Inizia

YOLOv5 vs YOLOv8

Quando sviluppi applicazioni scalabili ed efficienti di visione artificiale, scegliere l'architettura giusta è fondamentale. L'ecosistema Ultralytics ha migliorato costantemente velocità e accuratezza, fornendo agli sviluppatori strumenti affidabili per le distribuzioni nel mondo reale. Questo confronto tecnico esamina le differenze tra YOLOv5 e YOLOv8, analizzandone le architetture, i compromessi prestazionali e i casi d'uso ideali per aiutarti a prendere una decisione informata per il tuo prossimo progetto di IA.

Entrambi questi modelli rappresentano tappe importanti nella storia del rilevamento di oggetti in tempo reale e beneficiano dei bassi requisiti di memoria e della facilità d'uso che caratterizzano l'ecosistema Ultralytics.

YOLOv5: lo standard industriale affidabile#

Introdotto nel 2020, YOLOv5 è diventato rapidamente uno standard ampiamente adottato per il rilevamento degli oggetti, grazie alla velocità, all'accessibilità e all'affidabilità. Sfruttando un'implementazione nativa di PyTorch, ha semplificato il ciclo di addestramento e distribuzione per gli ingegneri di tutto il mondo.

Punti di forza architetturali#

YOLOv5 si basa su un paradigma di rilevamento con anchor, che usa riquadri di ancoraggio predefiniti per prevedere i confini degli oggetti. La sua architettura include un backbone Cross-Stage Partial (CSP), che ottimizza il flusso del gradiente e riduce la ridondanza computazionale. Ne risulta un ingombro di memoria ridotto, che consente un addestramento rapido anche sulle GPU consumer standard.

Casi d'uso ideali#

YOLOv5 è adatto ai progetti che danno priorità al massimo throughput e all'uso minimo di risorse. Eccelle negli ambienti di IA edge, ad esempio nelle distribuzioni su Raspberry Pi o dispositivi mobili. Grazie alla sua maturità, è stato collaudato in migliaia di distribuzioni commerciali e offre un comportamento stabile nei workflow tradizionali di rilevamento degli oggetti.

Vantaggi per le implementazioni legacy

Grazie alla sua ampia diffusione, YOLOv5 dispone di percorsi di esportazione stabili e ben testati verso framework di distribuzione come TensorRT e ONNX, semplificando l'integrazione negli stack tecnologici meno recenti.

YOLOv8: il framework unificato per la visione artificiale#

Rilasciato a gennaio 2023, YOLOv8 ha segnato una svolta architetturale importante, evolvendosi da rilevatore di oggetti dedicato a framework di visione versatile e multi-task.

Innovazioni architetturali#

A differenza del suo predecessore, YOLOv8 introduce una testa di rilevamento senza ancoraggi. Questo elimina la necessità di regolare manualmente le configurazioni degli ancoraggi in base alla distribuzione dei dataset, migliorando la generalizzazione su dataset diversi, dal popolare dataset COCO ai dati personalizzati più eterogenei.

L'architettura aggiorna anche il backbone con un modulo C2f (collo di bottiglia Cross-Stage Partial con due convoluzioni), che sostituisce il precedente modulo C3. Questo miglioramento potenzia la rappresentazione delle caratteristiche senza gravare eccessivamente sulla memoria. Inoltre, l'implementazione di una testa disaccoppiata, che separa le attività di classificazione e regressione, migliora la convergenza durante l'addestramento del modello.

Versatilità e API Python#

YOLOv8 ha introdotto la moderna API Python ultralytics, standardizzando il workflow per varie attività di visione artificiale. Che tu esegua la segmentazione di istanze, la classificazione delle immagini o la stima della posa, l'API unificata richiede solo modifiche minime alla configurazione.

from ultralytics import YOLO

# Carica un modello YOLOv8 preaddestrato
model = YOLO("yolov8n.pt")

# Addestra il modello su un dataset personalizzato sfruttando l'efficienza di memoria integrata
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Esegui l'inferenza e analizza facilmente i risultati
predictions = model("https://ultralytics.com/images/bus.jpg")
predictions[0].show()

Confronto dettagliato delle prestazioni#

Nel confronto tra le due generazioni emerge un compromesso classico: YOLOv8 raggiunge una precisione media (mAP) superiore in ogni ambito, mentre YOLOv5 mantiene un vantaggio in termini di velocità di inferenza grezza e numero di parametri nelle varianti più piccole.

Di seguito trovi il confronto dettagliato delle metriche di prestazione sul dataset COCO con immagini da 640 pixel.

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
YOLOv8n64037.380.41.473.28.7
YOLOv8s64044.9128.42.6611.228.6
YOLOv8m64050.2234.75.8625.978.9
YOLOv8l64052.9375.29.0643.7165.1
YOLOv8x64053.9479.114.3768.2257.8

I dati mostrano che YOLOv8 migliora notevolmente l'accuratezza. Ad esempio, YOLOv8s raggiunge 44,9 mAP rispetto ai 37,4 mAP di YOLOv5s, con un incremento di 7,5 punti che è utile nelle scene dense e con gli oggetti piccoli. Tuttavia, negli ambienti con risorse molto limitate, YOLOv5n rimane l'opzione più efficiente, con il numero di parametri e i FLOPs più bassi.

Requisiti di memoria

Rispetto ad architetture più pesanti come i modelli Transformer, entrambi i modelli sono altamente ottimizzati per ridurre il consumo di memoria CUDA durante l'addestramento. Questo permette di utilizzare batch più grandi su GPU standard, accelerando il ciclo di ricerca.

Il vantaggio dell'ecosistema#

Scegliendo YOLOv5 o YOLOv8, gli sviluppatori possono accedere alla piattaforma Ultralytics, mantenuta con cura. Questo ambiente integrato offre strumenti semplici per annotare i dataset, addestrare nel cloud e monitorare i modelli, mentre il pacchetto ultralytics include la regolazione degli iperparametri. Lo sviluppo attivo e il forte supporto della community aiutano gli sviluppatori a risolvere rapidamente i problemi e a integrare strumenti esterni come Weights & Biases e ClearML.

Anche se altri framework possono richiedere più tempo per essere appresi, Ultralytics dà priorità a un'esperienza utente semplificata e garantisce un compromesso favorevole tra velocità e accuratezza, adatto a diversi scenari di distribuzione nel mondo reale.

Oltre v8: alla scoperta di YOLO11 e YOLO26#

YOLOv8 è un framework molto efficace, ma il campo dell'intelligenza artificiale evolve rapidamente. Gli sviluppatori interessati a prestazioni all'avanguardia dovrebbero valutare anche YOLO11, che si basa su v8 e offre maggiore accuratezza e velocità.

Per i nuovi progetti, Ultralytics consiglia Ultralytics YOLO26. Rilasciato a gennaio 2026, YOLO26 introduce diversi miglioramenti:

  • Design end-to-end senza NMS: basandosi sull'addestramento senza NMS che YOLOv10 ha introdotto nei modelli YOLO, la head one-to-one opzionale di YOLO26 (nms=False) elimina il post-processing della soppressione non massima, semplificando e velocizzando le pipeline di deployment.
  • Ottimizzatore MuSGD: ispirato alle innovazioni per l'addestramento degli LLM viste in modelli come Kimi K2, YOLO26 usa un ottimizzatore ibrido per un addestramento più stabile e una convergenza più rapida.
  • Edge computing: YOLO26n è fino al 43% più veloce su CPU rispetto a YOLO11n, rendendo YOLO26 adatto ai dispositivi senza GPU dedicate.
  • Accuratezza migliorata: grazie alla nuova loss progressiva e all'assegnazione delle etichette sensibile agli oggetti piccoli (ProgLoss + STAL), migliora il riconoscimento degli oggetti di piccole dimensioni, fondamentale per la robotica e le immagini aeree da drone.

Che tu stia mantenendo un sistema legacy con YOLOv5, ampliando un'applicazione versatile con YOLOv8 o adottando YOLO26 per nuovi progetti, l'ecosistema Ultralytics offre gli strumenti per addestrare, distribuire e mantenere soluzioni moderne di IA per la visione.

Commenti1

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

  1. EllaSophiaGitHub(modificato)

    Excellent breakdown of YOLOv5 vs. YOLOv8! It's clear how YOLOv8 introduces major improvements in model architecture, task flexibility, and training pipeline. This YOLOv8 comparison really helps in understanding how far the framework has evolved, especially for those upgrading from YOLOv5.