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.
- Autori: Ao Wang, Hui Chen, Lihao Liu, et al.
- Organizzazione: Università Tsinghua
- Data: 2024-05-23
- Articolo di ricerca: arXiv:2405.14458
- Codice sorgente: Repository GitHub di YOLOv10
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.
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.
- Autore: Glenn Jocher
- Organizzazione: Ultralytics
- Data: 2020-06-26
- Codice sorgente: Repository GitHub di YOLOv5
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.
| Modello | dimensione (pixel) | mAPval50-95 | Velocità CPU ONNX (ms) | Velocità T4 TensorRT10 (ms) | parametri (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv10n | 640 | 38.5 | - | 1.84 | 2.3 | 6.7 |
| YOLOv10s | 640 | 46.3 | - | 2.49 | 7.2 | 21.6 |
| YOLOv10m | 640 | 51.1 | - | 4.74 | 15.4 | 59.1 |
| YOLOv10b | 640 | 52.5 | - | 5.74 | 19.1 | 92.0 |
| YOLOv10l | 640 | 53.2 | - | 7.28 | 24.4 | 120.3 |
| YOLOv10x | 640 | 54.4 | - | 10.70 | 29.5 | 160.4 |
| YOLOv5n | 640 | 28.0 | - | 1.12 | 1.9 | 4.5 |
| YOLOv5s | 640 | 37.4 | - | 1.92 | 7.2 | 16.5 |
| YOLOv5m | 640 | 45.4 | - | 4.03 | 21.2 | 49.0 |
| YOLOv5l | 640 | 49.0 | - | 6.61 | 46.5 | 109.1 |
| YOLOv5x | 640 | 50.7 | - | 11.89 | 86.7 | 205.7 |
Analisi tecnica#
- 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.
- 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.
- 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.
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).
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.
Commenti
Fai una domanda, condividi i tuoi risultati o aiuta qualcun altro.