YOLO26 vs YOLOv8#

I modelli di visione artificiale puntano a prestazioni in tempo reale senza sacrificare la precisione; per chi lavora nel machine learning, scegliere l’architettura del modello giusta è fondamentale. Questo confronto tecnico esamina il passaggio da Ultralytics YOLOv8, un’architettura ampiamente adottata e rilasciata nel 2023, a Ultralytics YOLO26, rilasciato a gennaio 2026.

Confrontando architetture, metriche delle prestazioni e metodologie di addestramento, il testo mostra quando l’aggiornamento offre vantaggi per il rilevamento degli oggetti, la segmentazione e altro ancora.

Contesto e metadati del modello#

Conoscere le origini di queste architetture aiuta a contestualizzare le scelte progettuali. Entrambi i modelli sono stati sviluppati da Ultralytics, che punta a rendere l’IA per la visione accessibile e facile da distribuire.

Dettagli di YOLO26:

• Autori: Glenn Jocher e Jing Qiu
• Organizzazione: Ultralytics
• Data: 2026-01-14
• GitHub: https://github.com/ultralytics/ultralytics
• Documentazione: https://docs.ultralytics.com/models/yolo26

Dettagli di YOLOv8:

• Autori: Glenn Jocher, Ayush Chaurasia e Jing Qiu
• Organizzazione: Ultralytics
• Data: 2023-01-10
• GitHub: https://github.com/ultralytics/ultralytics
• Documentazione: https://docs.ultralytics.com/models/yolov8

Innovazioni architetturali#

Il passaggio da YOLOv8 a YOLO26 modifica il modo in cui la rete genera le predizioni e calcola la loss.

YOLO26: efficienza per l'edge#

YOLO26 è stato progettato per eliminare i colli di bottiglia nella distribuzione e massimizzare la velocità di inferenza su hardware con risorse limitate.

• Design end-to-end senza NMS: basandosi sull'addestramento senza NMS introdotto nei modelli YOLO da YOLOv10, YOLO26 supporta l'inferenza end-to-end tramite una testa one-to-one opzionale (nms=False). Saltando la fase di post-elaborazione della soppressione dei non massimi (NMS), riduce la variabilità della latenza e semplifica la logica di distribuzione per le applicazioni che richiedono garanzie rigorose in tempo reale.
• Rimozione della DFL: La rimozione della Distribution Focal Loss (DFL) semplifica la head di output. Questa scelta architetturale migliora la compatibilità con i dispositivi edge a basso consumo e semplifica l’esportazione in formati come ONNX e CoreML.
• Ottimizzatore MuSGD: Ispirato alla stabilità di addestramento osservata nei modelli linguistici di grandi dimensioni (LLM) come Kimi K2 di Moonshot AI, YOLO26 utilizza l'ottimizzatore MuSGD, un ibrido tra Stochastic Gradient Descent e Muon. Questo introduce nella visione artificiale idee provenienti dall'addestramento degli LLM, garantendo una convergenza più rapida e sessioni di addestramento più stabili.
• ProgLoss + STAL: Per affrontare il difficile problema del riconoscimento di soggetti di piccole dimensioni, YOLO26 implementa Progressive Loss (ProgLoss) insieme a Small-Target-Aware Label Assignment (STAL). Questo migliora il rilevamento di oggetti di piccole dimensioni, rendendo il modello particolarmente adatto alle applicazioni con droni.

YOLOv8: il modello versatile e affidabile#

Al momento del rilascio nel 2023, YOLOv8 ha stabilito un nuovo punto di riferimento passando completamente a un design senza anchor, che generalizzava meglio con rapporti d'aspetto diversi nei dataset.

• Modulo C2f: Ha sostituito il precedente modulo C3 con il blocco C2f, migliorando il flusso del gradiente lungo il backbone della rete.
• Testa disaccoppiata: YOLOv8 presenta una testa disaccoppiata, in cui la classificazione e la regressione delle bounding box vengono calcolate in modo indipendente, migliorando la precisione media media (mAP).
• Versatilità dei task: È stato uno dei primi modelli a offrire subito un'API unificata per rilevamento, segmentazione, classificazione delle immagini, stima della posa e, successivamente, task OBB.

Metriche prestazionali e requisiti di risorse#

Quando si valutano i modelli per la produzione, è fondamentale trovare un equilibrio tra accuratezza, velocità di inferenza e dimensioni del modello. YOLO26 è più accurato di YOLOv8 a ogni dimensione, con meno parametri e FLOPs e una latenza inferiore su T4 TensorRT a partire dalla scala s.

Nota: i valori evidenziati mostrano l’equilibrio prestazionale e i miglioramenti in termini di efficienza dell’architettura YOLO26 rispetto al predecessore.

Analisi#

YOLO26 offre un'inferenza CPU più rapida rispetto ai modelli YOLOv8 comparabili nella maggior parte delle scale. Ad esempio, YOLO26n impiega 38.9 ms su CPU con ONNX, rispetto agli 80.4 ms di YOLOv8n, aumentando al contempo mAP da 37.3 a 40.9. Questo guadagno di efficienza su CPU deriva in gran parte dalla rimozione di DFL e dalla testa senza NMS, che rendono YOLO26 particolarmente adatto agli ambienti privi di GPU dedicate. YOLOv8x fa eccezione: su CPU è più veloce di YOLO26x (479.1 ms contro 525.8 ms).

Inoltre, i modelli YOLO26 hanno meno parametri e FLOPs nelle rispettive fasce dimensionali, riducendo l'uso della memoria GPU durante l'inferenza e l'addestramento.

I vantaggi dell’ecosistema Ultralytics#

Un aspetto importante nella scelta di un modello di AI è l'infrastruttura circostante. Sia YOLO26 sia YOLOv8 beneficiano della Ultralytics Platform unificata e della stessa esperienza per gli sviluppatori.

1. Facilità d'uso: Gli sviluppatori possono caricare, addestrare ed esportare i modelli con poche righe di codice. L'API Python rimane coerente tra le generazioni di modelli.
2. Efficienza dell'addestramento: I modelli Ultralytics YOLO richiedono in genere meno memoria CUDA durante l'addestramento rispetto ai modelli Transformer (come RT-DETR). Questo consente di usare batch di dimensioni maggiori su hardware di fascia consumer.
3. Ecosistema ben mantenuto: Grazie ad aggiornamenti continui, rigorose pipeline CI/CD e integrazioni approfondite con strumenti come Weights & Biases e TensorRT, il repository Ultralytics è pronto per la produzione.
4. Versatilità: Una singola importazione gestisce task e dataset diversi, supportando sistemi complessi che richiedono il tracciamento, la classificazione e la segmentazione simultanei.

Applicazioni nel mondo reale#

La scelta tra questi modelli dipende spesso dai vincoli di distribuzione, anche se YOLO26 è consigliato per i nuovi progetti.

Edge computing e reti IoT#

Per gli ambienti edge, come le implementazioni su Raspberry Pi o i sensori installati in aree specifiche degli stabilimenti, YOLO26 è la scelta migliore. La sua velocità su CPU e la testa opzionale senza NMS aiutano le telecamere intelligenti a elaborare video ad alta frequenza di fotogrammi per la gestione dei parcheggi, evitando colli di bottiglia nella post-elaborazione.

Immagini aeree e riprese ad alta quota#

Nel monitoraggio agricolo o nell'ispezione di infrastrutture con i droni, il rilevamento di oggetti di piccole dimensioni è fondamentale. L'implementazione di ProgLoss + STAL in YOLO26 aiuta a rilevare piccoli parassiti o crepe sottili nelle tubazioni che architetture meno recenti come YOLOv8 potrebbero non rilevare, un vantaggio quando si addestra il modello su dataset aerei come VisDrone.

Sistemi GPU legacy#

YOLOv8 rimane rilevante per i sistemi strettamente dipendenti dai suoi specifici output di regressione delle bounding box o per le implementazioni aziendali vincolate a cicli di convalida prolungati e che non possono migrare facilmente ad altre architetture.

Casi d'uso e consigli#

La scelta tra YOLO26 e YOLOv8 dipende dai requisiti specifici del 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 solo CPU: dispositivi senza accelerazione GPU dedicata, sui quali l'inferenza CPU di YOLO26, fino al 43% più rapida (YOLO26n rispetto a YOLO11n), offre un vantaggio decisivo.
• Rilevamento di oggetti piccoli: Scenari complessi come le immagini aeree riprese da droni o l’analisi dei sensori IoT, in cui ProgLoss e STAL migliorano la precisione sugli oggetti piccoli.

Quando scegliere YOLOv8#

YOLOv8 è consigliato per:

• Distribuzione versatile multi-task: progetti che richiedono un modello collaudato per rilevamento, segmentazione, classificazione e stima della posa nell'ecosistema Ultralytics.
• Sistemi di produzione consolidati: ambienti di produzione esistenti già basati sull’architettura YOLOv8, con pipeline di distribuzione stabili e ben testate.
• Ampio supporto della community e dell’ecosistema: applicazioni che traggono vantaggio dagli estesi tutorial di YOLOv8, dalle integrazioni di terze parti e dalle risorse della community attiva.

Esempio di codice: per iniziare#

Il codice Python seguente mostra come addestrare un modello YOLO26 sul dataset COCO8 ed eseguire un'inferenza senza NMS.

from ultralytics import YOLO

# Carica il modello YOLO26 Nano, estremamente efficiente
model = YOLO("yolo26n.pt")

# Addestra sul dataset COCO8 standard
# Iperparametri e aumenti di dati predefiniti vengono applicati automaticamente
results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    device="0",  # prima GPU CUDA; usa device="cpu" per addestrare sulla CPU
)

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

# Visualizza i rilevamenti ottenuti
predictions[0].show()

Altri modelli da considerare#

Sebbene YOLO26 sia il modello Ultralytics consigliato, gli sviluppatori che realizzano applicazioni diverse potrebbero valutare anche:

• YOLO11: il predecessore diretto di YOLO26, che perfeziona YOLOv8 ed è ancora ampiamente utilizzato nei sistemi di produzione.
• RT-DETR: Real-Time DEtection TRansformer di Baidu. È una buona scelta per i ricercatori che esplorano il meccanismo di attenzione nei task di visione, anche se per l'addestramento richiede più memoria CUDA rispetto ai modelli Ultralytics YOLO standard.

Per addestrare nel cloud, etichettare i dataset e distribuire i modelli in un unico posto, consulta la Ultralytics Platform.