Inizia

YOLOv7 vs YOLO11

La visione artificiale si è evoluta rapidamente negli ultimi anni. Per gli sviluppatori e i ricercatori che scelgono un framework per il rilevamento degli oggetti, è importante comprendere le differenze architetturali e pratiche tra le generazioni di modelli. Questa guida offre un confronto tecnico dettagliato tra YOLOv7, sviluppato in ambito accademico, e Ultralytics YOLO11, pronto per la produzione.

Origini dei modelli e filosofie architetturali#

YOLOv7, pubblicato il 6 luglio 2022 dagli autori Chien-Yao Wang, Alexey Bochkovskiy e Hong-Yuan Mark Liao dell'Institute of Information Science dell'Academia Sinica, ha introdotto diversi concetti innovativi nel settore. Descritto nel loro articolo di ricerca su YOLOv7 pubblicato su arXiv, il modello si basa ampiamente su un approccio «trainable bag-of-freebies» e sulle reti Extended Efficient Layer Aggregation (E-ELAN). Queste scelte architetturali sono state concepite specificamente per massimizzare l'efficienza dei percorsi del gradiente, rendendo il modello uno strumento efficace per il benchmarking accademico su GPU di fascia alta.

Scopri di più su YOLOv7

YOLO11, sviluppato da Glenn Jocher e Jing Qiu presso Ultralytics, è stato rilasciato il 27 settembre 2024. YOLO11 sposta l'attenzione dalla sola complessità architetturale a un ecosistema completo progettato prima di tutto per gli sviluppatori. Ospitato nel repository GitHub di Ultralytics, YOLO11 presenta una progettazione anchor-free ottimizzata, che riduce il consumo di memoria durante l'addestramento e l'inferenza. È integrato nativamente in Ultralytics Platform, coprendo l'intero flusso di lavoro, dall'annotazione dei dataset alla distribuzione edge.

Vantaggi dell'ecosistema

Mentre i repository indipendenti spesso cadono in disuso dopo la pubblicazione di un articolo accademico, i modelli Ultralytics ricevono aggiornamenti continui che assicurano la compatibilità a lungo termine con gli stack di machine learning moderni, come le versioni più recenti di PyTorch e gli acceleratori hardware specializzati.

Metriche di prestazione ed efficienza#

Quando si distribuiscono modelli in applicazioni reali, l'accuratezza grezza deve essere bilanciata con la velocità di inferenza e il sovraccarico computazionale. Di seguito trovi un confronto diretto tra le varianti YOLOv7 e YOLO11 valutate sui benchmark standard del dataset COCO.

Modellodimensione
(pixel)
mAPval50-95Velocità
CPU ONNX
(ms)
Velocità
T4 TensorRT10
(ms)
parametri
(M)
FLOPs
(B)
YOLOv7l64051.4-6.8436.9104.7
YOLOv7x64053.1-11.5771.3189.9
YOLO11n64039.556.11.52.66.5
YOLO11s64047.090.02.59.421.6
YOLO11m64051.5183.24.720.168.1
YOLO11l64053.4238.66.225.387.2
YOLO11x64054.7462.811.356.9195.3

Nota: la mancanza di dati sulla velocità su CPU per YOLOv7 è dovuta ad ambienti di test legacy che non adottavano benchmark ONNX su CPU standardizzati. I valori migliori nelle fasce comparabili sono evidenziati.

Analisi dei risultati#

I dati mostrano una chiara evoluzione in termini di efficienza. Il modello YOLO11l (Large) raggiunge un mAPval50-95 più alto, pari al 53.4%, rispetto al 51.4% di YOLOv7l, utilizzando al contempo molti meno parametri (25.3M contro 36.9M) e meno FLOP (87.2B contro 104.7B). Questa riduzione della complessità computazionale consente a YOLO11 di funzionare più velocemente con le implementazioni NVIDIA TensorRT e richiede meno VRAM, rendendolo molto più adatto agli ambienti con risorse hardware limitate.

Usabilità e flussi di lavoro per l'addestramento#

Una delle principali differenze tra i due framework riguarda l'esperienza degli sviluppatori.

Addestramento di YOLOv7#

L'uso della base di codice open source originale di YOLOv7 richiede spesso di clonare il repository, risolvere manualmente le dipendenze e affidarsi a verbose argomenti da riga di comando. Gestire attività diverse o esportare in formati per dispositivi mobili comporta spesso la modifica degli script sorgente o il ricorso a fork di terze parti.

Training di YOLO11#

YOLO11 è integrato in profondità nel pacchetto Python ultralytics, semplificando il ciclo di vita del machine learning. Per addestrare un modello di rilevamento degli oggetti bastano poche righe di codice; il framework gestisce il download, l'aumento e la memorizzazione nella cache dei dataset.

from ultralytics import YOLO

# Carica un modello YOLO11 Nano preaddestrato per ottenere la massima velocità
model = YOLO("yolo11n.pt")

# Addestra il modello sul dataset di esempio COCO8
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

# Esporta il modello addestrato in formato ONNX per il deployment
export_path = model.export(format="onnx")

YOLO11 è anche versatile. Modificando il suffisso del modello, gli sviluppatori possono passare dal rilevamento alla segmentazione delle istanze, alla classificazione delle immagini, alla stima della posa o al rilevamento con riquadri di delimitazione orientati (OBB): supporto nativo per più attività che YOLOv7 non offre.

Esportazioni semplificate

Per esportare YOLO11 in formati edge come Apple CoreML o Intel OpenVINO basta un singolo comando .export(), evitando le complesse modifiche al grafo spesso necessarie con i modelli delle generazioni precedenti.

Scenari di distribuzione ideali#

Comprendere i punti di forza di ciascun modello aiuta a individuare i casi d'uso più adatti.

  • Riproduzione di benchmark precedenti: YOLOv7 resta utile ai ricercatori accademici che devono riprodurre specifici benchmark del 2022 o studiare gli effetti delle tecniche di riparametrizzazione sulle reti anchor-based.
  • Ambienti di produzione commerciale: YOLO11 è un'ottima scelta per i sistemi aziendali. La sua stabilità, la manutenzione attiva e l'integrazione con Ultralytics Platform basata sul cloud lo rendono adatto all'analisi del commercio al dettaglio su larga scala, al monitoraggio della sicurezza e al controllo qualità manifatturiero.
  • Edge computing con risorse limitate: la variante leggera YOLO11n è progettata per i dispositivi edge a basso consumo e funziona in modo efficiente su un Raspberry Pi o sui moduli NVIDIA Jetson.

Uno sguardo al futuro: YOLO26#

YOLO11 rimane un modello maturo e ben supportato, ma il settore continua a progredire. Per i nuovi progetti di visione artificiale, la scelta consigliata è Ultralytics YOLO26.

Rilasciato a gennaio 2026, YOLO26 introduce diverse funzionalità che migliorano YOLOv7 e YOLO11:

  • Architettura opzionale senza NMS: la testa one-to-one opzionale di YOLO26 (nms=False) elimina la necessità della post-elaborazione Non-Maximum Suppression. Questa progettazione end-to-end semplifica le pipeline di distribuzione e riduce la variabilità della latenza.
  • Inferenza CPU fino al 43% più veloce: eliminando il modulo Distribution Focal Loss (DFL), YOLO26 è ottimizzato per i dispositivi edge e gli ambienti senza GPU dedicate; YOLO26n è fino al 43% più veloce di YOLO11n sulla CPU.
  • Integrazione dell'ottimizzatore MuSGD: ispirato alle tecniche avanzate di addestramento degli LLM di Moonshot AI, questo ottimizzatore ibrido migliora la stabilità dell'addestramento e la velocità di convergenza.
  • Miglioramento del rilevamento degli oggetti piccoli: la perdita progressiva (ProgLoss) e l'assegnazione delle etichette consapevole degli oggetti piccoli (STAL) migliorano la precisione sugli oggetti piccoli, favorendo l'analisi di immagini aeree riprese da droni e di dati complessi provenienti da sensori IoT.

Per chi è interessato alle architetture basate su Transformer o a paradigmi alternativi, la documentazione Ultralytics tratta anche modelli come il rilevatore Transformer RT-DETR e il modello a vocabolario aperto YOLO-World.

Commenti

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