YOLOv5 vs YOLOv7#

Il panorama della computer vision si è evoluto rapidamente negli ultimi anni, spinto dalla necessità di un rilevamento degli oggetti in tempo reale più veloce e preciso. Per scegliere l'architettura giusta per il tuo progetto di computer vision è fondamentale comprendere le differenze tra modelli diffusi come Ultralytics YOLOv5 e YOLOv7. Questo confronto tecnico approfondito esamina le loro architetture, le metodologie di addestramento, le metriche di prestazione e gli scenari di deployment ideali per aiutarti a prendere una decisione consapevole.

In breve: origini dei modelli#

Comprendere le origini e le filosofie progettuali alla base di questi modelli aiuta a contestualizzarne le scelte architetturali.

Dettagli di YOLOv5:

• Autore: Glenn Jocher
• Organizzazione: Ultralytics
• Data: 2020-06-26
• GitHub: Repository YOLOv5
• Documentazione: Documentazione di YOLOv5

Dettagli di YOLOv7:

• Autori: Chien-Yao Wang, Alexey Bochkovskiy e Hong-Yuan Mark Liao
• Organizzazione: Institute of Information Science, Academia Sinica, Taiwan
• Data: 2022-07-06
• Arxiv: Articolo su YOLOv7
• GitHub: Repository di YOLOv7
• Documentazione: Documentazione di YOLOv7

Scopri di più su YOLOv7

Innovazioni e differenze architetturali#

YOLOv5: lo standard per l'accessibilità#

Introdotto da Ultralytics nel 2020, YOLOv5 ha segnato una svolta adottando nativamente il framework PyTorch e abbassando notevolmente la soglia di accesso per ricercatori e sviluppatori. La sua architettura si basa su un backbone Modified CSPDarknet53, che integra reti Cross Stage Partial (CSP) per ridurre il numero di parametri mantenendo il flusso dei gradienti.

Uno dei suoi maggiori punti di forza sono i requisiti di memoria. Rispetto ai rilevatori a due stadi più datati o ai pesanti modelli Transformer come RT-DETR, YOLOv5 richiede molta meno memoria CUDA durante l'addestramento, consentendo batch più grandi sulle GPU standard per il mercato consumer. Inoltre, la versatilità integrata nativamente supporta senza soluzione di continuità la classificazione delle immagini, il rilevamento degli oggetti e la segmentazione delle immagini.

YOLOv7: superare i limiti della precisione in tempo reale#

Rilasciato a metà del 2022, YOLOv7 si è concentrato sul superamento dei limiti dello stato dell'arte nel rilevamento in tempo reale sui benchmark MS COCO. Gli autori hanno introdotto l'Extended Efficient Layer Aggregation Network (E-ELAN), che migliora la capacità di apprendimento della rete senza alterare il percorso originale dei gradienti.

YOLOv7 è noto anche per il suo «trainable bag-of-freebies», in particolare per le tecniche di riparametrizzazione applicate durante l'addestramento, che convertono più moduli in un unico livello convoluzionale per l'inferenza, aumentando la velocità senza sacrificare la precisione. Tuttavia, questa complessa metodologia di addestramento spesso comporta una curva di apprendimento più ripida e pipeline di esportazione meno lineari rispetto all'ecosistema nativo Ultralytics.

Confronto delle prestazioni#

Nel valutare questi modelli, l'equilibrio delle prestazioni tra velocità, precisione e costo computazionale è fondamentale. Di seguito trovi un confronto dettagliato delle metriche di prestazione basato sul dataset MS COCO val2017.

Sebbene YOLOv7 raggiunga punteggi mAP assoluti più elevati nelle varianti più grandi, YOLOv5 offre una gamma di modelli senza pari: dal Nano ultraleggero (YOLOv5n), pensato per dispositivi edge estremamente limitati, all'Extra-Large (YOLOv5x), per l'inferenza nel cloud.

I vantaggi dell’ecosistema Ultralytics#

L'utilità di un modello va oltre la sua architettura pura: è l'ecosistema che lo circonda a determinare la rapidità con cui può essere portato in produzione. È qui che i modelli Ultralytics si distinguono.

• Facilità d'uso: Ultralytics Platform e la sua API Python unificata offrono un'esperienza utente lineare, una sintassi semplice e una documentazione completa. Per addestrare un dataset personalizzato non serve alcun codice boilerplate.
• Ecosistema curato e aggiornato: Ultralytics beneficia di uno sviluppo attivo, aggiornamenti frequenti e un forte supporto della community. Le integrazioni con strumenti come Comet ML e Weights & Biases sono già incluse.
• Efficienza di addestramento: I data loader, la memorizzazione intelligente nella cache e il supporto multi-GPU rendono i modelli Ultralytics eccezionalmente efficienti da addestrare. I pesi preaddestrati pronti all'uso accelerano notevolmente il transfer learning.

Esempio di codice: per iniziare#

Con Ultralytics, per distribuire un modello bastano poche righe di codice. Il seguente snippet Python mostra quanto sia semplice caricare un modello, addestrarlo ed eseguire l'inferenza con il pacchetto consigliato ultralytics.

from ultralytics import YOLO

# Carica un modello YOLOv5s preaddestrato
model = YOLO("yolov5su.pt")  # YOLOv5u: pesi YOLOv5 anchor-free per il pacchetto ultralytics

# Addestra il modello sul dataset di esempio COCO8
# Ultralytics gestisce automaticamente il download e l'augmentation dei dati
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

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

# Visualizza le previsioni
predictions[0].show()

Al contrario, usare il repository originale di YOLOv7 comporta in genere la clonazione di repository complessi, la gestione manuale delle dipendenze e l'uso di lunghi argomenti da riga di comando.

Applicazioni nel mondo reale e casi d'uso ideali#

Quando scegliere YOLOv7#

YOLOv7 resta un'ottima scelta per i benchmark accademici o per specifiche pipeline legacy su GPU, in cui l'unico obiettivo è massimizzare la mAP e il sistema è già configurato per i tensori di output basati su anchor. I ricercatori che studiano l'analisi dei percorsi dei gradienti usano spesso YOLOv7 come baseline.

Quando scegliere YOLOv5#

YOLOv5 è molto apprezzato negli ambienti di produzione per la sua eccezionale stabilità. È la scelta ideale per:

• Dispositivi mobili ed edge computing: distribuzione di YOLOv5n su iOS tramite CoreML o su Android tramite LiteRT.
• Startup agili: i team che necessitano di cicli di iterazione rapidi traggono vantaggio dall'integrazione perfetta con Ultralytics Platform per la gestione dei dataset e l'addestramento nel cloud.
• Ambienti multi-task: sistemi che richiedono il rilevamento degli oggetti, la classificazione e la segmentazione simultanei.

Il futuro: passare a YOLO26#

Confrontare YOLOv5 e YOLOv7 è un ottimo modo per comprendere l'evoluzione dell'AI per la computer vision, ma lo stato dell'arte ha continuato a progredire. Rilasciato a gennaio 2026, Ultralytics YOLO26 rappresenta un enorme passo avanti e rende le architetture più datate in gran parte obsolete per i nuovi progetti.

Per gli sviluppatori che cercano prestazioni di livello superiore, YOLO26 offre diversi vantaggi rivoluzionari rispetto a YOLOv5 e YOLOv7:

• Design end-to-end senza NMS: saltando facoltativamente la post-elaborazione con Non-Maximum Suppression (nms=False), YOLO26 semplifica notevolmente il deployment e offre una latenza più rapida e costante.
• Ottimizzatore MuSGD: Ispirato alle innovazioni di Moonshot AI nel campo degli LLM, questo ottimizzatore ibrido garantisce un addestramento molto stabile e una convergenza rapida.
• Velocità edge senza precedenti: ottimizzata specificamente per gli ambienti edge, la variante nano offre un'inferenza su CPU fino al 43% più veloce grazie alla rimozione della Distribution Focal Loss (DFL).
• Precisione superiore: nuove funzioni di loss come ProgLoss + STAL migliorano notevolmente il riconoscimento degli oggetti piccoli, rendendo il modello ideale per le riprese con droni e la robotica.

Che tu stia mantenendo una pipeline YOLOv5 esistente o voglia adottare l'avanguardia di YOLO26, Ultralytics Platform ti offre tutti gli strumenti necessari per avere successo nella computer vision moderna.