YOLOv5 vs YOLO26#

L'evoluzione della visione artificiale è stata definita dalla ricerca continua di modelli più veloci, accurati e accessibili. Nel confrontare Ultralytics YOLOv5 con Ultralytics YOLO26, osserviamo un cambio di paradigma che colma il divario tra i solidi sistemi legacy e l'avanguardia del deployment moderno dell'AI.

Questa guida offre un'analisi tecnica completa di entrambe le architetture, evidenziandone le metriche prestazionali, le differenze strutturali e gli scenari di deployment ideali.

Panoramica dei modelli#

YOLOv5: il motore del settore#

Rilasciato nel 2020, YOLOv5 ha rivoluzionato l'accessibilità del rilevamento degli oggetti. Migrando nativamente l'architettura al framework PyTorch, ha offerto agli sviluppatori un'esperienza "da zero a eroe" senza precedenti.

• Autori: Glenn Jocher
• Organizzazione: Ultralytics
• Data: 2020-06-26
• GitHub: https://github.com/ultralytics/yolov5
• Documentazione: Documentazione di YOLOv5

YOLOv5 ha gettato le basi per l'ecosistema Ultralytics, sottoposto a manutenzione costante. Ha introdotto tecniche aggressive di data augmentation, cicli di training efficienti e percorsi di esportazione altamente ottimizzati verso formati edge come CoreML e ONNX. La sua facilità d'uso e i bassi requisiti di memoria durante il training lo hanno reso uno standard per startup e ricercatori di tutto il mondo.

YOLO26: il nuovo standard dell'AI per la visione#

A gennaio 2026, Ultralytics YOLO26 rappresenta il punto più avanzato dell'AI per la visione in tempo reale. Integra nativamente gli insegnamenti appresi dalle generazioni intermedie, come YOLOv8 e YOLO11, introducendo al contempo innovazioni decisive ispirate al training dei Large Language Model (LLM).

• Autori: Glenn Jocher e Jing Qiu
• Organizzazione: Ultralytics
• Data: 2026-01-14
• GitHub: https://github.com/ultralytics/ultralytics
• Documentazione: Documentazione di YOLO26

YOLO26 stabilisce un nuovo punto di riferimento per l'equilibrio delle prestazioni, offrendo un'accuratezza all'avanguardia ed essendo progettato esplicitamente per eccellere negli scenari di edge computing.

Innovazioni architetturali in YOLO26#

Mentre YOLOv5 si basa su head di rilevamento anchor-based e funzioni di loss standard, YOLO26 rinnova completamente i meccanismi interni per eliminare i colli di bottiglia del deployment.

1. Design end-to-end senza NMS: la differenza più significativa è l'architettura nativamente end-to-end di YOLO26. A differenza di YOLOv5, che richiede la soppressione non massima (NMS) manuale per filtrare i riquadri delimitatori ridondanti, YOLO26 elimina completamente questa fase di post-processing. Ciò garantisce una latenza di inferenza deterministica e semplifica notevolmente l'integrazione in C++ o nell'hardware embedded.
2. Rimozione di DFL: YOLO26 rimuove la Distribution Focal Loss (DFL). Questa scelta architetturale semplifica drasticamente l'esportazione del modello e migliora la compatibilità con dispositivi edge a basso consumo e microcontrollori, che spesso hanno difficoltà a gestire operatori complessi.
3. Ottimizzatore MuSGD: traendo ispirazione da Kimi K2 di Moonshot AI, YOLO26 utilizza l'ottimizzatore MuSGD, una combinazione di SGD e Muon. Questo porta nella visione artificiale la stabilità e la rapida convergenza osservate nel training degli LLM, con un conseguente minore utilizzo della memoria e cicli di training più rapidi rispetto ai modelli basati pesantemente sui Transformer.
4. ProgLoss + STAL: YOLO26 utilizza le sofisticate funzioni ProgLoss e STAL, migliorando notevolmente la capacità di rilevare oggetti piccoli e densamente distribuiti, una difficoltà storica per YOLOv5.

Confronto delle prestazioni#

Nel confrontare i modelli sul dataset COCO, YOLO26 mostra enormi miglioramenti nella precisione (mAP), riducendo contemporaneamente il numero di parametri e i tempi di inferenza sulla CPU.

Nota: YOLO26 Nano (YOLO26n) raggiunge lo straordinario risultato di 40.9 mAP rispetto ai 28.0 mAP di YOLOv5n, offrendo al contempo un'inferenza sulla CPU fino al 43% più veloce grazie alla rimozione di DFL e alla head senza NMS.

Versatilità e supporto delle attività#

YOLOv5 è noto soprattutto per il rilevamento degli oggetti. Sebbene gli aggiornamenti successivi abbiano introdotto una segmentazione di base, YOLO26 è stato progettato fin dall'inizio come motore unificato multi-task.

YOLO26 supporta nativamente:

• Segmentazione delle istanze: include prototipi multi-scala specifici per l'attività e una loss per la segmentazione semantica.
• Stima della posa: utilizza la stima della log-verosimiglianza residua (RLE) per un rilevamento altamente accurato dei keypoint.
• Riquadri delimitatori orientati (OBB): include una loss angolare specializzata per risolvere i problemi di discontinuità dei bordi, fondamentale per l'analisi delle immagini satellitari.
• Classificazione delle immagini: categorizzazione standard dell'immagine completa.

Esempi di utilizzo e codice#

L'API Python di Ultralytics rende incredibilmente semplice passare da un modello all'altro. Poiché entrambi i modelli condividono lo stesso ecosistema sottoposto a manutenzione costante, per aggiornare una pipeline YOLOv5 legacy a YOLO26 è sufficiente modificare il file dei pesi.

Esempio Python#

from ultralytics import YOLO

# To use YOLOv5, load a v5 weights file
# model = YOLO("yolov5su.pt")

# Migrate to the recommended YOLO26 model
model = YOLO("yolo26n.pt")

# Train on the COCO8 dataset using the efficient MuSGD optimizer
results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    batch=32,  # YOLO26's low memory footprint allows larger batch sizes
)

# Run an NMS-free inference
predictions = model("https://ultralytics.com/images/bus.jpg")
predictions[0].show()

Esempio CLI#

Puoi eseguire il deployment di YOLO26 direttamente dalla riga di comando utilizzando l'integrazione TensorRT per ottenere il massimo throughput della GPU:

# Export the model to TensorRT format
yolo export model=yolo26n.pt format=engine

# Run inference with the compiled engine
yolo predict model=yolo26n.engine source=path/to/video.mp4

Casi d'uso ideali#

Quando scegliere YOLO26#

Per qualsiasi progetto moderno di visione artificiale, YOLO26 è senza dubbio la scelta consigliata.

• AI edge e IoT: l'inferenza sulla CPU più veloce del 43% e la rimozione di DFL lo rendono perfetto per il deployment su un Raspberry Pi o su dispositivi mobili.
• Pipeline ad alta velocità: l'architettura senza NMS garantisce una latenza stabile e prevedibile, fondamentale per la robotica autonoma e i sistemi di allarme di sicurezza in tempo reale.
• Scenari complessi: se la tua applicazione richiede il tracking di oggetti piccoli, ad esempio il monitoraggio tramite droni, o di oggetti rotanti (OBB), le funzioni di loss avanzate di YOLO26 (ProgLoss + STAL) offrono un enorme vantaggio in termini di accuratezza.

Quando scegliere YOLOv5#

• Sistemi legacy: se il tuo ambiente di produzione presenta dipendenze codificate direttamente sulla generazione specifica degli anchor o sulla logica di parsing NMS di YOLOv5, la migrazione potrebbe richiedere un breve periodo di refactoring.
• Baseline accademiche specifiche: i ricercatori utilizzano spesso YOLOv5 come baseline classica per dimostrare l'evoluzione storica delle architetture di rilevamento degli oggetti.

Riepilogo#

La transizione da YOLOv5 a YOLO26 non è un semplice aggiornamento iterativo, ma un salto fondamentale nel modo in cui i modelli di rilevamento degli oggetti vengono addestrati e distribuiti. Sfruttando l'ottimizzatore MuSGD, eliminando il post-processing complesso grazie a un design senza NMS e accelerando enormemente le prestazioni sulla CPU, Ultralytics YOLO26 offre un equilibrio senza compromessi tra velocità e precisione.

Sebbene YOLOv5 sarà sempre ricordato come il modello che ha democratizzato l'AI per la visione, gli sviluppatori che desiderano creare applicazioni robuste, pronte per la produzione e a prova di futuro dovrebbero puntare con fiducia su YOLO26.