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.
- Autore: Glenn Jocher
- Organizzazione: Ultralytics
- Data: 2020-06-26
- GitHub: https://github.com/ultralytics/yolov5
- Documentazione: Documentazione di YOLOv5
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).
- Autori: Glenn Jocher e Jing Qiu
- Organizzazione: Ultralytics
- Data: 2026-01-14
- GitHub: https://github.com/ultralytics/ultralytics
- Documentazione: Documentazione di YOLO26
YOLO26 offre un ottimo equilibrio tra precisione e velocità ed è stato progettato appositamente per gli scenari di edge computing.
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.
- 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. - 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.
- 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.
- 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.
| Modello | dimensione (pixel) | mAPval50-95 | Velocità CPU ONNX (ms) | Velocità T4 TensorRT10 (ms) | parametri (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv5n | 640 | 28.0 | - | 1.12 | 1.9 | 4.5 |
| YOLOv5s | 640 | 37.4 | - | 1.92 | 7.2 | 16.5 |
| YOLOv5m | 640 | 45.4 | - | 4.03 | 21.2 | 49.0 |
| YOLOv5l | 640 | 49.0 | - | 6.61 | 46.5 | 109.1 |
| YOLOv5x | 640 | 50.7 | - | 11.89 | 86.7 | 205.7 |
| YOLO26n | 640 | 40.9 | 38.9 | 1.7 | 2.4 | 5.5 |
| YOLO26s | 640 | 48.6 | 87.2 | 2.5 | 9.5 | 20.9 |
| YOLO26m | 640 | 53.1 | 220.0 | 4.7 | 20.4 | 68.4 |
| YOLO26l | 640 | 55.0 | 286.2 | 6.2 | 24.8 | 86.8 |
| YOLO26x | 640 | 57.5 | 525.8 | 11.8 | 55.7 | 194.4 |
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.
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.mp4Casi 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.