Inizia

YOLOv5 vs YOLOv7

Il panorama della visione artificiale è cambiato rapidamente negli ultimi anni, spinto dalla necessità di un rilevamento di oggetti in tempo reale più veloce e accurato. Per scegliere l'architettura giusta per il tuo progetto, è importante comprendere le differenze tra modelli diffusi come Ultralytics YOLOv5 e YOLOv7. Questo confronto tecnico esamina le loro architetture, metodologie di addestramento, metriche di prestazione e scenari di distribuzione ideali per aiutarti a prendere una decisione informata.

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:

Dettagli di YOLOv7:

Scopri di più su YOLOv7

Scopri altre architetture

Vuoi sapere come si confrontano questi modelli con gli altri? Consulta confronti come YOLOv5 vs YOLO11 o YOLOv7 vs EfficientDet per approfondire la tua conoscenza dell'ecosistema di rilevamento degli oggetti.

Innovazioni e differenze architetturali#

YOLOv5: lo standard per l'accessibilità#

Introdotto da Ultralytics nel 2020, YOLOv5 è stato realizzato nativamente sul framework PyTorch, riducendo notevolmente la barriera d'ingresso 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 del gradiente.

Uno dei suoi maggiori punti di forza sono i ridotti requisiti di memoria. Rispetto ai vecchi rilevatori a due stadi o ai pesanti modelli Transformer come RT-DETR, YOLOv5 richiede molta meno memoria CUDA durante l'addestramento, consentendo batch più grandi sulle GPU consumer standard. Offre anche versatilità: il repository originale di YOLOv5 supporta il rilevamento degli oggetti, la segmentazione di istanze e la classificazione delle immagini.

YOLOv7: superare i limiti della precisione in tempo reale#

Rilasciato a metà 2022, YOLOv7 si è concentrato sul miglioramento dell'accuratezza all'avanguardia per il rilevamento in tempo reale nei benchmark MS COCO. Gli autori hanno introdotto la Extended Efficient Layer Aggregation Network (E-ELAN), che migliora la capacità di apprendimento della rete senza compromettere il percorso originale del gradiente.

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

Confronto delle prestazioni#

Nel valutare questi modelli, è fondamentale il compromesso prestazionale tra velocità, accuratezza e costo computazionale. Di seguito trovi un confronto dettagliato delle metriche di prestazione basato sul dataset MS COCO val2017.

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
YOLOv7l64051.4-6.8436.9104.7
YOLOv7x64053.1-11.5771.3189.9

YOLOv7 raggiunge punteggi mAP assoluti più alti nelle varianti più grandi, mentre YOLOv5 offre una gamma più ampia di dimensioni del modello, dal leggero Nano (YOLOv5n) per i dispositivi edge 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: la piattaforma Ultralytics e la sua API Python unificata offrono un'esperienza utente semplificata, una sintassi semplice e una documentazione completa. Addestrare un modello su un dataset personalizzato richiede pochissimo codice standard.
  • Ecosistema ben gestito: Ultralytics beneficia di uno sviluppo attivo, aggiornamenti frequenti e un forte supporto della community. Le integrazioni con strumenti come Comet e Weights & Biases sono incluse.
  • Efficienza di addestramento: i data loader, il caching intelligente e il supporto multi-GPU rendono efficienti da addestrare i modelli Ultralytics. I pesi preaddestrati, subito disponibili, accelerano 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 ampiamente usato negli ambienti di produzione per la sua 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 hanno bisogno di cicli di iterazione rapidi traggono vantaggio dall'integrazione con la piattaforma Ultralytics per la gestione dei dataset e l'addestramento nel cloud.
  • Ambienti multi-task: sistemi che combinano rilevamento degli oggetti, segmentazione e classificazione.

Il futuro: passare a YOLO26#

Il confronto tra YOLOv5 e YOLOv7 è un ottimo esercizio per comprendere l'evoluzione dell'IA per la visione, ma lo stato dell'arte ha continuato a progredire. Rilasciato a gennaio 2026, Ultralytics YOLO26 è il punto di partenza consigliato per i nuovi progetti.

YOLO26 offre diversi vantaggi rispetto sia a YOLOv5 sia a YOLOv7:

  • Design end-to-end senza NMS: saltando opzionalmente la fase di post-elaborazione della soppressione non massima (nms=False), YOLO26 semplifica la distribuzione e garantisce una latenza più costante.
  • Ottimizzatore MuSGD: ispirato alle innovazioni di Moonshot AI per gli LLM, questo ottimizzatore ibrido assicura un addestramento stabile e una convergenza più rapida.
  • Inferenza edge più veloce: ottimizzato per gli ambienti edge, YOLO26n è fino al 43% più veloce su CPU rispetto a YOLO11n, anche grazie alla rimozione della Distribution Focal Loss (DFL).
  • Accuratezza superiore: nuove tecniche di addestramento come ProgLoss + STAL migliorano il riconoscimento degli oggetti di piccole dimensioni, utile per le riprese da drone e la robotica.

Che tu stia mantenendo una pipeline YOLOv5 esistente o adottando YOLO26, la piattaforma Ultralytics offre strumenti per l'annotazione, l'addestramento e la distribuzione.

Collaboratori

Commenti

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