YOLOv5 vs YOLO26#

L'evoluzione della computer vision è stata definita dalla spinta continua verso modelli più veloci, accurati e accessibili. Nel confrontare Ultralytics YOLOv5 con il rivoluzionario Ultralytics YOLO26, osserviamo un cambiamento di paradigma che colma il divario tra i sistemi legacy robusti e l'avanguardia del moderno deployment di IA.

Questa guida fornisce un'analisi tecnica completa di entrambe le architetture, evidenziandone le metriche di prestazioni, le differenze strutturali e gli scenari di distribuzione ideali.

Panoramica dei modelli#

YOLOv5: Il cavallo di battaglia del settore#

Rilasciato nel 2020, YOLOv5 ha rivoluzionato l'accessibilità del rilevamento oggetti. Migrando l'architettura in modo nativo sul 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: YOLOv5 Documentation

YOLOv5 ha posto le basi per l'ecosistema Ultralytics altamente manutenuto. 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 un punto fermo per startup e ricercatori in tutto il mondo.

Scopri di più su YOLOv5

YOLO26: Lo standard Vision AI di prossima generazione#

Saltando a gennaio 2026, Ultralytics YOLO26 rappresenta l'apice della visione IA in tempo reale. Integra in modo nativo gli insegnamenti tratti da generazioni intermedie come YOLOv8 e YOLO11, introducendo al contempo enormi innovazioni 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: YOLO26 Documentation

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

Scopri di più su YOLO26

Innovazioni architetturali in YOLO26#

Mentre YOLOv5 si basa su head di rilevamento basate su anchor e funzioni di perdita standard, YOLO26 revisiona completamente i meccanismi interni per eliminare i colli di bottiglia nella distribuzione.

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 una Non-Maximum Suppression (NMS) manuale per filtrare i bounding box ridondanti, YOLO26 elimina completamente questo passaggio di post-elaborazione. Ciò garantisce una latenza di inferenza deterministica e semplifica drasticamente l'integrazione in C++ o in hardware embedded.
2. Rimozione della 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 con operatori complessi.
3. Ottimizzatore MuSGD: Prendendo spunto dal Kimi K2 di Moonshot AI, YOLO26 utilizza l'ottimizzatore MuSGD, un ibrido tra SGD e Muon. Ciò porta la stabilità e la rapida convergenza osservate nell'addestramento LLM alla computer vision, con un conseguente minor utilizzo di memoria e cicli di addestramento più rapidi rispetto ai modelli pesanti basati su Transformer.
4. ProgLoss + STAL: YOLO26 utilizza funzioni ProgLoss e STAL sofisticate, migliorando notevolmente la sua capacità di rilevare oggetti piccoli e densi, una sfida storica per YOLOv5.

Confronto delle Prestazioni#

Confrontando i modelli sul COCO dataset, YOLO26 mostra enormi miglioramenti nella precisione (mAP) riducendo contemporaneamente il numero di parametri e le velocità di inferenza su CPU.

Nota: Il YOLO26 Nano (YOLO26n) raggiunge uno sbalorditivo mAP di 40.9 rispetto al mAP di 28.0 di YOLOv5n, offrendo al contempo un'inferenza su CPU fino al 43% più veloce grazie alla rimozione della DFL e all'head senza NMS.

Versatilità e supporto dei task#

YOLOv5 è rinomato principalmente per il object detection. Sebbene aggiornamenti successivi abbiano introdotto la segmentazione di base, YOLOv5 è stato riprogettato da zero per essere un motore multi-task unificato.

YOLO26 supporta nativamente:

• Segmentazione di istanze: Caratterizzata da protos multi-scala specifici per le attività e perdita di segmentazione semantica.
• Stima della posa: Utilizzo della Residual Log-Likelihood Estimation (RLE) per il rilevamento di keypoint altamente accurato.
• Oriented Bounding Boxes (OBB): Include una perdita angolare specializzata per risolvere i problemi di discontinuità dei confini, fondamentale per l'analisi di immagini satellitari.
• Classificazione di immagini: Categorizzazione standard dell'intera immagine.

Utilizzo ed esempi di codice#

L'API Python di Ultralytics rende incredibilmente semplice passare da un modello all'altro. Poiché entrambi i modelli condividono lo stesso ecosistema ben manutenuto, aggiornare una pipeline YOLOv5 legacy a YOLO26 richiede solo la modifica del 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 deploy di YOLO26 direttamente tramite la riga di comando utilizzando l'integrazione TensorRT per la massima velocità di elaborazione 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 computer vision, YOLO26 è la raccomandazione indiscussa.

• Edge AI e IoT: La sua inferenza su CPU più veloce del 43% e la rimozione del DFL lo rendono perfetto per il deployment su un Raspberry Pi o su dispositivi mobili.
• Pipeline ad alta velocità: L'architettura priva di 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 tracciamento di oggetti di piccole dimensioni (es. monitoraggio con droni) o di oggetti in rotazione (OBB), le funzioni di perdita 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 hardcoded sulla generazione specifica di anchor o sulla logica di parsing NMS di YOLOv5, la migrazione potrebbe richiedere un breve periodo di refactoring.
• Specifici baseline accademici: I ricercatori usano spesso YOLOv5 come baseline classica per dimostrare la progressione storica delle architetture di object detection.

Riepilogo#

Il passaggio da YOLOv5 a YOLO26 non è solo un aggiornamento iterativo; è un salto fondamentale nel modo in cui i modelli di rilevamento oggetti vengono addestrati e distribuiti. Sfruttando l'ottimizzatore MuSGD, eliminando la complessa post-elaborazione tramite un design senza NMS e accelerando enormemente le velocità della CPU, Ultralytics YOLO26 offre un equilibrio senza compromessi tra velocità e precisione.

Mentre YOLOv5 sarà sempre ricordato come il modello che ha democratizzato la vision AI, gli sviluppatori che cercano di costruire applicazioni robuste, pronte per la produzione e a prova di futuro dovrebbero costruire con fiducia su YOLO26.