Ultralytics YOLO27:

YOLOv6-3.0 vs YOLOv9#

Il panorama del rilevamento degli oggetti in tempo reale continua a evolversi, spinto dalla necessità di una maggiore accuratezza, una latenza inferiore e un migliore utilizzo dell'hardware. Questo confronto completo esamina due tappe significative del settore: YOLOv6-3.0, sviluppato per il throughput industriale, e YOLOv9, che ha introdotto architetture innovative per superare i colli di bottiglia informativi del deep learning.

Sebbene entrambi i modelli offrano innovazioni architetturali uniche, gli sviluppatori alla ricerca del massimo equilibrio tra prestazioni e semplicità di distribuzione spesso passano a ecosistemi moderni. Per chi avvia nuovi progetti, Ultralytics YOLO26, nativamente end-to-end, è lo standard consigliato e offre un'accuratezza all'avanguardia con un'esperienza di sviluppo notevolmente più semplice.

YOLOv6-3.0: ottimizzazione del throughput industriale#

Sviluppato dal dipartimento Vision AI di Meituan, YOLOv6-3.0 è stato progettato in modo approfondito per ottenere il massimo throughput nelle applicazioni industriali, in particolare sull'hardware GPU.

  • Autori: Chuyi Li, Lulu Li, Yifei Geng, Hongliang Jiang, Meng Cheng, Bo Zhang, Zaidan Ke, Xiaoming Xu e Xiangxiang Chu
  • Organizzazione: Meituan
  • Data: 13 gennaio 2023
  • Arxiv: 2301.05586
  • GitHub: meituan/YOLOv6

Innovazioni architetturali#

YOLOv6-3.0 ha introdotto diverse modifiche chiave per migliorare la fusione delle caratteristiche e l'efficienza hardware. L'architettura incorpora nel neck un modulo di concatenazione bidirezionale (BiC), che fornisce segnali di localizzazione più accurati. Utilizza inoltre una strategia di addestramento assistito dagli anchor (AAT). Questo approccio combina la ricca guida dell'addestramento basato sugli anchor con la velocità di inferenza di un paradigma senza anchor, ottenendo prestazioni migliori senza rallentare la distribuzione.

Il backbone si basa su un design EfficientRep, meticolosamente ottimizzato per essere compatibile con l'hardware durante l'inferenza su GPU. Ciò lo rende particolarmente adatto agli scenari di produzione industriale, dove l'elaborazione in batch di grandi dimensioni è la norma.

Punti di forza e debolezze#

Il principale punto di forza di YOLOv6-3.0 è l'elevato frame rate su GPU come NVIDIA T4, che lo rende adatto a flussi di comprensione video ad alta densità. Tuttavia, la sua forte dipendenza da ottimizzazioni hardware specifiche può causare una latenza non ottimale sui dispositivi edge dotati esclusivamente di CPU. Inoltre, la configurazione della pipeline di addestramento può essere complessa rispetto a framework più unificati.

Learn more about YOLOv6

YOLOv9: informazioni programmabili sul gradiente#

Rilasciato un anno dopo, YOLOv9 si concentra sulla risoluzione del problema del collo di bottiglia informativo intrinseco alle reti neurali profonde, spingendo oltre i limiti teorici delle architetture CNN.

Innovazioni architetturali#

Il contributo principale di YOLOv9 è la gestione programmabile delle informazioni sul gradiente (PGI), che garantisce la conservazione dei dati cruciali durante il passaggio attraverso più livelli della rete, consentendo aggiornamenti dei pesi più affidabili. Oltre a PGI, il modello include la rete generalizzata di aggregazione efficiente dei livelli (GELAN). GELAN massimizza l'efficienza dei parametri, consentendo a YOLOv9 di raggiungere un'accuratezza superiore con un numero di FLOP computazionali inferiore rispetto a molti predecessori.

Punti di forza e debolezze#

YOLOv9 raggiunge un'eccellente precisione media media (mAP) su dataset di benchmark come COCO, rendendolo una scelta preferita dai ricercatori che danno priorità all'accuratezza assoluta. Tuttavia, come YOLOv6, si affida ancora alla tradizionale soppressione dei non-massimi (NMS) per il post-processing. Ciò aggiunge latenza e complica la pipeline di distribuzione del modello, soprattutto durante il porting su dispositivi edge utilizzando formati come ONNX o TensorRT.

Scopri di più su YOLOv9

Confronto delle prestazioni#

Nel confrontare questi modelli, è essenziale considerare l'equilibrio tra accuratezza, numero di parametri e velocità di inferenza.

Modellodimensione
(pixel)		mAPval
50-95		Velocità
CPU ONNX
(ms)		Velocità
T4 TensorRT10
(ms)		parametri
(M)		FLOPs
(B)
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
YOLOv9t64038.3-2.32.07.7
YOLOv9s64046.8-3.547.126.4
YOLOv9m64051.4-6.4320.076.3
YOLOv9c64053.0-7.1625.3102.1
YOLOv9e64055.6-16.7757.3189.0

Il vantaggio di Ultralytics: introduzione a YOLO26#

Sebbene YOLOv6-3.0 e YOLOv9 offrano architetture solide, gli ambienti di produzione richiedono un ecosistema ben mantenuto, requisiti di memoria ridotti e un'eccezionale facilità d'uso. È qui che Ultralytics Platform e modelli come YOLO11 e l'avanzato YOLO26 eccellono.

Rilasciato all'inizio del 2026, YOLO26 ridefinisce radicalmente l'efficienza della distribuzione eliminando i colli di bottiglia legacy.

Design nativo end-to-end

YOLO26 presenta un design end-to-end senza NMS, eliminando completamente la necessità del post-processing con soppressione dei non-massimi. Ciò riduce significativamente la variabilità della latenza di inferenza e semplifica la logica di distribuzione edge.

Innovazioni principali di YOLO26#

  1. Ottimizzatore MuSGD: ispirato all'addestramento degli LLM (come Kimi K2 di Moonshot AI), YOLO26 utilizza una combinazione ibrida di SGD e Muon. Questo porta una stabilità di addestramento senza precedenti e una convergenza più rapida alle attività di computer vision.
  2. Inferenza su CPU fino al 43% più veloce: a differenza del forte orientamento alle GPU di YOLOv6, YOLO26 è altamente ottimizzato per i dispositivi edge. La rimozione della perdita focale della distribuzione (DFL) semplifica la head, rendendola altamente compatibile con CPU a basso consumo e hardware per l'edge computing.
  3. ProgLoss + STAL: le funzioni di perdita avanzate migliorano drasticamente il rilevamento degli oggetti piccoli, un aspetto fondamentale per le immagini aeree e la robotica.
  4. Versatilità senza pari: mentre YOLOv6 è esclusivamente un motore di rilevamento, YOLO26 gestisce senza problemi la segmentazione delle istanze, la classificazione, la stima della posa e il rilevamento dei riquadri delimitatori orientati (OBB).

Addestramento senza complicazioni con Ultralytics#

L'addestramento di modelli all'avanguardia non dovrebbe richiedere script bash complessi. L'API Python di Ultralytics offre un'esperienza semplificata con caricamento automatico dei dati, utilizzo minimo della memoria CUDA e tracking integrato.

from ultralytics import YOLO

# Load the cutting-edge YOLO26 nano model
model = YOLO("yolo26n.pt")

# Train on the COCO8 dataset using the robust MuSGD optimizer natively
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Export the trained model to ONNX with a single command
model.export(format="onnx")

Casi d'uso ideali#

La scelta dell'architettura corretta dipende interamente dall'ambiente di distribuzione di destinazione:

  • Usa YOLOv6-3.0 per: automazione di fabbrica e rilevamento dei difetti, quando le GPU di livello server (ad esempio, A100) sono disponibili in abbondanza e l'elaborazione in batch massimizza il throughput.
  • Usa YOLOv9 per: ricerca accademica o competizioni in cui l'obiettivo principale è ottenere il mAP assolutamente più elevato possibile su dataset standardizzati come COCO.
  • Usa YOLO26 per: quasi tutte le moderne applicazioni commerciali. La sua architettura senza NMS, l'ingombro ridotto in memoria e l'inferenza ad alta velocità su CPU lo rendono perfetto per i sistemi di allarme di sicurezza, il commercio al dettaglio intelligente e il tracking degli oggetti in tempo reale sui dispositivi embedded.

Sfruttando l'ampio ecosistema Ultralytics, gli sviluppatori possono sperimentare facilmente con YOLOv8, YOLO11 e YOLO26 per trovare l'equilibrio prestazionale ideale per le proprie specifiche sfide del mondo reale.

Contributori
GLglenn-jocher15PDpderrenger1

Commenti