Inizia

YOLOv10 vs YOLOv5

Scegliere l’architettura di rete neurale giusta è fondamentale per distribuire in produzione pipeline di visione artificiale efficaci. Questa pagina offre un’analisi tecnica approfondita che confronta YOLOv10 e YOLOv5, due modelli di grande influenza nell’evoluzione del rilevamento di oggetti in tempo reale. Entrambi hanno avuto un impatto significativo sulla community dell’AI, ma appartengono a epoche e filosofie diverse nella progettazione delle architetture di deep learning.

Questa guida valuta le architetture in base alla precisione media (mAP), alla latenza di inferenza, all’efficienza dei parametri e al supporto dell’ecosistema, aiutandoti a scegliere il modello più adatto alle tue esigenze di distribuzione.

Panoramica dei modelli#

YOLOv10: rilevamento di oggetti end-to-end in tempo reale#

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

La caratteristica distintiva di YOLOv10 è la sua progettazione end-to-end senza NMS. Storicamente, i modelli YOLO si affidavano alla soppressione dei non massimi (NMS) per filtrare i riquadri di delimitazione ridondanti. YOLOv10 usa assegnazioni doppie coerenti per l'addestramento senza NMS, riducendo la variabilità della latenza di inferenza e semplificando la logica di distribuzione. Inoltre, l'architettura adotta una progettazione olistica guidata da efficienza e precisione, che ottimizza vari componenti per ridurre la ridondanza computazionale.

Scopri di più su YOLOv10

YOLOv5: lo standard di settore per la facilità d’uso#

Rilasciato da Ultralytics a giugno 2020, YOLOv5 ha innalzato le aspettative in termini di facilità d'uso per i framework open source di IA visiva. Rimane una delle architetture più distribuite al mondo.

YOLOv5 è noto per la facilità d'uso e l'ecosistema mantenuto attivamente. Scritto interamente in PyTorch, offriva supporto immediato per l'addestramento, la convalida e l'esportazione in formati come ONNX e TensorRT. A differenza di YOLOv10, che si concentra sul rilevamento degli oggetti, YOLOv5 offre anche versatilità: il repository originale di YOLOv5 ha aggiunto la segmentazione delle istanze nella v7.0 e la classificazione delle immagini nella v6.2.

Confronto delle prestazioni e delle metriche#

Visualizzare la relazione tra velocità e precisione è essenziale per identificare i modelli che offrono la precisione migliore entro un determinato vincolo di velocità. Comprendere queste metriche delle prestazioni è fondamentale per selezionare un modello adatto ai vincoli specifici del tuo hardware.

Modellodimensione
(pixel)
mAPval50-95Velocità
CPU ONNX
(ms)
Velocità
T4 TensorRT10
(ms)
parametri
(M)
FLOPs
(B)
YOLOv10n64038.5-1.842.36.7
YOLOv10s64046.3-2.497.221.6
YOLOv10m64051.1-4.7415.459.1
YOLOv10b64052.5-5.7419.192.0
YOLOv10l64053.2-7.2824.4120.3
YOLOv10x64054.4-10.7029.5160.4
YOLOv5n64028.0-1.121.94.5
YOLOv5s64037.4-1.927.216.5
YOLOv5m64045.4-4.0321.249.0
YOLOv5l64049.0-6.6146.5109.1
YOLOv5x64050.7-11.8986.7205.7

Analisi tecnica#

  1. Accuratezza (mAP): YOLOv10 mostra un chiaro vantaggio generazionale in termini di accuratezza. Ad esempio, il modello YOLOv10-X raggiunge il 54.4% di mAPval50-95, superando YOLOv5x (50.7% di mAP). Questo incremento è dovuto in gran parte alla testa anchor-free di YOLOv10 e a perfezionamenti orientati all'accuratezza, come le convoluzioni con kernel di grandi dimensioni e la self-attention parziale.
  2. Latenza di inferenza: i modelli YOLOv5 sono molto veloci nei benchmark TensorRT grezzi su T4 (per esempio, YOLOv5n raggiunge 1,12 ms), ma YOLOv10 può saltare completamente la fase di post-elaborazione NMS. Nelle distribuzioni end-to-end reali, la progettazione senza NMS di YOLOv10 offre una latenza più costante, aspetto essenziale per applicazioni in tempo reale come i veicoli autonomi e la robotica.
  3. Efficienza dei parametri: i modelli YOLOv10 offrono un ottimo equilibrio delle prestazioni. YOLOv10-S raggiunge il 46,3% di mAP con 7,2M di parametri, lo stesso numero di YOLOv5s, che raggiunge il 37,4% di mAP.
Consiglio per la distribuzione

Quando distribuisci modelli su dispositivi di IA edge come NVIDIA Jetson, i modelli privi di logica NMS (YOLOv10 o YOLO26 esportato con nms=False) spesso vengono compilati più facilmente in TensorRT, evitando operazioni di ripiego sulla CPU.

Casi d'uso e consigli#

La scelta tra YOLOv10 e YOLOv5 dipende dai requisiti specifici del progetto, dai vincoli di distribuzione e dalle preferenze relative all’ecosistema.

Quando scegliere YOLOv10#

YOLOv10 è una scelta valida per:

  • Rilevamento in tempo reale senza NMS: applicazioni che traggono vantaggio dal rilevamento end-to-end senza soppressione non massima, riducendo la complessità della distribuzione.
  • Compromesso equilibrato tra velocità e precisione: progetti che richiedono un buon equilibrio tra velocità di inferenza e precisione di rilevamento con modelli di diverse dimensioni.
  • Applicazioni con latenza costante: scenari di distribuzione in cui i tempi di inferenza prevedibili sono fondamentali, ad esempio nella robotica o nei sistemi autonomi.

Quando scegliere YOLOv5#

YOLOv5 è consigliato per:

  • Sistemi di produzione collaudati: distribuzioni esistenti in cui contano la lunga esperienza di stabilità di YOLOv5, la documentazione esaustiva e l'ampia community.
  • Addestramento con risorse limitate: ambienti con risorse GPU limitate, in cui la pipeline di addestramento efficiente e i requisiti di memoria ridotti di YOLOv5 sono vantaggiosi.
  • Ampio supporto dei formati di esportazione: progetti che richiedono la distribuzione in numerosi formati, tra cui ONNX, TensorRT, CoreML e LiteRT.

Quando scegliere Ultralytics (YOLO26)#

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

  • 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 YOLO26n è fino al 43% più veloce di YOLO11n su CPU.
  • Rilevamento di oggetti piccoli: scenari impegnativi come le immagini aeree da droni o l'analisi dei sensori IoT, in cui ProgLoss e STAL migliorano la precisione sugli oggetti minuscoli.

I vantaggi di Ultralytics#

YOLOv10 offre eccellenti capacità di rilevamento, ma affidarsi a repository accademici può talvolta complicare le pipeline di produzione. Utilizzando il pacchetto Python ufficiale di Ultralytics, hai accesso a un ecosistema unificato che supporta sia YOLOv5 sia YOLOv10, oltre a funzionalità avanzate.

  • Efficienza dell'addestramento: le architetture Ultralytics YOLO sono ottimizzate per usare poca memoria durante l'addestramento. A differenza dei modelli Transformer più pesanti, come RT-DETR, che richiedono molta più memoria CUDA, YOLOv5 e YOLOv10 si addestrano agevolmente su GPU consumer standard.
  • Integrazione nell'ecosistema: la Ultralytics Platform consente agli sviluppatori di gestire visivamente i dataset e addestrare i modelli nel cloud, mentre il pacchetto Python si integra con strumenti di monitoraggio degli esperimenti come Weights & Biases e supporta l'ottimizzazione degli iperparametri.

Esempio di codice: addestramento#

Con la libreria Ultralytics, passare da un’architettura all’altra è semplice quanto 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

# Per usare YOLOv5:
# model = YOLO("yolov5su.pt")

# Per usare YOLOv10:
model = YOLO("yolov10s.pt")

# Addestra il modello su un dataset personalizzato
results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    batch=16,
    device=0,  # Usa la GPU 0
)

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

La nuova generazione: Ultralytics YOLO26#

Se stai avviando un nuovo progetto di machine learning, valuta la versione più recente, Ultralytics YOLO26. Rilasciato a gennaio 2026, combina innovazioni chiave delle generazioni YOLO più recenti.

YOLO26 integra il design end-to-end senza NMS di YOLOv10 come testa one-to-one opzionale (nms=False), semplificando la distribuzione. YOLO26 introduce anche diversi altri miglioramenti:

  • Inferenza CPU fino al 43% più veloce: rimosso il modulo Distribution Focal Loss (DFL), YOLO26n raggiunge velocità di inferenza fino al 43% superiori a YOLO11n sulle CPU standard, rendendo YOLO26 ideale per la distribuzione su dispositivi mobili e i sensori IoT a basso consumo.
  • Ottimizzatore MuSGD: ispirato alle tecniche di addestramento dei modelli linguistici di grandi dimensioni (LLM), come Kimi K2 di Moonshot AI, YOLO26 usa un ibrido di SGD e Muon. Questo offre un addestramento più stabile e una convergenza più rapida rispetto agli ottimizzatori standard SGD e AdamW usati nei precedenti modelli YOLO.
  • ProgLoss + STAL: la Progressive Loss e l'assegnazione delle etichette consapevole degli oggetti piccoli migliorano il riconoscimento degli oggetti piccoli, fondamentale per le immagini dei droni e le applicazioni di sicurezza aerea.
  • Miglioramenti specifici per attività: mentre YOLOv10 è esclusivamente un rilevatore di bounding box, YOLO26 supporta il rilevamento, la segmentazione delle istanze, la segmentazione semantica, la stima della profondità, la classificazione, la stima della posa e OBB, con miglioramenti specifici per attività come la stima della log-verosimiglianza residua (RLE) per la posa e una loss angolare specializzata per le bounding box orientate (OBB).
Approfondisci

Per confrontare queste architetture con altre famiglie di rilevatori, consulta i confronti YOLO11 vs EfficientDet e RT-DETR vs YOLOv8.

Che tu scelga il collaudato YOLOv5, YOLOv10 senza NMS o l'ultimo YOLO26, l'ecosistema Ultralytics offre gli strumenti per portare rapidamente in produzione le tue applicazioni di IA visiva.

Collaboratori

Commenti

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