazioni sulle GPU di fascia alta all'ottimizzazione per la distribuzione edge end-to-end.

YOLO26: design orientato all'edge#

Rilasciato a gennaio 2026, YOLO26 ripensa la pipeline di distribuzione. Il cambiamento più significativo è il design end-to-end senza NMS. Saltando la post-elaborazione Non-Maximum Suppression (NMS) con la sua testa one-to-one opzionale (nms=False), YOLO26 riduce la variabilità della latenza, un concetto introdotto per la prima volta in YOLOv10. Questo garantisce frequenze di fotogrammi costanti anche nelle scene affollate, un aspetto fondamentale per la robotica autonoma e il monitoraggio del traffico.

YOLO26 rimuove anche Distribution Focal Loss (DFL). Questa rimozione di DFL semplifica l'esportazione in formati come ONNX e Apple CoreML e aiuta YOLO26n a raggiungere un'inferenza CPU fino al 43% più rapida rispetto a YOLO11n.

La stabilità dell'addestramento è un altro obiettivo fondamentale. L'introduzione dell'ottimizzatore MuSGD, un ibrido tra lo Stochastic Gradient Descent standard e Muon (ispirato alle dinamiche di addestramento di Kimi K2), porta nella visione artificiale la stabilità dell'addestramento degli LLM. Insieme a ProgLoss + STAL (Progressive Loss e Small-Target-Aware Label Assignment), YOLO26 migliora il riconoscimento degli oggetti di piccole dimensioni, una sfida di lunga data per i rilevatori in tempo reale.

YOLOv7: Bag-of-Freebies addestrabile#

YOLOv7 è stato sviluppato sulla base di uno studio approfondito dell'ottimizzazione dei percorsi del gradiente. La sua innovazione principale è Extended Efficient Layer Aggregation Network (E-ELAN), che consente al modello di apprendere caratteristiche più diversificate senza alterare i percorsi del gradiente originali.

L'architettura YOLOv7 si affida anche a tecniche di riparametrizzazione durante l'inferenza, fondendo di fatto i layer per aumentare la velocità senza sacrificare le ricche rappresentazioni delle caratteristiche apprese durante l'addestramento. Sebbene sia efficace sulle GPU server standard NVIDIA TensorRT, questo approccio continua a basarsi su teste di rilevamento con anchor e sulla NMS tradizionale, che possono complicare la distribuzione su dispositivi a basso consumo.

Confronto delle prestazioni#

La tabella seguente confronta direttamente i modelli addestrati sul dataset COCO standard. YOLO26 migliora l'accuratezza (mAP) con meno parametri e FLOPs; ad esempio, YOLO26l raggiunge 55.0 mAP contro 51.4 di YOLOv7l, con 24.8M contro 36.9M parametri.

Modellodimensione
(pixel)
mAPval50-95Velocità
CPU ONNX
(ms)
Velocità
T4 TensorRT10
(ms)
parametri
(M)
FLOPs
(B)
YOLO26n64040.938.91.72.45.5
YOLO26s64048.687.22.59.520.9
YOLO26m64053.1220.04.720.468.4
YOLO26l64055.0286.26.224.886.8
YOLO26x64057.5525.811.855.7194.4
YOLOv7l64051.4-6.8436.9104.7
YOLOv7x64053.1-11.5771.3189.9

Nota: YOLO26x supera YOLOv7x in mAP (57.5 contro 53.1) pur richiedendo circa il 22% di parametri in meno.

I vantaggi dell’ecosistema Ultralytics#

Uno dei motivi principali per cui gli sviluppatori scelgono YOLO26 è la sua integrazione con la Ultralytics Platform. A differenza degli script autonomi richiesti dalle architetture meno recenti, Ultralytics offre un flusso di lavoro unificato.

  1. Facilità d'uso: L'API Python permette di caricare, addestrare e distribuire i modelli con poche righe di codice. Per esportare in formati per dispositivi mobili come LiteRT basta modificare un solo argomento.
  2. Requisiti di memoria: I modelli Ultralytics sono progettati per un addestramento efficiente. In genere richiedono meno memoria CUDA dei pesanti modelli Transformer per la visione, consentendo ai ricercatori di usare batch di dimensioni maggiori su hardware di fascia consumer.
  3. Versatilità: Mentre YOLOv7 utilizza rami di codice separati per task diversi, YOLO26 supporta nativamente la segmentazione delle istanze, la segmentazione semantica, la stima della profondità, la classificazione delle immagini, la stima della posa e il rilevamento delle Bounding Box orientate (OBB) da un'unica libreria. Include anche funzioni di perdita specifiche per task, come Residual Log-Likelihood Estimation (RLE) per le pipeline di stima della posa umana.
  4. Sviluppo attivo: La community open source di Ultralytics fornisce aggiornamenti frequenti, correzioni rapide per i casi limite e compatibilità continua con le versioni più recenti di PyTorch.
Esportazione semplificata

Per impostazione predefinita, YOLO26 utilizza la testa one-to-many con NMS per l'accuratezza. L'esportazione con nms=False seleziona la testa senza NMS, quindi la distribuzione su target embedded con Intel OpenVINO o ONNX Runtime non richiede uno script separato per la post-elaborazione NMS.

Casi d’uso nel mondo reale#

Le differenze architetturali tra questi modelli determinano gli scenari di distribuzione ideali.

Quando scegliere YOLO26#

YOLO26 è la scelta consigliata per i nuovi sistemi di visione artificiale.

  • AI edge e IoT: Grazie alla rapida inferenza su CPU e al numero ridotto di parametri, YOLO26n è adatto a dispositivi con risorse limitate come Raspberry Pi o le telecamere per le città intelligenti.
  • Droni e immagini aeree: L'integrazione di ProgLoss + STAL migliora il rilevamento di oggetti di piccole dimensioni, rendendo il modello particolarmente adatto alle ispezioni delle tubazioni e all'agricoltura di precisione.
  • Robotica multi-task: Poiché gestisce bounding box, maschere di segmentazione e keypoint della posa in un unico framework con un basso consumo di memoria, è adatto alla navigazione e all'interazione di robot in ambienti dinamici.

Quando prendere in considerazione YOLOv7#

Anche se è stato in gran parte superato da architetture più recenti, YOLOv7 conserva alcuni impieghi specifici.

  • Benchmark accademici: i ricercatori che sviluppano nuove head di rilevamento basate su anchor o studiano strategie per i percorsi del gradiente usano spesso YOLOv7 come riferimento standard per il confronto.
  • Pipeline GPU legacy: i sistemi aziendali realizzati su misura attorno agli output tensoriali specifici di YOLOv7 e alle configurazioni NMS personalizzate, in esecuzione su istanze AWS EC2 P4d potenti, possono rimandare la migrazione a modelli più recenti finché non diventa necessario rifare completamente il sistema.

Esempio di codice: per iniziare#

L'esperienza di sviluppo è diversa da quella dei repository di ricerca standard. Addestrare un modello YOLO26 personalizzato richiede poche righe:

from ultralytics import YOLO

# Carica l'ultimo modello YOLO26 small
model = YOLO("yolo26s.pt")

# Addestra il modello sul tuo dataset personalizzato con caching e registrazione dei log automatizzati
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device="0")

# Esegui una previsione end-to-end senza NMS su un’immagine esterna
predictions = model("https://ultralytics.com/images/bus.jpg", nms=False)

# Esporta il modello ottimizzato per la distribuzione edge
model.export(format="onnx")

Considerazioni finali#

YOLOv7 rimane una tappa importante e rispettata nella storia del rilevamento di oggetti in tempo reale, ma il settore si è orientato verso modelli che privilegiano la semplicità di distribuzione, la versatilità multi-task e l'efficienza edge.

Grazie all'inferenza opzionale senza NMS, all'ottimizzatore MuSGD e alla maggiore velocità di inferenza su CPU, Ultralytics YOLO26 è oggi la scelta consigliata per sviluppatori e ingegneri aziendali. Insieme all'ecosistema Ultralytics intuitivo, offre un ottimo equilibrio tra velocità, accuratezza e facilità d'uso.

Collaboratori

Commenti2

Fai una domanda, condividi i tuoi risultati o aiuta qualcun altro.

  1. Murat Raimbekov(modificato)

    hey @ShadowSinence, good question - and no, yolo26 doesn't have any "irreparable defect", it's actually the opposite. a few practical reasons why you still see lots of cnki papers building on v7/v8/v10:

    1. publication timeline lag. yolo26 was released on 2026-01-14, just about four months ago. academic papers usually take 6-18 months from research start to publication, so most papers being submitted now started their experiments back when v7/v8/v10 were the latest stable options.

    2. baseline reproducibility. papers like "improved yolov8 with attention module x for medical detection" rely on a well-established baseline with years of comparison literature. switching to a brand-new model means redoing every comparison from scratch and using a baseline reviewers may not yet be familiar with.

    3. ecosystem maturity. v8 in particular has thousands of github forks, third-party custom modules, and chinese-language tutorials. for graduate students under time pressure, building on a mature codebase is faster than learning a new one.

    4. architectural surface. v26 is nms-free, removes dfl, and uses a new musgd optimizer. great for deployment, but it changes a lot of the surface that anchor-based / nms-based ablations rely on. researchers comparing apples-to-apples often stick with the older anchor/nms setup.

    on raw benchmarks, v26 does lead across the size sweep:

    modelmAP50-95params (M)flops (B)
    yolo26x57.555.7193.9
    yolov7x53.171.3189.9

    so v26x is +4.4 mAP with ~22% fewer params. this lag in academic adoption is normal for any new release - it usually takes a year or so before papers built on it start appearing in numbers.

    for choosing a model for your own work, the models index lays out the trade-offs side by side.

  2. ShadowSinenceGitHub

    既然有更多优秀的yolo模型,为什么在知网上仍有专家教授继续使用v7,v8,v10的模型进行改进,而不是直接使用v26,难道26仍有什么不可弥补的缺陷吗