YOLOv6-3.0 vs YOLOv5
L'evoluzione del rilevamento di oggetti in tempo reale ha prodotto diverse architetture ottimizzate per scenari di deployment specifici. Questo confronto esamina due modelli di spicco: YOLOv6-3.0, orientato all'industria, e il fondamentale e versatile Ultralytics YOLOv5. Comprendere le scelte architetturali, le metriche di prestazione e il supporto dell'ecosistema di ciascun modello ti aiuterà a selezionare il framework di visione artificiale più adatto alle tue applicazioni reali.
YOLOv6-3.0: produttività industriale e ottimizzazione hardware#
Sviluppato dal dipartimento Vision AI di Meituan, YOLOv6-3.0 è progettato soprattutto per ambienti industriali ad alta produttività. Punta a massimizzare la frequenza dei fotogrammi sugli acceleratori hardware, come le GPU NVIDIA dedicate.
- Autori: Chuyi Li, Lulu Li, Yifei Geng, Hongliang Jiang, Meng Cheng, Bo Zhang, Zaidan Ke, Xiaoming Xu e Xiangxiang Chu
- Organizzazione: Meituan
- Data: 2023-01-13
- arXiv: 2301.05586
- GitHub: meituan/YOLOv6
- Documentazione: Documentazione di YOLOv6
Punti di forza architetturali#
YOLOv6-3.0 introduce diverse ottimizzazioni strutturali progettate per la velocità. Il modello utilizza un backbone EfficientRep, appositamente progettato per favorire l'efficienza hardware durante l'inferenza su GPU. Questo rende l'architettura adatta alle attività di elaborazione batch offline.
Durante l'addestramento, il modello adotta una strategia Anchor-Aided Training (AAT). Questo approccio combina la stabilità dell'addestramento basato su anchor con la velocità dell'inferenza senza anchor. Inoltre, la sua architettura neck utilizza un modulo Bi-directional Concatenation (BiC) per migliorare la fusione delle caratteristiche a scale diverse. Sebbene sia altamente ottimizzata per le GPU server di fascia alta con TensorRT, questa specializzazione può talvolta aumentare la latenza sui dispositivi edge che usano solo CPU o a basso consumo.
Ultralytics YOLOv5: il pioniere dell'IA visiva accessibile#
Rilasciato da Ultralytics nel 2020, YOLOv5 è stato ampiamente adottato per la facilità d'uso, l'efficienza di addestramento e le opzioni di deployment. Ha reso accessibile il rilevamento di oggetti ad alte prestazioni grazie alla stretta integrazione con i moderni flussi di lavoro del deep learning.
- Autore: Glenn Jocher
- Organizzazione: Ultralytics
- Data: 2020-06-26
- GitHub: ultralytics/yolov5
- Piattaforma: piattaforma Ultralytics
Ecosistema e versatilità#
La caratteristica distintiva di YOLOv5 è la facilità d'uso. Basato nativamente sul framework PyTorch, il repository offre un'API Python unificata che semplifica l'intero ciclo di vita del machine learning. Dalla configurazione del set di dati al deployment finale, l'ecosistema integrato permette agli sviluppatori di dedicare meno tempo al debug degli ambienti e più tempo alla creazione di applicazioni.
YOLOv5 non si limita al rilevamento degli oggetti. Offre versatilità e supporta nativamente la segmentazione delle istanze e la classificazione delle immagini, oltre a garantire un'elevata efficienza di addestramento grazie alla memorizzazione intelligente nella cache, ai loader dei dati automatizzati e al supporto integrato per l'addestramento distribuito su più GPU.
Nel confronto tra architetture di modelli, il consumo di memoria è un fattore critico. I modelli Ultralytics YOLO richiedono meno VRAM durante l'addestramento e l'inferenza rispetto ai pesanti modelli Transformer, risultando così accessibili agli sviluppatori che usano hardware di fascia consumer o notebook cloud come Google Colab.
Confronto tra prestazioni e architetture#
La tabella seguente illustra le metriche di prestazione di entrambe le architetture, valutate sul dataset COCO standard. Nota come i modelli bilanciano il compromesso tra precisione media media e velocità di inferenza nei diversi ambienti.
| Modello | dimensione (pixel) | mAPval50-95 | Velocità CPU ONNX (ms) | Velocità T4 TensorRT10 (ms) | parametri (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv6-3.0n | 640 | 37.5 | - | 1.17 | 4.7 | 11.4 |
| YOLOv6-3.0s | 640 | 45.0 | - | 2.66 | 18.5 | 45.3 |
| YOLOv6-3.0m | 640 | 50.0 | - | 5.28 | 34.9 | 85.8 |
| YOLOv6-3.0l | 640 | 52.8 | - | 8.95 | 59.6 | 150.7 |
| YOLOv5n | 640 | 28.0 | - | 1.12 | 1.9 | 4.5 |
| YOLOv5s | 640 | 37.4 | - | 1.92 | 7.2 | 16.5 |
| YOLOv5m | 640 | 45.4 | - | 4.03 | 21.2 | 49.0 |
| YOLOv5l | 640 | 49.0 | - | 6.61 | 46.5 | 109.1 |
| YOLOv5x | 640 | 50.7 | - | 11.89 | 86.7 | 205.7 |
Analisi#
YOLOv6-3.0 raggiunge un mAP più elevato a parità di dimensioni ed è fortemente ottimizzato per le pipeline TensorRT su GPU T4. YOLOv5, invece, offre un ecosistema ben mantenuto che supporta l'esportazione diretta in diversi formati, tra cui ONNX, CoreML e LiteRT. Questo equilibrio tra prestazioni consente a YOLOv5 di funzionare in modo affidabile non solo sui server dedicati, ma anche sui dispositivi mobili e negli ambienti di edge computing come Raspberry Pi.
Esempio di codice: addestramento con Ultralytics#
Un vantaggio fondamentale dell'ecosistema Ultralytics è l'esperienza utente semplificata. Per addestrare, valutare ed esportare un modello bastano poche righe di Python.
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
# L'API gestisce automaticamente il download del dataset e la configurazione degli iperparametri
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)
# Esegui l'inferenza su un'immagine
predictions = model("https://ultralytics.com/images/bus.jpg")
# Esporta il modello in formato ONNX per una distribuzione flessibile
model.export(format="onnx")Casi d'uso ideali e scenari di distribuzione#
La scelta tra queste architetture dipende spesso dai vincoli specifici della tua infrastruttura:
- Quando distribuire YOLOv6-3.0: è ideale per linee di produzione automatizzate e analisi server ad alta produttività, quando sono disponibili GPU NVIDIA dedicate e la latenza deve essere minima. La sua architettura dà il meglio negli ambienti in cui è possibile sfruttare appieno le ottimizzazioni di TensorRT.
- Quando distribuire YOLOv5: è un'ottima scelta per la prototipazione rapida, il deployment multipiattaforma e i team che cercano una pipeline unificata. Le sue numerose opzioni di esportazione lo rendono adatto all'analisi dei dati retail sui dispositivi edge e al monitoraggio agricolo con droni.
Il futuro del rilevamento degli oggetti: arriva YOLO26#
Sebbene YOLOv5 e YOLOv6 rappresentino traguardi importanti, il settore della visione artificiale evolve rapidamente. Per gli sviluppatori che avviano nuovi progetti o cercano prestazioni all'avanguardia, Ultralytics consiglia di passare a Ultralytics YOLO26 (rilasciato a gennaio 2026).
YOLO26 è progettato per l'IA visiva con priorità all'edge e introduce un design end-to-end senza NMS opzionale. Selezionando la sua head senza NMS con nms=False, si salta la post-elaborazione con soppressione dei massimi non locali, semplificando la logica di deployment e riducendo la variabilità della latenza.
Le innovazioni principali di YOLO26 includono:
- Ottimizzatore MuSGD: un ibrido di SGD e Muon che porta nella visione artificiale la stabilità di addestramento dei modelli linguistici di grandi dimensioni (LLM), per una convergenza più rapida e affidabile.
- Inferenza su CPU fino al 43% più veloce: YOLO26n è fino al 43% più veloce su CPU rispetto a YOLO11n, un vantaggio negli ambienti privi di acceleratori dedicati.
- Rimozione di DFL: la rimozione di Distribution Focal Loss semplifica il processo di esportazione e migliora la compatibilità con i dispositivi edge a basso consumo.
- ProgLoss + STAL: la loss progressiva e l'assegnazione delle etichette consapevole degli oggetti piccoli migliorano il riconoscimento degli oggetti di piccole dimensioni, un aspetto cruciale per le immagini aeree e i sensori IoT delle smart city.
Per le attività di uso generale, YOLO11 rimane un'opzione pienamente supportata della famiglia Ultralytics.
Conclusione#
YOLOv6-3.0 e YOLOv5 hanno entrambi contribuito in modo importante al progresso del rilevamento in tempo reale. YOLOv6-3.0 offre un'architettura altamente specializzata per un throughput accelerato da GPU, mentre YOLOv5 garantisce un'esperienza di sviluppo solida grazie alla documentazione completa, alla facilità d'uso e alle funzionalità multi-task.
Per le applicazioni moderne, l'ecosistema integrato Ultralytics offre un flusso di lavoro mantenuto attivamente. Adottando architetture recenti come YOLO26, le tue pipeline di deployment beneficiano dei più recenti miglioramenti in termini di velocità, accuratezza e semplicità.
Commenti
Fai una domanda, condividi i tuoi risultati o aiuta qualcun altro.