Inizia

YOLOv5 vs YOLOv6-3.0

Il panorama della visione artificiale è in continua evoluzione e nuove architetture ampliano i limiti di velocità e accuratezza. Quando scelgono un modello per il prossimo progetto di IA per la visione, gli sviluppatori spesso si trovano a confrontare framework consolidati e versatili con rilevatori industriali altamente specializzati. Questo confronto esamina le differenze tecniche tra Ultralytics YOLOv5 e YOLOv6-3.0 di Meituan, aiutandoti a scegliere lo strumento più adatto alle tue esigenze di distribuzione.

Introduzione ai modelli#

Ultralytics YOLOv5: lo standard versatile#

Rilasciato nel 2020, Ultralytics YOLOv5 è diventato rapidamente una scelta ampiamente adottata per il rilevamento degli oggetti accessibile e ad alte prestazioni. È noto per la facilità d'uso, le pipeline di addestramento affidabili e le numerose integrazioni per la distribuzione.

YOLOv5 è stato progettato da zero per offrire un'esperienza di sviluppo semplice nell'ecosistema PyTorch. Offre un buon equilibrio prestazionale: raggiunge un'elevata precisione media (mAP) e mantiene velocità di inferenza elevate, adatte a diversi scenari di distribuzione nel mondo reale, dai dispositivi edge ai server cloud.

YOLOv6-3.0: velocità di elaborazione industriale#

Sviluppato dal reparto Vision AI di Meituan, YOLOv6-3.0 è progettato specificamente per le applicazioni industriali, con una forte priorità al throughput puro sugli acceleratori hardware dedicati.

  • Autori: Chuyi Li, Lulu Li, Yifei Geng, et al.
  • Organizzazione: Meituan
  • Data: 2023-01-13
  • arXiv: 2301.05586
  • GitHub: meituan/YOLOv6

YOLOv6 punta a massimizzare la velocità di elaborazione sulle GPU come NVIDIA T4. Usa schemi di quantizzazione dedicati e backbone specializzati per raggiungere le proprie prestazioni, risultando una valida opzione per l'elaborazione su server backend, dove l'inferenza a batch è ampiamente utilizzata.

Scopri di più su YOLOv6

Differenze architetturali#

Comprendere le scelte architetturali alla base di questi modelli è importante per individuarne i casi d'uso ideali.

L'architettura di YOLOv5#

YOLOv5 utilizza un backbone CSPDarknet altamente ottimizzato, abbinato a un collo Path Aggregation Network (PANet). Questa struttura è stata ottimizzata con cura per ridurre al minimo i requisiti di memoria durante l'addestramento e l'inferenza. A differenza dei grandi modelli Transformer, che richiedono molta memoria CUDA e tempi di addestramento lunghi, YOLOv5 funziona in modo efficiente su hardware consumer standard.

Efficienza della memoria

I modelli Ultralytics sono progettati specificamente per garantire un addestramento efficiente. Spesso puoi addestrare un modello YOLOv5 su una singola GPU di fascia media, rendendolo molto accessibile sia ai ricercatori sia alle startup.

YOLOv5 è più di un rilevatore di oggetti: il repository originale di YOLOv5 estende l'architettura alla segmentazione di istanze e alla classificazione delle immagini.

L'architettura YOLOv6-3.0#

YOLOv6-3.0 include un backbone EfficientRep, progettato per essere compatibile con l'hardware, in particolare con l'esecuzione su GPU. Nel collo impiega un modulo Bi-directional Concatenation (BiC) per migliorare la fusione delle feature.

Durante l'addestramento, YOLOv6 usa una strategia Anchor-Aided Training (AAT) per stabilizzare la convergenza, ma durante l'inferenza resta un rilevatore anchor-free. Sebbene questa architettura eccella nelle attività accelerate da GPU, a volte può essere più complessa da adattare a diversi dispositivi edge rispetto al framework YOLOv5, altamente portatile.

Analisi delle prestazioni#

Per valutare questi modelli, le metriche di velocità pura e precisione sono fondamentali. Di seguito trovi una tabella comparativa delle prestazioni di diverse dimensioni di modello 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
YOLOv6-3.0n64037.5-1.174.711.4
YOLOv6-3.0s64045.0-2.6618.545.3
YOLOv6-3.0m64050.0-5.2834.985.8
YOLOv6-3.0l64052.8-8.9559.6150.7

YOLOv6-3.0 raggiunge un mAP superiore a ogni dimensione equivalente, mentre YOLOv5 mantiene un ingombro più ridotto. Per esempio, YOLOv5n richiede molti meno parametri e FLOPs rispetto alla variante corrispondente di YOLOv6, risultando adatto alle distribuzioni su dispositivi mobili o limitate dalla CPU.

Ecosistema e facilità d’uso#

Per molti team di ingegneria, il fattore davvero determinante è l'ecosistema che circonda il modello.

YOLOv6 è un repository di ricerca valido, ma distribuirlo in diversi formati richiede più lavoro manuale. Ultralytics offre invece un ecosistema ben gestito e caratterizzato da un'esperienza utente semplificata. Grazie all'API Python unificata e all'intuitiva piattaforma Ultralytics, gli sviluppatori possono gestire i dataset, avviare l'addestramento con un clic ed esportare direttamente in formati come ONNX e TensorRT.

Esempio di codice: API Ultralytics unificata#

Il pacchetto pip Ultralytics ultralytics ti consente di caricare, addestrare e distribuire modelli con poche righe di codice.

from ultralytics import YOLO

# Carica un modello YOLOv5 small preaddestrato
model = YOLO("yolov5su.pt")  # YOLOv5u: pesi YOLOv5 anchor-free per il pacchetto ultralytics

# Addestra il modello sul dataset COCO8
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

# Esegui un'inferenza rapida su un'immagine
predictions = model("https://ultralytics.com/images/bus.jpg")

# Esporta in ONNX per il deployment edge
model.export(format="onnx")

Casi d'uso e consigli#

La scelta tra YOLOv5 e YOLOv6 dipende dai requisiti specifici del progetto, dai vincoli di deployment 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 YOLOv6#

YOLOv6 è consigliato per:

  • Distribuzione ottimizzata per l’hardware industriale: scenari in cui la progettazione consapevole dell’hardware e la riparametrizzazione efficiente del modello offrono prestazioni ottimizzate sull’hardware di destinazione specifico.
  • Rilevamento rapido a singolo stadio: applicazioni che privilegiano la velocità pura di inferenza su GPU per l’elaborazione video in tempo reale in ambienti controllati.
  • Integrazione nell’ecosistema Meituan: team che lavorano già nello stack tecnologico e nell’infrastruttura di distribuzione di Meituan.

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.

Uno sguardo al futuro: i vantaggi di YOLO26#

YOLOv5 rimane un affidabile modello tuttofare e YOLOv6-3.0 offre un throughput elevato sulle GPU industriali, ma lo stato dell'arte si è evoluto. Per gli sviluppatori che iniziano oggi un nuovo progetto, il percorso consigliato è Ultralytics YOLO26.

Rilasciato a gennaio 2026, YOLO26 rappresenta un significativo passo avanti. Eredita la versatilità dell'ecosistema Ultralytics e introduce diversi miglioramenti architetturali:

  • Design end-to-end senza NMS: la testa opzionale senza NMS di YOLO26 (nms=False) elimina la fase di post-elaborazione della soppressione non massima, riducendo le variazioni della latenza e semplificando la logica di distribuzione.
  • Inferenza CPU fino al 43% più veloce: grazie alla rimozione della DFL e a una testa più leggera, YOLO26n è fino al 43% più veloce su CPU rispetto a YOLO11n, a vantaggio dei dispositivi edge e a basso consumo.
  • Ottimizzatore MuSGD: sfruttando le innovazioni nell'addestramento degli LLM, il nuovo ottimizzatore MuSGD offre un addestramento stabile e una convergenza più rapida.
  • Versatilità avanzata: YOLO26 gestisce segmentazione di istanze e semantica, stima della profondità, classificazione, stima della posa e riquadri di delimitazione orientati (OBB) con teste e funzioni di loss specifiche per ogni attività, mentre ProgLoss e STAL migliorano il riconoscimento degli oggetti di piccole dimensioni.

Se stai valutando altre opzioni nell'ecosistema Ultralytics, puoi considerare anche il modello general-purpose YOLO11 o YOLO-World per attività di rilevamento open-vocabulary.

Conclusione#

Sia YOLOv5 sia YOLOv6-3.0 hanno avuto un impatto significativo nel campo della visione artificiale. YOLOv6-3.0 offre un throughput eccellente sull'hardware server di fascia alta, risultando adatto alle analisi offline specializzate. Tuttavia, YOLOv5 rimane un'ottima scelta per gli sviluppatori che cercano un modello affidabile, facile da usare e versatile, supportato dall'ecosistema Ultralytics.

Per ottenere il miglior equilibrio tra accuratezza, distribuzione opzionale senza NMS ed esperienza di sviluppo, il percorso consigliato per le moderne soluzioni di IA per la visione è passare a YOLO26 tramite la piattaforma Ultralytics.

Commenti

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