Inizia

YOLOv5 vs YOLOv10

Negli ultimi anni il settore della visione artificiale in tempo reale è cresciuto rapidamente, con diverse architetture che hanno ampliato le possibilità offerte dall'hardware moderno. Nel confronto tra architetture all'avanguardia, YOLOv5 e YOLOv10 rappresentano un significativo passo evolutivo nel rilevamento di oggetti. Questo confronto tecnico ne esamina i paradigmi architetturali, i compromessi prestazionali e i modi in cui gli sviluppatori possono usare questi strumenti negli ambienti di produzione.

Approfondimento sull’architettura#

Capire le differenze strutturali tra questi modelli è importante per distribuirli in modo efficiente nel mondo reale.

Ultralytics YOLOv5: lo standard del settore#

Introdotto da Ultralytics, YOLOv5 è da tempo apprezzato per l'ottimo equilibrio tra velocità, precisione e accessibilità.

YOLOv5 si basa su un meccanismo di rilevamento basato su anchor, abbinato a un backbone CSPDarknet ampiamente ottimizzato. Questa architettura si affida a operazioni standard supportate da quasi tutti i motori di inferenza, risultando così altamente portabile. Il suo principale punto di forza è l'SDK Python di Ultralytics, che offre un'esperienza utente snella, un'API semplice e una documentazione completa. Inoltre, i requisiti di memoria inferiori di YOLOv5 rispetto ai modelli basati su Transformer consentono un addestramento rapido su GPU consumer, senza l'elevato consumo di VRAM.

YOLOv10: rilevamento in tempo reale senza NMS#

Sviluppato da ricercatori della Tsinghua University, YOLOv10 mirava a risolvere specifici colli di bottiglia della latenza presenti nelle architetture precedenti.

Scopri di più su YOLOv10

La caratteristica distintiva di YOLOv10 è il design senza NMS (soppressione dei massimi non locali). Utilizzando assegnazioni duali coerenti durante l'addestramento, la sua testa one-to-one elimina la necessità della post-elaborazione NMS durante l'inferenza, riducendo la latenza di post-elaborazione e semplificando pipeline di deployment come i motori NVIDIA TensorRT. Nel pacchetto Ultralytics, YOLOv10 usa per impostazione predefinita la testa one-to-many con NMS; imposta nms=False per usare la testa senza NMS.

Vantaggi dell'ecosistema

Sebbene YOLOv10 introduca novità architetturali interessanti, i modelli Ultralytics come YOLOv5 e il più recente YOLO26 sono supportati nativamente nella piattaforma Ultralytics, che offre fin da subito un addestramento efficiente e ampie opzioni di esportazione.

Analisi delle prestazioni#

Nel confronto tra questi modelli, il giusto equilibrio tra accuratezza (mAP) e costo computazionale (latenza e numero di parametri) determina il caso d'uso più adatto. Di seguito è riportato il confronto delle prestazioni tecniche sul dataset COCO.

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
YOLOv10n64038.5-1.842.36.7
YOLOv10s64046.3-2.497.221.6
YOLOv10m64051.1-4.7415.459.1
YOLOv10b64052.5-5.7419.192.0
YOLOv10l64053.2-7.2824.4120.3
YOLOv10x64054.4-10.7029.5160.4

YOLOv10 raggiunge chiaramente un mAPval50-95 più alto a parità di dimensioni, grazie alla progettazione modernizzata del modello, che bilancia efficienza e accuratezza. Tuttavia, YOLOv5 mantiene una latenza GPU inferiore nelle categorie Nano e Small, risultando una scelta pratica per gli ambienti embedded con risorse limitate, come la linea NVIDIA Jetson o le CPU standard tramite OpenVINO.

Metodologie di training ed ecosistema#

Il valore di un modello dipende in larga misura dall'ecosistema che lo circonda. Ultralytics mantiene un ecosistema in costante sviluppo, che supporta un'ampia gamma di attività. Mentre YOLOv10 si concentra esclusivamente sul rilevamento di oggetti 2D, Ultralytics supporta nativamente la segmentazione di istanze, la classificazione delle immagini, la stima della posa e le bounding box orientate (OBB).

Inoltre, l'addestramento di un modello Ultralytics richiede molta meno memoria rispetto ai metodi basati su Transformer concorrenti, mantenendo il ciclo di sviluppo rapido ed economico.

Esempio di codice#

L'addestramento, la convalida e l'esportazione dei modelli sono riuniti in un'unica API. Puoi passare da un modello all'altro modificando semplicemente una stringa.

from ultralytics import YOLO

# Carica un modello YOLOv5 preaddestrato per i test di riferimento
model_v5 = YOLO("yolov5su.pt")  # YOLOv5u: pesi YOLOv5 anchor-free per il pacchetto ultralytics

# Carica un modello YOLOv10 per il confronto
model_v10 = YOLO("yolov10s.pt")

# Addestra il modello in modo efficiente sul dataset COCO8
results = model_v5.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    device="0",  # Usa automaticamente l'accelerazione CUDA di PyTorch
    batch=16,
)

# Esporta in ONNX per l'inferenza su CPU in fase di implementazione
model_v5.export(format="onnx", simplify=True)

Casi d'uso e consigli#

La scelta tra YOLOv5 e YOLOv10 dipende dai requisiti specifici del tuo progetto, dai vincoli di implementazione e dalle preferenze relative all'ecosistema.

Quando scegliere YOLOv5#

YOLOv5 è un'ottima scelta per:

  • Sistemi di produzione collaudati: distribuzioni esistenti in cui contano la lunga esperienza di stabilità di YOLOv5, la documentazione esaustiva e l'ampia community.
  • Addestramento con risorse limitate: ambienti con risorse GPU limitate, in cui la pipeline di addestramento efficiente e i requisiti di memoria ridotti di YOLOv5 sono vantaggiosi.
  • Ampio supporto dei formati di esportazione: progetti che richiedono la distribuzione in numerosi formati, tra cui ONNX, TensorRT, CoreML e LiteRT.

Quando scegliere YOLOv10#

YOLOv10 è consigliato per:

  • Rilevamento in tempo reale senza NMS: applicazioni che traggono vantaggio dal rilevamento end-to-end senza soppressione non massima, riducendo la complessità della distribuzione.
  • Compromesso equilibrato tra velocità e precisione: progetti che richiedono un buon equilibrio tra velocità di inferenza e precisione di rilevamento con modelli di diverse dimensioni.
  • Applicazioni con latenza costante: scenari di distribuzione in cui i tempi di inferenza prevedibili sono fondamentali, ad esempio nella robotica o nei sistemi autonomi.

Quando scegliere Ultralytics (YOLO26)#

Per la maggior parte dei nuovi progetti, Ultralytics YOLO26 offre la combinazione migliore di prestazioni ed esperienza per gli sviluppatori:

  • Distribuzione edge senza NMS: applicazioni che richiedono inferenza costante a bassa latenza senza la complessità della post-elaborazione con soppressione non massima.
  • Ambienti solo CPU: dispositivi senza accelerazione GPU dedicata, sui quali YOLO26n è fino al 43% più veloce di YOLO11n su CPU.
  • Rilevamento di oggetti piccoli: scenari impegnativi come le immagini aeree da droni o l'analisi dei sensori IoT, in cui ProgLoss e STAL migliorano la precisione sugli oggetti minuscoli.

Il futuro: Ultralytics YOLO26#

YOLOv5 ha reso il rilevamento di oggetti ampiamente accessibile e YOLOv10 ha portato avanti le architetture senza NMS, ma lo stato dell'arte continua a evolversi. Per i nuovi progetti, Ultralytics consiglia Ultralytics YOLO26, rilasciato a gennaio 2026.

YOLO26 combina l'affidabilità dell'ecosistema Ultralytics con diversi progressi:

  • Design end-to-end senza NMS: integrando il paradigma senza NMS direttamente nel framework Ultralytics come testa opzionale one-to-one (nms=False), YOLO26 semplifica l'implementazione e riduce la latenza.
  • Inferenza CPU fino al 43% più veloce: eliminando la Distribution Focal Loss (DFL), YOLO26n è fino al 43% più veloce su CPU rispetto a YOLO11n, un vantaggio per i dispositivi edge senza GPU.
  • Ottimizzatore MuSGD: ispirato alle innovazioni di Moonshot AI nell'addestramento degli LLM, l'ottimizzatore MuSGD offre un addestramento più stabile e una convergenza più rapida.
  • ProgLoss + STAL: la loss progressiva e l'assegnazione delle etichette sensibile agli oggetti piccoli migliorano il riconoscimento degli oggetti di piccole dimensioni, fondamentale in ambiti come l'analisi delle immagini da droni e la robotica.

Puoi gestire, addestrare e distribuire YOLO26 direttamente tramite la piattaforma Ultralytics.

Conclusione#

La scelta tra YOLOv5 e YOLOv10 dipende spesso dai vincoli specifici del progetto. YOLOv10 offre un mAP eccellente a ricercatori e applicazioni che sfruttano appieno la potenza di calcolo delle GPU. YOLOv5, invece, rimane un modello affidabile e altamente compatibile per le implementazioni standard.

Tuttavia, il campo della visione artificiale è dinamico. Per ottenere il miglior equilibrio tra prestazioni, versatilità e facilità d'uso, gli sviluppatori dovrebbero prendere in considerazione Ultralytics YOLO26. Combina l'inferenza opzionale senza NMS con un ecosistema Ultralytics ben documentato. Per casi d'uso specializzati, gli sviluppatori possono anche valutare YOLO11 per la robustezza generale oppure RT-DETR per la precisione basata su Transformer.

Commenti

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