YOLO26 vs YOLOv9#

Questo confronto tecnico esamina le differenze tra YOLO26 e YOLOv9, due modelli importanti per il rilevamento degli oggetti in tempo reale. Entrambi offrono innovazioni architetturali distintive; comprenderne i compromessi in termini di prestazioni, le capacità di distribuzione e i requisiti hardware è essenziale per scegliere lo strumento giusto per il tuo prossimo progetto di visione.

YOLO26: rilevamento ottimizzato per l'edge#

Rilasciato all’inizio del 2026, Ultralytics YOLO26 punta all’efficienza di distribuzione e alla stabilità dell’addestramento. La sua inferenza end-to-end opzionale affronta i colli di bottiglia nella distribuzione che da tempo interessano le applicazioni di IA edge.

Dettagli del modello:

• Autori: Glenn Jocher e Jing Qiu
• Organizzazione: Ultralytics
• Data: 2026-01-14
• GitHub: Repository Ultralytics
• Documentazione: Documentazione di YOLO26

Architettura e innovazioni#

YOLO26 riprogetta la pipeline di post-elaborazione introducendo un design end-to-end senza NMS. Quando viene eseguito con la sua head one-to-one opzionale (nms=False), il modello salta la soppressione dei non massimi (NMS) e riduce la variabilità della latenza. Questo semplifica la distribuzione su piattaforme mobili ed edge, soprattutto quando si esporta in framework come ONNX e Apple CoreML.

Inoltre, la rimozione della Distribution Focal Loss (DFL) semplifica il processo di esportazione e migliora la compatibilità con i dispositivi edge a basso consumo. Per migliorare la stabilità dell’addestramento, YOLO26 integra l’ottimizzatore MuSGD, una combinazione di discesa stocastica del gradiente (SGD) e Muon ispirata alle innovazioni nell’addestramento dei modelli linguistici di grandi dimensioni (LLM). Il risultato è una convergenza più rapida.

Per rilevare oggetti piccoli in scene come le immagini aeree riprese da droni, YOLO26 usa ProgLoss + STAL (loss progressiva e assegnazione delle etichette consapevole degli oggetti piccoli), che migliorano il richiamo sugli oggetti piccoli. Include inoltre miglioramenti specifici per attività, tra cui un modulo proto multiscala per la segmentazione di istanze, la stima residua della log-verosimiglianza (RLE) per la stima della posa e una loss angolare specializzata per rilevare riquadri di delimitazione orientati (OBB).

YOLOv9: informazioni di gradiente programmabili#

Introdotto all'inizio del 2024, YOLOv9 ha apportato progressi teorici al modo in cui le reti neurali gestiscono il flusso del gradiente durante l'addestramento, concentrandosi sull'efficienza dei parametri e sulla conservazione delle caratteristiche profonde.

Dettagli del modello:

• Autori: Chien-Yao Wang e Hong-Yuan Mark Liao
• Organizzazione: Institute of Information Science, Academia Sinica, Taiwan
• Data: 2024-02-21
• arXiv: Articolo su YOLOv9
• GitHub: Repository di YOLOv9
• Documentazione: Documentazione di YOLOv9

Architettura e punti di forza#

YOLOv9 si basa sul concetto di informazioni di gradiente programmabili (PGI) e sulla rete di aggregazione efficiente generalizzata dei livelli (GELAN). Questi concetti affrontano il problema del collo di bottiglia informativo, spesso osservato nelle reti neurali profonde. Conservando le informazioni essenziali durante il processo feed-forward, GELAN garantisce che i gradienti usati per aggiornare i pesi rimangano affidabili. Questa architettura offre un'elevata precisione e rende YOLOv9 un valido candidato per la ricerca accademica sulla teoria delle reti neurali e sull'ottimizzazione dei percorsi del gradiente con il framework PyTorch.

Limitazioni#

Nonostante l’ottima efficienza dei parametri, YOLOv9 si affida alla NMS tradizionale per la post-elaborazione dei riquadri di delimitazione, il che può creare colli di bottiglia computazionali durante l’inferenza sui dispositivi edge. Inoltre, il repository ufficiale è in gran parte incentrato sul rilevamento degli oggetti: per adattarlo ad attività specifiche come il tracciamento o la stima della posa è necessario intervenire con codice personalizzato.

Scopri di più su YOLOv9

Confronto delle prestazioni#

Quando valuti questi modelli per una distribuzione reale, è fondamentale bilanciare precisione (mAP), velocità di inferenza e uso della memoria. I modelli Ultralytics sono noti per i bassi requisiti di memoria sia durante l’addestramento sia durante l’inferenza e richiedono in genere meno memoria CUDA rispetto alle alternative basate su Transformer come RT-DETR.

Di seguito è riportato un confronto diretto delle prestazioni di YOLO26 e YOLOv9 sul dataset COCO. I valori migliori di ogni colonna sono evidenziati in grassetto.

Nota: in questa tabella non sono riportate le velocità CPU ONNX di YOLOv9. Su T4 TensorRT, YOLO26 è più veloce di YOLOv9 a ogni dimensione ed è anche più preciso a parità di dimensioni (per esempio, 57,5 contro 55,6 mAP per YOLO26x rispetto a YOLOv9e, con meno parametri).

Casi d'uso e consigli#

La scelta tra YOLO26 e YOLOv9 dipende dai requisiti specifici del tuo 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 senza GPU: Dispositivi privi di accelerazione GPU dedicata, sui quali l’inferenza CPU di YOLO26n, fino al 43% più veloce di YOLO11n, offre un vantaggio decisivo.
• Rilevamento di oggetti di piccole dimensioni: scenari complessi come le immagini aeree acquisite da droni o l'analisi dei sensori IoT, in cui ProgLoss e STAL migliorano notevolmente la precisione sugli oggetti molto piccoli.

Quando scegliere YOLOv9#

YOLOv9 è consigliato per:

• Ricerca sui colli di bottiglia informativi: progetti accademici che studiano le informazioni di gradiente programmabili (PGI) e le architetture di rete di aggregazione efficiente generalizzata dei livelli (GELAN).
• Studi sull'ottimizzazione del flusso del gradiente: ricerche incentrate sulla comprensione e sulla riduzione della perdita di informazioni nei livelli delle reti profonde durante l'addestramento.
• Benchmark di rilevamento ad alta precisione: scenari in cui le prestazioni di YOLOv9 nei benchmark COCO servono come riferimento per confrontare le architetture.

I vantaggi di Ultralytics#

Scegliere un modello significa andare oltre la lettura di un benchmark di precisione: l’ecosistema software circostante determina quanto rapidamente puoi passare dalla raccolta dei dati alla produzione.

Facilità d'uso ed ecosistema#

L’API Python di Ultralytics mantiene semplice il flusso di lavoro. Invece di clonare repository complessi o configurare manualmente script di addestramento distribuito, gli sviluppatori possono installare il pacchetto tramite pip e iniziare subito l’addestramento. L’ecosistema Ultralytics, mantenuto attivamente, offre aggiornamenti frequenti, integrazioni con piattaforme di machine learning come Weights & Biases e documentazione approfondita.

Versatilità nelle attività di visione#

YOLOv9 è principalmente un modello di rilevamento, mentre YOLO26 è un modello di visione per uso generale. Con un’unica sintassi unificata puoi passare dal rilevamento degli oggetti alla segmentazione delle immagini, alla segmentazione semantica, alla stima della profondità, alla classificazione dell’intera immagine, alla stima della posa o all’OBB. Questa versatilità riduce il debito tecnico legato alla gestione di basi di codice separate per le diverse funzionalità di visione artificiale.

Addestramento e distribuzione efficienti#

YOLO26 usa pesi preaddestrati facilmente reperibili e in genere richiede meno memoria dei grandi Transformer per la visione artificiale. Una volta completato l’addestramento, le pipeline di esportazione integrate consentono di convertire il modello con una sola riga di codice in formati ottimizzati come TensorRT o LiteRT, semplificando il passaggio alla produzione.

Esempio di codice: iniziare con YOLO26#

Il seguente frammento di codice Python mostra come caricare un modello preaddestrato, addestrarlo con dati personalizzati ed eseguire inferenze tramite l’API Ultralytics.

from ultralytics import YOLO

# Carica il modello nano YOLO26 più recente
model = YOLO("yolo26n.pt")

# Addestra il modello sul dataset COCO8 (optimizer='auto' seleziona MuSGD per le sessioni di addestramento più lunghe)
results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    device=0,  # Usa la GPU 0 oppure 'cpu' per l'addestramento su CPU
)

# Esegui un'inferenza senza NMS su un'immagine di esempio
predictions = model("https://ultralytics.com/images/bus.jpg", nms=False)

# Visualizza le bounding box e i valori di confidenza
predictions[0].show()

Grazie alla velocità, all’architettura semplificata e all’ecosistema di YOLO26, i team possono portare sul mercato applicazioni di IA per la visione più rapidamente e con meno ostacoli tecnici.