Link to this sectionYOLOv5 vs YOLO11#

Quando scegli l'architettura di computer vision giusta per un nuovo progetto, comprendere l'evoluzione dei modelli allo stato dell'arte è fondamentale. Il passaggio dalle prime architetture ai moderni framework unificati evidenzia progressi significativi sia nell'efficienza algoritmica che nell'esperienza dello sviluppatore. Questa guida fornisce un confronto tecnico approfondito tra due modelli di riferimento sviluppati da Ultralytics: il pionieristico YOLOv5 e l'altamente raffinato YOLO11.

Link to this sectionIntroduzione ai modelli#

Entrambe queste architetture rappresentano tappe fondamentali nel campo del rilevamento di oggetti in tempo reale, offrendo vantaggi distinti a seconda dell'ambiente di distribuzione e dei requisiti legacy.

Link to this sectionYOLOv5: Il cavallo di battaglia del settore#

Rilasciato nell'estate del 2020, YOLOv5 è diventato rapidamente uno standard del settore grazie alla sua implementazione nativa in PyTorch, che ha drasticamente abbassato la barriera all'ingresso per l'addestramento e la distribuzione. Si è allontanato dai complessi framework Darknet C dei suoi predecessori, offrendo un approccio Pythonic alla creazione di modelli.

• Autori: Glenn Jocher
• Organizzazione: Ultralytics
• Data: 2020-06-26
• GitHub: ultralytics/yolov5
• Documentazione: Documentazione YOLOv5

YOLOv5 ha stabilito una solida base per la facilità d'uso e ha introdotto potenti metodologie di addestramento, tra cui l'avanzata data augmentation mosaic e l'auto-anchoring. Rimane incredibilmente popolare tra i ricercatori che lavorano su una base di codice ben documentata e ampiamente testata.

Scopri di più su YOLOv5

Link to this sectionYOLO11: Il framework di visione unificato#

Basandosi su anni di feedback e ricerca architettonica, YOLO11 è stato introdotto come parte di un framework unificato in grado di gestire nativamente molteplici task di visione. Andando oltre i semplici bounding box, è stato progettato da zero per la massima versatilità ed efficienza.

• Autori: Glenn Jocher e Jing Qiu
• Organizzazione: Ultralytics
• Data: 2024-09-27
• GitHub: ultralytics/ultralytics
• Documentazione: Documentazione YOLO11

YOLO11 offre un'esperienza utente semplificata attraverso il pacchetto Python ultralytics, vantando una semplice API che unifica object detection, instance segmentation, classificazione, stima della posa e bounding box orientati (OBB). Ottiene un compromesso molto favorevole tra velocità e precisione, rendendolo ideale per diversi scenari di distribuzione nel mondo reale.

Scopri di più su YOLO11

Link to this sectionConfronto tra prestazioni e metriche#

Un confronto diretto di questi modelli rivela come i perfezionamenti architettonici si traducano in guadagni di prestazioni tangibili. La tabella seguente illustra la mean Average Precision (mAP) valutata sul COCO dataset, insieme alle velocità di inferenza su CPU e GPU e al numero di parametri.

Link to this sectionAnalisi dei risultati#

Le metriche evidenziano un chiaro salto nel bilanciamento delle prestazioni raggiunto da YOLO11. Ad esempio, il modello YOLO11n (nano) raggiunge un mAP del 39,5% rispetto al 28,0% di YOLOv5n, riducendo contemporaneamente il tempo di inferenza su CPU quando esportato tramite ONNX. Inoltre, YOLO11 mantiene requisiti di memoria notevolmente inferiori durante l'addestramento rispetto ai pesanti modelli basati su Transformer, rendendolo altamente accessibile per la distribuzione su hardware consumer e dispositivi edge.

Link to this sectionDifferenze architettoniche#

I miglioramenti delle prestazioni in YOLO11 derivano da diverse evoluzioni architettoniche chiave. Mentre YOLOv5 utilizzava un backbone CSPNet standard con moduli C3, YOLO11 ha introdotto blocchi di estrazione delle feature più efficienti come C2f e successivamente C3k2, che ottimizzano il flusso del gradiente e riducono il sovraccarico computazionale.

YOLO11 presenta anche una head pesantemente raffinata. Allontanandosi dal design basato su anchor dei modelli più vecchi, le nuove architetture Ultralytics adottano un approccio anchor-free. Questo riduce il numero di previsioni dei box, semplificando la pipeline di post-elaborazione e migliorando la capacità del modello di generalizzare su scale e aspect ratio diversi. Inoltre, questi modelli vantano una superiore training efficiency e pesi pre-addestrati prontamente disponibili che accelerano la convergenza di dataset sottoposti a fine-tuning.

Link to this sectionImplementazione ed esempi di codice#

Una delle caratteristiche distintive dell'ecosistema Ultralytics è la sua semplicità. Mentre YOLOv5 ha reso popolare l'uso di torch.hub per un'inferenza rapida, YOLO11 fa un ulteriore passo avanti con il pacchetto Python unificato ultralytics.

Link to this sectionAddestramento con YOLO11#

Caricare, addestrare e convalidare un modello richiede un minimo di boilerplate code. L'API gestisce la regolazione degli iperparametri e la gestione del modello senza problemi.

from ultralytics import YOLO

# Load a pretrained YOLO11 model
model = YOLO("yolo11s.pt")

# Train on a custom dataset for 50 epochs
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

# Run fast inference and display results
predictions = model("https://ultralytics.com/images/bus.jpg")
predictions[0].show()

# Easily export the model to TensorRT for hardware acceleration
model.export(format="engine")

Link to this sectionInferenza legacy con YOLOv5#

Se stai mantenendo una pipeline più vecchia, YOLOv5 si integra direttamente con il meccanismo di caricamento nativo di PyTorch, rendendo banale inserirlo negli script di inferenza esistenti.

import torch

# Load a custom or pretrained YOLOv5 model from PyTorch Hub
model = torch.hub.load("ultralytics/yolov5", "yolov5s")

# Perform inference on an image URL
results = model("https://ultralytics.com/images/zidane.jpg")

# Print prediction details to the console
results.print()

Link to this sectionCasi d'uso ideali#

La scelta tra questi modelli dipende in gran parte dalla fase del ciclo di vita del tuo progetto e dai requisiti specifici.

Link to this sectionQuando scegliere YOLOv5#

• Mantenimento di basi di codice legacy: Se il tuo ambiente di produzione è fortemente personalizzato attorno alla struttura del repository di YOLOv5 o a tecniche specifiche di hyperparameter evolution.
• Benchmark accademici: Quando pubblichi ricerche che richiedono un confronto diretto con standard consolidati di computer vision del 2020-2022.

Link to this sectionQuando scegliere YOLO11#

• Progetti multi-task: Quando la tua applicazione richiede una combinazione di attività come pose estimation e instance segmentation utilizzando un'unica API unificata.
• Distribuzioni Edge: Per scenari di edge computing in cui spremere al massimo il mAP per un dato budget computazionale (FLOPs) è fondamentale.
• Soluzioni AI commerciali: Ideale per applicazioni aziendali nel retail e nella sicurezza, sfruttando il solido supporto della Ultralytics Platform.

Link to this sectionLa Prossima Generazione: Ultralytics YOLO26#

Sebbene YOLO11 rappresenti un fantastico equilibrio tra velocità e precisione, il campo dell'intelligenza artificiale si evolve rapidamente. Per gli sviluppatori che iniziano nuovi progetti oggi, consigliamo vivamente di esplorare l'ultimo standard nella visione AI: Ultralytics YOLO26.

Rilasciato a gennaio 2026, YOLO26 introduce progressi che cambiano il paradigma, progettati specificamente per le moderne esigenze di distribuzione:

• Design end-to-end senza NMS: Basandosi su concetti sperimentati per la prima volta in YOLOv10, YOLO26 è nativamente end-to-end. Elimina la necessità della post-elaborazione Non-Maximum Suppression (NMS), semplificando significativamente le pipeline di distribuzione e riducendo la latenza.
• Ottimizzatore MuSGD: Ispirato alle innovazioni nell'addestramento LLM di modelli come Kimi K2 di Moonshot AI, questo ibrido di SGD e Muon garantisce un addestramento incredibilmente stabile e una convergenza drasticamente più rapida.
• Velocità CPU senza precedenti: Rimuovendo la Distribution Focal Loss (DFL), YOLO26 raggiunge un'inferenza su CPU fino al 43% più veloce, rendendolo la scelta assolutamente migliore per dispositivi edge e ambienti senza GPU dedicate.
• Funzioni di perdita avanzate: L'integrazione di ProgLoss e STAL produce miglioramenti notevoli nel riconoscimento di piccoli oggetti, il che è fondamentale per l'analisi tramite droni, IoT e robotica.
• Miglioramenti specifici per task: Introduce ottimizzazioni specializzate, come la Residual Log-Likelihood Estimation (RLE) per la posa e una perdita angolare specializzata per oriented bounding boxes, garantendo prestazioni superiori in tutti i task di computer vision.

Scopri di più su YOLO26

Per gli utenti interessati ad architetture specializzate oltre al rilevamento oggetti standard, potresti anche esplorare modelli come RT-DETR per il rilevamento basato su Transformer, o YOLO-World per il tracciamento e il rilevamento a vocabolario aperto. Adottare questi strumenti ben mantenuti e altamente ottimizzati assicura che le tue pipeline di computer vision rimangano efficienti, scalabili e all'avanguardia.