YOLOv5 vs YOLO26#

L'evoluzione della visione artificiale è stata caratterizzata dalla continua ricerca di modelli più veloci, accurati e accessibili. Confrontando Ultralytics YOLOv5 con Ultralytics YOLO26, all'avanguardia, osserviamo un cambio di paradigma che colma il divario tra sistemi collaudati e soluzioni AI di ultima generazione.

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 rivoluzionato l'accessibilità del rilevamento degli oggetti. Portando l'architettura nativamente nel framework PyTorch, ha offerto agli sviluppatori un'esperienza senza precedenti, dal livello zero all'eccellenza.

• Autore: 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 aumento dei dati, cicli di addestramento efficienti e percorsi di esportazione altamente ottimizzati verso formati per dispositivi edge, come CoreML e ONNX. La facilità d'uso e i ridotti 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#

A gennaio 2026, Ultralytics YOLO26 rappresenta il massimo livello dell'AI visiva in tempo reale. Integra nativamente gli insegnamenti acquisiti nelle generazioni intermedie, come YOLOv8 e YOLO11, introducendo al contempo importanti innovazioni ispirate all'addestramento dei modelli linguistici di grandi dimensioni (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 espressamente per eccellere negli scenari di edge computing.

Le innovazioni architetturali di YOLO26#

Mentre YOLOv5 si basa su teste di rilevamento basate su anchor e funzioni di loss standard, YOLO26 riprogetta completamente i meccanismi interni per eliminare i colli di bottiglia del deployment.

1. Design end-to-end senza NMS: la differenza più importante è l'opzione di inferenza nativa end-to-end di YOLO26. A differenza di YOLOv5, che richiede la soppressione dei non massimi (NMS) per filtrare i riquadri di delimitazione ridondanti, la testa opzionale one-to-one di YOLO26 (nms=False) salta completamente questa fase di post-elaborazione. Questo garantisce una latenza di inferenza deterministica e semplifica notevolmente l'integrazione in C++ o nell'hardware embedded.
2. Rimozione di DFL: YOLO26 rimuove la loss focale di distribuzione (DFL). Questa scelta architetturale semplifica notevolmente l'esportazione del modello e migliora la compatibilità con dispositivi edge a basso consumo e microcontrollori, che spesso hanno difficoltà con operatori complessi.
3. Ottimizzatore MuSGD: traendo spunto da Kimi K2 di Moonshot AI, YOLO26 utilizza l'ottimizzatore MuSGD, un ibrido di SGD e Muon. Porta nella visione artificiale la stabilità e la rapida convergenza osservate nell'addestramento degli LLM, riducendo l'uso della memoria e i tempi dei cicli di addestramento rispetto ai modelli basati pesantemente su Transformer.
4. ProgLoss + STAL: YOLO26 utilizza le sofisticate funzioni ProgLoss e STAL, migliorando notevolmente la capacità di rilevare oggetti piccoli e ravvicinati, una sfida storica per YOLOv5.

Confronto delle prestazioni#

Nel confronto dei modelli sul dataset COCO, YOLO26 mostra notevoli miglioramenti nella precisione (mAP) a ogni scala e utilizza meno parametri a partire dalla variante medium.

Nota: YOLO26 Nano (YOLO26n) raggiunge l'impressionante risultato di 40.9 mAP, rispetto ai 28.0 mAP di YOLOv5n: un guadagno di 12.9 punti con 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 degli oggetti. Sebbene gli aggiornamenti successivi abbiano introdotto la segmentazione di base, YOLO26 è stato progettato fin dall'inizio come motore unificato per più attività.

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 la stima residua della verosimiglianza logaritmica (RLE) per rilevare i keypoint con elevata accuratezza.
• 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.

Esempi di utilizzo e codice#

L'API Python di Ultralytics rende estremamente semplice passare da un modello all'altro. Poiché entrambi i modelli condividono lo stesso ecosistema sottoposto a manutenzione costante, per aggiornare una pipeline YOLOv5 esistente 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 qualsiasi progetto moderno di visione artificiale, YOLO26 è la scelta consigliata senza esitazioni.

• AI edge e IoT: grazie a un'inferenza su CPU fino al 43% più veloce di YOLO11n e alla rimozione di DFL, è perfetto per il deployment su Raspberry Pi o 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 deve tracciare oggetti piccoli (ad esempio, il monitoraggio con droni) o 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 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 non è un semplice aggiornamento incrementale: rappresenta un salto fondamentale nel modo in cui i modelli di rilevamento degli oggetti vengono addestrati e distribuiti. Sfruttando l'ottimizzatore MuSGD, eliminando la complessa post-elaborazione con un design senza NMS e accelerando notevolmente le prestazioni su CPU, Ultralytics YOLO26 offre un equilibrio senza compromessi tra velocità e precisione.

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