Inizia

YOLOv5 vs YOLO26

L'evoluzione della visione artificiale è stata caratterizzata dalla continua ricerca di modelli più veloci, accurati e accessibili. Ultralytics YOLOv5 e Ultralytics YOLO26 segnano due tappe di questo percorso: un modello legacy ampiamente distribuito e l'attuale modello Ultralytics consigliato.

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 cavallo di battaglia del settore#

Rilasciato nel 2020, YOLOv5 ha reso il rilevamento di oggetti molto più accessibile. Implementando nativamente l'architettura nel framework PyTorch, ha offerto agli sviluppatori un percorso semplice dall'installazione all'addestramento e al deployment.

YOLOv5 ha gettato le basi dell'ecosistema Ultralytics, mantenuto attivamente. Ha introdotto solide tecniche di aumento dei dati, cicli di addestramento efficienti e percorsi di esportazione altamente ottimizzati verso formati edge come CoreML e ONNX. La facilità d'uso e i bassi requisiti di memoria durante l'addestramento lo hanno reso un punto di riferimento per startup e ricercatori di tutto il mondo.

YOLO26: il nuovo standard per l'AI visiva#

Rilasciato a gennaio 2026, Ultralytics YOLO26 è l'ultima generazione di Ultralytics YOLO. Integra gli insegnamenti delle generazioni intermedie, come YOLOv8 e YOLO11, e introduce tecniche di addestramento ispirate all'addestramento dei modelli linguistici di grandi dimensioni (LLM).

YOLO26 offre un ottimo equilibrio tra precisione e velocità ed è stato progettato appositamente per gli scenari di edge computing.

Altri modelli Ultralytics

Se stai migrando una codebase meno recente, potrebbe interessarti anche il confronto tra YOLOv5 e YOLO11, il modello della generazione precedente che supporta attività diverse, come la stima della posa e le bounding box orientate (OBB).

Innovazioni architetturali di YOLO26#

Mentre YOLOv5 si basa su teste di rilevamento basate su anchor e funzioni di perdita standard, YOLO26 riprogetta la testa, le funzioni di perdita e l'ottimizzatore per eliminare i colli di bottiglia del deployment.

  1. Design end-to-end senza NMS: La differenza più significativa è l'opzione di inferenza end-to-end nativa di YOLO26. A differenza di YOLOv5, che richiede la soppressione dei massimi non locali (NMS) per filtrare le bounding box ridondanti, la testa opzionale one-to-one di YOLO26 (nms=False) salta questo passaggio di post-elaborazione. In questo modo la latenza di inferenza è più prevedibile e l'integrazione in C++ o nell'hardware embedded è più semplice.
  2. Rimozione di DFL: YOLO26 rimuove la Distribution Focal Loss (DFL). Questa scelta architetturale semplifica l'esportazione del modello e migliora la compatibilità con i dispositivi edge a basso consumo e gli acceleratori, che spesso faticano a gestire operatori complessi.
  3. Ottimizzatore MuSGD: Prendendo spunto da Kimi K2 di Moonshot AI, YOLO26 utilizza l'ottimizzatore MuSGD, un ibrido tra SGD e Muon. Porta nella visione artificiale la stabilità e la rapida convergenza osservate nell'addestramento degli LLM.
  4. ProgLoss + STAL: YOLO26 usa ProgLoss e STAL per migliorare il rilevamento di oggetti piccoli e densi, una difficoltà storica per YOLOv5.

Confronto delle prestazioni#

Nel confronto dei modelli sul dataset COCO, YOLO26 mostra una precisione superiore (mAP) a ogni scala e usa meno parametri a partire dalla variante medium.

Modellodimensione
(pixel)
mAPval50-95Velocità
CPU ONNX
(ms)
Velocità
T4 TensorRT10
(ms)
parametri
(M)
FLOPs
(B)
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
YOLO26n64040.938.91.72.45.5
YOLO26s64048.687.22.59.520.9
YOLO26m64053.1220.04.720.468.4
YOLO26l64055.0286.26.224.886.8
YOLO26x64057.5525.811.855.7194.4

Nota: YOLO26 Nano (YOLO26n) raggiunge un mAP di 40.9 rispetto al 28.0 di YOLOv5n, con un incremento di 12.9 punti e appena 0.5M di parametri aggiuntivi; la rimozione di DFL e la testa senza NMS semplificano inoltre il deployment su CPU e dispositivi edge.

Versatilità e supporto delle attività#

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

YOLO26 supporta nativamente:

  • Segmentazione di istanze: include prototipi multiscala specifici per attività e una loss di segmentazione semantica.
  • Segmentazione semantica: assegnazione densa di etichette di classe a ogni pixel.
  • Stima della profondità: previsione della profondità di ogni pixel a partire da una singola immagine.
  • Classificazione delle immagini: classificazione standard dell'immagine intera.
  • Stima della posa: Utilizza Residual Log-Likelihood Estimation (RLE) per localizzare i punti chiave con maggiore precisione.
  • Riquadri di delimitazione orientati (OBB): include una loss angolare specializzata per risolvere i problemi di discontinuità dei bordi, fondamentale per l'analisi di immagini satellitari.
Integrazione nell'ecosistema

Entrambi i modelli traggono vantaggio dalla piattaforma Ultralytics, che offre annotazione dei dati, addestramento nel cloud e deployment con un solo clic.

Esempi di utilizzo e codice#

L'API Python di Ultralytics semplifica il passaggio da un modello all'altro. Poiché entrambi condividono lo stesso ecosistema ben mantenuto, per aggiornare una pipeline YOLOv5u nel pacchetto ultralytics a YOLO26 basta cambiare il file dei pesi.

Esempio Python#

from ultralytics import YOLO

# Per usare YOLOv5, carica un file di pesi v5
# model = YOLO("yolov5su.pt")

# Passa al modello YOLO26 consigliato
model = YOLO("yolo26n.pt")

# Addestra sul dataset COCO8; optimizer="auto" seleziona MuSGD per le esecuzioni più lunghe (>10k iterazioni)
results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    batch=32,  # L'ingombro ridotto di YOLO26 in memoria consente di usare batch più grandi
)

# Esegui un'inferenza senza NMS
predictions = model("https://ultralytics.com/images/bus.jpg", nms=False)
predictions[0].show()

Esempio CLI#

Puoi distribuire YOLO26 direttamente dalla riga di comando usando l'integrazione TensorRT per ottenere il massimo throughput 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 i nuovi progetti di visione artificiale, YOLO26 è la scelta consigliata.

  • Edge AI e IoT: L'inferenza su CPU fino al 43% più veloce (YOLO26n rispetto a YOLO11n) e la rimozione di DFL lo rendono ideale per il deployment su Raspberry Pi o dispositivi mobili.
  • Pipeline ad alta velocità: La testa opzionale senza NMS offre una latenza più prevedibile, un aspetto importante per la robotica autonoma e i sistemi di allarme di sicurezza in tempo reale.
  • Scenari complessi: Se la tua applicazione deve rilevare oggetti piccoli (ad esempio, il monitoraggio con droni) o oggetti ruotati (OBB), i miglioramenti di addestramento di YOLO26 (ProgLoss + STAL, oltre a una funzione di perdita angolare dedicata alle OBB) migliorano la precisione.

Quando scegliere YOLOv5#

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

Riepilogo#

Il passaggio da YOLOv5 a YOLO26 è più di un aggiornamento incrementale: cambia il modo in cui i modelli di rilevamento di oggetti vengono addestrati e distribuiti. Con l'ottimizzatore MuSGD, una testa opzionale senza NMS che elimina la post-elaborazione e un'inferenza più rapida su CPU, Ultralytics YOLO26 offre un ottimo equilibrio tra velocità e precisione.

YOLOv5 rimane il modello che ha reso l'IA per la visione accessibile a un'ampia community di sviluppatori, ma chi crea nuove applicazioni di produzione dovrebbe partire da YOLO26.

Commenti

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