Link to this sectionYOLOv10 vs YOLOv5#

Scegliere la giusta architettura di rete neurale è fondamentale per implementare pipeline di computer vision di successo in produzione. Questa pagina fornisce un'analisi tecnica approfondita confrontando YOLOv10 e YOLOv5, due modelli di grande influenza nell'evoluzione del rilevamento di oggetti in tempo reale. Sebbene entrambi i modelli abbiano avuto un impatto significativo sulla comunità AI, rappresentano ere e filosofie diverse nella progettazione dell'architettura di deep learning.

Questa guida valuta queste architetture in base a mean Average Precision (mAP), latenza di inferenza, efficienza dei parametri e supporto dell'ecosistema, aiutandoti a scegliere il modello migliore per le tue esigenze di distribuzione.

Link to this sectionPanoramica dei modelli#

Link to this sectionYOLOv10: Rilevamento oggetti end-to-end in tempo reale#

Sviluppato dai ricercatori della Tsinghua University, YOLOv10 ha introdotto un approccio innovativo al rilevamento di oggetti eliminando la necessità di post-elaborazione.

• Autori: Ao Wang, Hui Chen, Lihao Liu, et al.
• Organizzazione: Università Tsinghua
• Data: 23-05-2024
• Paper di ricerca: arXiv:2405.14458
• Codice Sorgente: Repository GitHub di YOLOv10

La svolta decisiva di YOLOv10 è il suo Design End-to-End NMS-Free. Storicamente, i modelli YOLO si affidavano alla Non-Maximum Suppression (NMS) per filtrare i riquadri di delimitazione ridondanti. YOLOv10 utilizza assegnazioni duali coerenti per l'addestramento senza NMS, che riduce drasticamente la variabilità della latenza di inferenza e semplifica la logica di distribuzione. Inoltre, l'architettura presenta un design olistico orientato all'efficienza e alla precisione che ottimizza accuratamente vari componenti per ridurre la ridondanza computazionale.

Scopri di più su YOLOv10

Link to this sectionYOLOv5: Lo standard del settore per l'usabilità#

Rilasciato poco dopo la creazione del repository PyTorch di Ultralytics, YOLOv5 ha ridefinito le aspettative degli sviluppatori riguardo a un framework open-source di visione artificiale. Rimane una delle architetture più diffuse a livello globale.

• Autore: Glenn Jocher
• Organizzazione: Ultralytics
• Data: 2020-06-26
• Codice Sorgente: Repository GitHub di YOLOv5

YOLOv5 è celebrato per la sua Facilità d'Uso e il suo Ecosistema Molto Ben Mantenuto. Scritto interamente in PyTorch, offre un'esperienza "da zero a eroe" fluida con supporto immediato per addestramento, validazione ed esportazione in formati come ONNX e TensorRT. A differenza di YOLOv10, che si concentra principalmente sul rilevamento puro di oggetti, YOLOv5 dimostra un'eccezionale Versatilità, supportando segmentazione di istanze e classificazione di immagini all'interno dello stesso Python API unificato.

Scopri di più su YOLOv5

Link to this sectionConfronto tra prestazioni e metriche#

Visualizzare la relazione tra velocità e precisione è essenziale per identificare i modelli che offrono la migliore precisione per un determinato vincolo di velocità. Comprendere queste metriche di performance è fondamentale per selezionare un modello che si allinei ai tuoi specifici vincoli hardware.

Link to this sectionAnalisi Tecnica#

1. Precisione (mAP): YOLOv10 dimostra un chiaro vantaggio generazionale in termini di precisione. Ad esempio, il modello YOLOv10-X raggiunge un 54.4% mAP^val, superando YOLOv5x (50.7% mAP). Questo salto è dovuto in gran parte alla strategia di addestramento senza NMS e ai perfezionamenti architettonici introdotti nel 2024.
2. Latenza di Inferenza: Mentre i modelli YOLOv5 sono eccezionalmente veloci sui benchmark grezzi T4 TensorRT (es. YOLOv5n a 1.12ms), YOLOv10 elimina completamente il passaggio di post-elaborazione NMS. Nelle distribuzioni pratiche end-to-end, il design NMS-free di YOLOv10 fornisce una latenza più coerente e deterministica, critica per applicazioni in tempo reale come veicoli autonomi e robotica.
3. Efficienza dei Parametri: I modelli YOLOv10 mantengono un Equilibrio di Performance altamente competitivo. YOLOv10-S raggiunge il 46.7% mAP con soli 7.2M di parametri, mentre YOLOv5s raggiunge il 37.4% mAP con 9.1M di parametri.

Link to this sectionCasi d'uso e raccomandazioni#

Scegliere tra YOLOv10 e YOLOv5 dipende dai requisiti specifici del tuo progetto, dai vincoli di distribuzione e dalle preferenze dell'ecosistema.

Link to this sectionQuando scegliere YOLOv10#

YOLOv10 è un'ottima scelta per:

• Rilevamento in tempo reale senza NMS: Applicazioni che traggono vantaggio dal rilevamento end-to-end senza Non-Maximum Suppression, riducendo la complessità di distribuzione.
• Compromessi bilanciati tra velocità e precisione: Progetti che richiedono un ottimo equilibrio tra velocità di inferenza e precisione di rilevamento su diverse scale di modello.
• Applicazioni a latenza costante: Scenari di distribuzione in cui tempi di inferenza prevedibili sono fondamentali, come nella robotica o nei sistemi autonomi.

Link to this sectionQuando scegliere YOLOv5#

YOLOv5 è consigliato per:

• Sistemi di produzione comprovati: Deployment esistenti in cui sono apprezzati la lunga storia di stabilità, l'ampia documentazione e il massiccio supporto della comunità di YOLOv5.
• Addestramento con risorse limitate: Ambienti con risorse GPU limitate in cui la pipeline di addestramento efficiente e i minori requisiti di memoria di YOLOv5 sono vantaggiosi.
• Ampio supporto di formati di esportazione: Progetti che richiedono il deployment su molti formati, inclusi ONNX, TensorRT, CoreML e TFLite.

Link to this sectionQuando scegliere Ultralytics (YOLO26)#

Per la maggior parte dei nuovi progetti, Ultralytics YOLO26 offre la migliore combinazione di prestazioni ed esperienza per gli sviluppatori:

• Implementazione Edge senza NMS: Applicazioni che richiedono un'inferenza costante e a bassa latenza senza la complessità della post-elaborazione della soppressione dei non massimi.
• Ambienti solo CPU: Dispositivi senza accelerazione GPU dedicata, dove l'inferenza CPU fino al 43% più veloce di YOLO26 fornisce un vantaggio decisivo.
• Rilevamento di oggetti piccoli: Scenari impegnativi come immagini di droni aerei o analisi di sensori IoT in cui ProgLoss e STAL aumentano significativamente la precisione su oggetti minuscoli.

Link to this sectionIl vantaggio di Ultralytics#

Sebbene YOLOv10 offra eccellenti capacità di rilevamento, fare affidamento su repository accademici a volte può complicare le pipeline di produzione. Utilizzando il pacchetto Python ufficiale di Ultralytics, ottieni l'accesso a un ecosistema unificato che supporta sia YOLOv5 che YOLOv10, insieme a funzionalità avanzate.

• Efficienza dell'Addestramento: Le architetture Ultralytics YOLO sono profondamente ottimizzate per ridurre i requisiti di memoria durante l'addestramento. A differenza dei modelli Transformer pesanti (come RT-DETR) che richiedono una massiccia memoria CUDA, puoi addestrare comodamente YOLOv5 e YOLOv10 su GPU consumer standard.
• Integrazione dell'Ecosistema: L'integrazione con Ultralytics Platform consente agli sviluppatori di gestire visivamente i dataset, monitorare gli esperimenti utilizzando Weights & Biases e ottimizzare automaticamente gli iperparametri.

Link to this sectionEsempio di Codice: Addestramento Fluido#

Utilizzando la libreria Ultralytics, passare da un'architettura all'altra è semplice come cambiare la stringa del modello. La pipeline di addestramento gestisce automaticamente l'aumento dei dati, il ridimensionamento e la configurazione dell'ottimizzatore.

from ultralytics import YOLO

# To use YOLOv5:
# model = YOLO("yolov5s.pt")

# To use YOLOv10:
model = YOLO("yolov10s.pt")

# Train the model on a custom dataset
results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    batch=16,
    device=0,  # Use GPU 0
)

# Export the trained model to ONNX format
path = model.export(format="onnx")

Link to this sectionLa Prossima Generazione: Ultralytics YOLO26#

Se stai iniziando un nuovo progetto di machine learning oggi, ti consigliamo vivamente di valutare l'ultimo Ultralytics YOLO26. Rilasciato a gennaio 2026, rappresenta l'assoluto stato dell'arte combinando le migliori innovazioni degli ultimi cinque anni.

YOLO26 incorpora nativamente il Design End-to-End NMS-Free sperimentato da YOLOv10, garantendo una distribuzione rapida e deterministica. Inoltre, YOLO26 introduce diverse svolte critiche:

• Fino al 43% più veloce nell'inferenza su CPU: Rimuovendo il modulo Distribution Focal Loss (DFL), YOLO26 ottiene enormi miglioramenti di velocità sulle CPU standard, rendendolo la scelta principale per distribuzione mobile e sensori IoT a basso consumo.
• Ottimizzatore MuSGD: Ispirato dalle tecniche di addestramento dei modelli linguistici di grandi dimensioni (LLM) come Kimi K2 di Moonshot AI, YOLO26 utilizza un ibrido di SGD e Muon. Ciò garantisce esecuzioni di addestramento incredibilmente stabili e una convergenza vastamente accelerata rispetto agli ottimizzatori AdamW utilizzati in YOLOv10.
• ProgLoss + STAL: Queste funzioni di perdita avanzate producono notevoli miglioramenti nel riconoscimento di oggetti piccoli, il che è fondamentale per immagini di droni e applicazioni di sicurezza aerea.
• Padronanza Specifica per Compiti: Mentre YOLOv10 è strettamente un rilevatore di bounding box, YOLO26 offre miglioramenti architettonici dedicati per tutti i compiti, inclusa la stima della log-verosimiglianza residua (RLE) per la posa e perdite d'angolo specializzate per riquadri di delimitazione orientati (OBB).

Che tu ti affidi alla solida eredità di YOLOv5, all'innovazione NMS-free di YOLOv10 o alle prestazioni all'avanguardia senza pari di YOLO26, l'ecosistema Ultralytics fornisce gli strumenti necessari per dare vita alle tue applicazioni di visione AI in modo rapido ed efficiente.