YOLO26 vs YOLOX#

Nel 2021, YOLOX ha introdotto un influente design senza anchor, colmando il divario tra ricerca accademica e applicazioni industriali per il rilevamento di oggetti in tempo reale. A gennaio 2026, Ultralytics YOLO ha rilasciato YOLO26. Questo confronto analizza come YOLO26 si basi sulle innovazioni precedenti e in cosa si differenzi per prestazioni, versatilità e facilità d'uso.

Panoramica dei modelli#

Comprendere le origini e le filosofie fondamentali di questi modelli è essenziale per prendere decisioni consapevoli sul deployment.

Dettagli su YOLO26#

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

YOLO26 è il modello Ultralytics YOLO più recente e offre una head opzionale end-to-end senza NMS (nms=False), che elimina i colli di bottiglia della post-elaborazione. È ottimizzato per le distribuzioni cloud ed edge e dispone di un ecosistema che supporta diverse attività di visione.

Dettagli su YOLOX#

• Autori: Zheng Ge, Songtao Liu, Feng Wang, Zeming Li e Jian Sun
• Organizzazione: Megvii
• Data: 2021-07-18
• arXiv: Rapporto tecnico su YOLOX
• GitHub: Repository GitHub di YOLOX
• Documentazione: Documentazione di YOLOX

Scopri di più su YOLOX

YOLOX ha rappresentato un importante passo avanti, introducendo una testa disaccoppiata e un'architettura senza anchor, insieme alla strategia di assegnazione delle etichette SimOTA. Al momento del rilascio offriva un eccellente equilibrio tra velocità e precisione, diventando una scelta popolare per molti sistemi legacy.

Innovazioni architetturali#

Le differenze tra YOLO26 e YOLOX riflettono i progressi nella progettazione del deep learning dal 2021 al 2026.

YOLOX ha promosso l'approccio anchor-free, ma si affidava ancora alla soppressione tradizionale dei non massimi (NMS) per filtrare i riquadri delimitatori ridondanti. YOLO26 aggiunge una testa opzionale end-to-end senza NMS (nms=False). Questo approccio, introdotto nei modelli YOLO da YOLOv10, salta la post-elaborazione NMS, ottenendo pipeline di distribuzione più veloci e semplici, con una minore variabilità della latenza.

Inoltre, YOLO26 elimina DFL. La rimozione della Distribution Focal Loss semplifica il processo di esportazione e migliora la compatibilità con i dispositivi edge e l'hardware a basso consumo. Insieme ad altre ottimizzazioni architetturali, questo rende YOLO26n fino al 43% più veloce su CPU rispetto a YOLO11n, una scelta adatta agli ambienti senza GPU dedicate.

La stabilità dell'addestramento è un altro fattore distintivo fondamentale. YOLO26 usa l'ottimizzatore MuSGD, una combinazione ibrida di SGD e Muon ispirata alle innovazioni di addestramento degli LLM di Moonshot AI. Questo ottimizzatore porta nella visione artificiale la stabilità di addestramento dei modelli linguistici di grandi dimensioni, favorendo una convergenza più rapida.

Prestazioni e benchmark#

Sul dataset COCO, YOLO26 raggiunge una mAP superiore a YOLOX a ogni dimensione comparabile (per esempio, 48,6 contro 40,5 per i modelli s) e una latenza TensorRT su T4 inferiore.

Nota: YOLO26x raggiunge una mAP di 57,5 con 55,7 M di parametri, mentre YOLOXx raggiunge una mAP di 51,1 con 99,1 M di parametri.

Ecosistema e facilità d’uso#

Uno dei vantaggi più significativi della scelta di YOLO26 è l'ecosistema ben mantenuto offerto da Ultralytics. Mentre YOLOX richiede di orientarsi tra basi di codice di ricerca e configurazioni manuali dell'ambiente, Ultralytics offre un'esperienza di sviluppo più semplice.

Con l'API Python unificata, gli sviluppatori possono passare facilmente da un'attività all'altra, come il rilevamento di oggetti, la segmentazione di istanze, la segmentazione semantica, la stima della profondità, la classificazione delle immagini, la stima della posa e gli OBB. YOLOX è limitato al rilevamento tramite riquadri di delimitazione.

Esempio di training#

Con Ultralytics, addestrare un modello su un dataset personalizzato è efficiente. La pipeline di addestramento mantiene basso l'uso della memoria CUDA, consentendo batch size maggiori sull'hardware di fascia consumer rispetto a molte architetture meno recenti o a modelli Transformer pesanti.

from ultralytics import YOLO

# Inizializza il modello YOLO26 small
model = YOLO("yolo26s.pt")

# Addestra il modello sul dataset COCO8
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)

# Esporta il modello addestrato in formato ONNX per il deployment
model.export(format="onnx")

La piattaforma Ultralytics migliora ulteriormente questo flusso di lavoro, offrendo addestramento cloud, annotazione dei dataset assistita dall'IA e opzioni di distribuzione per i team che passano dal prototipo alla produzione.

Casi d'uso ideali e applicazioni nel mondo reale#

Il modello giusto dipende dal tuo ambiente di distribuzione.

AI edge e IoT#

Per le applicazioni che richiedono l'elaborazione locale su hardware limitato, come i sistemi di allarme di sicurezza intelligenti o i sensori ambientali remoti, YOLO26 è la scelta migliore. La head opzionale senza NMS e la rapida esecuzione su CPU gli consentono di funzionare su dispositivi come Raspberry Pi senza complesse soluzioni alternative di quantizzazione.

Robotica autonoma#

Le applicazioni di robotica richiedono elevata precisione e bassa latenza. Le capacità di stima della posa di YOLO26, potenziate dalla stima della log-verosimiglianza residua (RLE), consentono ai robot di comprendere la cinematica umana in tempo reale. L'assenza in YOLOX del rilevamento nativo dei punti chiave lo rende inadatto a compiti così avanzati di interazione uomo-robot.

Ispezioni ad alta quota e aeree#

Quando si ispezionano infrastrutture con i droni, rilevare piccoli difetti è fondamentale. ProgLoss e STAL in YOLO26 migliorano il richiamo sugli oggetti piccoli. Inoltre, YOLO26 supporta nativamente i riquadri di delimitazione orientati (OBB), con una loss angolare specializzata per risolvere i problemi ai bordi, il che lo rende particolarmente adatto alle immagini satellitari e aeree in cui gli oggetti possono essere ruotati in qualsiasi direzione.

Deployment legacy#

YOLOX può essere ancora utile negli ambienti legacy in cui le pipeline di distribuzione C++ esistenti sono state progettate esplicitamente, nel 2021, attorno agli output specifici della sua head disaccoppiata. Per i nuovi progetti, si consiglia di migrare all'ecosistema Ultralytics per ottenere prestazioni migliori e supporto continuo della community.

Esplora altri modelli#

YOLO26 è il modello Ultralytics consigliato, ma l'ecosistema offre una varietà di modelli adatti a esigenze specifiche. Gli sviluppatori interessati alle architetture basate su Transformer possono provare RT-DETR, che offre un approccio alternativo al rilevamento end-to-end. Inoltre, YOLO11 rimane una scelta consolidata per gli ambienti di produzione che richiedono benchmark storici approfonditi.

In sintesi, il passaggio da YOLOX a YOLO26 mostra quanto rapidamente sia progredito il settore. Grazie a un'API intuitiva, a un insieme versatile di funzionalità e a un'elevata efficienza, YOLO26 è la scelta consigliata per ricercatori e sviluppatori.