YOLOv7 vs YOLO26
L'evoluzione della visione artificiale è stata segnata da importanti traguardi e confrontare le architetture precedenti con i modelli moderni offre spunti preziosi agli ingegneri ML. Questo confronto tecnico analizza le differenze tra l'influente YOLOv7 e Ultralytics YOLO26, evidenziando i progressi nell'architettura, nelle metodologie di addestramento e nell'efficienza della distribuzione.
YOLOv7: pioniere del «bag-of-freebies»#
Introdotto a metà del 2022, YOLOv7 ha migliorato il rilevamento in tempo reale su hardware GPU grazie a diverse ottimizzazioni architetturali, che hanno aumentato la precisione senza incrementare il costo di inferenza.
Dettagli del modello
- Autori: Chien-Yao Wang, Alexey Bochkovskiy e Hong-Yuan Mark Liao
- Organizzazione: Institute of Information Science, Academia Sinica
- Data: 2022-07-06
- arXiv: 2207.02696
- GitHub: WongKinYiu/yolov7
- Documentazione: Documentazione di Ultralytics YOLOv7
YOLOv7 ha introdotto il concetto di "bag-of-freebies" addestrabile, sfruttando ampiamente tecniche di riparametrizzazione e reti di aggregazione dei livelli efficienti estese (E-ELAN). Questo ha permesso al modello di apprendere caratteristiche più varie e di migliorare continuamente la capacità di apprendimento della rete senza compromettere il percorso originale del gradiente. All'epoca ha ottenuto risultati COCO all'avanguardia, ma la sua architettura si basa su output anchor-based e richiede la post-elaborazione Non-Maximum Suppression (NMS), che può introdurre colli di bottiglia nella latenza durante la distribuzione.
YOLO26: lo standard di IA visiva pensato prima di tutto per l'edge#
Rilasciato a gennaio 2026, Ultralytics YOLO26 ripensa la pipeline di rilevamento dando priorità alla facilità di distribuzione, alla stabilità dell'addestramento e all'efficienza hardware.
Dettagli del modello
- Autori: Glenn Jocher e Jing Qiu
- Organizzazione: Ultralytics
- Data: 2026-01-14
- GitHub: ultralytics/ultralytics
- Piattaforma: Ultralytics YOLO26 sulla piattaforma
YOLO26 è progettato per le esigenze della distribuzione moderna. La sua architettura introduce diverse innovazioni chiave:
- Progettazione end-to-end senza NMS: YOLO26 offre una testa one-to-one opzionale (
nms=False) che salta la post-elaborazione NMS, un approccio introdotto per la prima volta in YOLOv10. Ne risulta una pipeline di distribuzione più veloce e semplice, che evita la latenza variabile tipicamente causata dalle scene affollate. - Rimozione di DFL: eliminando Distribution Focal Loss (DFL), il modello viene semplificato per l'esportazione e diventa più compatibile con i dispositivi edge e l'hardware IoT a basso consumo.
- Inferenza CPU fino al 43% più veloce: grazie alle semplificazioni architetturali, YOLO26 è ottimizzato per l'edge computing e per i dispositivi senza GPU dedicate; YOLO26n è fino al 43% più veloce di YOLO11n sulla CPU.
- Ottimizzatore MuSGD: ispirato alle tecniche di addestramento dei modelli linguistici di grandi dimensioni (in particolare Kimi K2 di Moonshot AI), YOLO26 usa l'ottimizzatore MuSGD, un ibrido tra discesa del gradiente stocastica e Muon. Questo favorisce un addestramento più stabile e una convergenza più rapida nelle attività di visione artificiale.
- ProgLoss + STAL: una perdita progressiva e una strategia di assegnazione delle etichette consapevole degli oggetti piccoli migliorano il riconoscimento degli oggetti piccoli, fondamentale per le immagini aeree, la robotica e il controllo qualità automatizzato.
- Miglioramenti specifici per attività: oltre al rilevamento degli oggetti standard, YOLO26 introduce prototipi multi-scala e una funzione di perdita specializzata per la segmentazione semantica nelle attività di segmentazione, la stima residua di massima verosimiglianza (RLE) per la stima della posa e algoritmi specializzati di perdita angolare per risolvere i problemi ai bordi nei riquadri di delimitazione orientati (OBB).
Per i progetti che usano già il pacchetto ultralytics, passare a YOLO26 è semplice: basta cambiare la stringa del modello nel codice Python in yolo26n.pt e i pesi verranno scaricati automaticamente. I progetti YOLOv7 del repository originale possono riutilizzare i dataset in formato YOLO e ripetere l'addestramento con l'API Ultralytics.
Confronto delle prestazioni e delle metriche#
Nel confronto dell'impronta computazionale, YOLO26 offre un equilibrio migliore tra precisione, velocità e requisiti di memoria. I modelli basati su Transformer o le architetture precedenti più pesanti richiedono spesso grandi quantità di memoria CUDA, mentre YOLO26 si addestra in modo efficiente sulle GPU consumer.
| Modello | dimensione (pixel) | mAPval50-95 | Velocità CPU ONNX (ms) | Velocità T4 TensorRT10 (ms) | parametri (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv7l | 640 | 51.4 | - | 6.84 | 36.9 | 104.7 |
| YOLOv7x | 640 | 53.1 | - | 11.57 | 71.3 | 189.9 |
| YOLO26n | 640 | 40.9 | 38.9 | 1.7 | 2.4 | 5.5 |
| YOLO26s | 640 | 48.6 | 87.2 | 2.5 | 9.5 | 20.9 |
| YOLO26m | 640 | 53.1 | 220.0 | 4.7 | 20.4 | 68.4 |
| YOLO26l | 640 | 55.0 | 286.2 | 6.2 | 24.8 | 86.8 |
| YOLO26x | 640 | 57.5 | 525.8 | 11.8 | 55.7 | 194.4 |
Come si vede sopra, il modello YOLO26m raggiunge la stessa precisione del modello molto più grande YOLOv7x (53,1 mAP), con meno di un terzo dei parametri (20,4M contro 71,3M) e un'inferenza più rapida con TensorRT (4,7 ms contro 11,57 ms).
I vantaggi dell’ecosistema Ultralytics#
La distribuzione dei modelli precedenti comporta spesso repository di terze parti complessi, conflitti tra dipendenze e script di esportazione manuali. Al contrario, Ultralytics Platform offre un ecosistema coerente e mantenuto con cura, che semplifica l'intero ciclo di vita del machine learning.
- Facilità d'uso: con un'API Python intuitiva e una documentazione completa, puoi annotare, addestrare e distribuire modelli in pochi minuti. Per esportare in formati come ONNX o CoreML basta una sola riga di codice.
- Requisiti di memoria: i modelli Ultralytics sono noti per il basso consumo di memoria. A differenza di alcuni grandi Transformer per la visione, YOLO26 può essere sottoposto a fine-tuning su hardware standard senza incorrere in errori di memoria insufficiente (OOM).
- Versatilità: mentre YOLOv7 era principalmente un rilevatore di oggetti (con alcuni rami sperimentali per altre attività), YOLO26 è un framework unificato che gestisce rilevamento, segmentazione delle istanze, segmentazione semantica, stima della profondità, classificazione, stima della posa e OBB, oltre al tracciamento di più oggetti.
Sebbene YOLO26 sia lo standard consigliato, gli sviluppatori che migrano sistemi preesistenti possono valutare anche YOLO11, la generazione precedente della gamma Ultralytics, che offre una stabilità comprovata per i progetti con supporto a lungo termine.
Esempio di codice: addestramento e distribuzione#
L'esempio seguente mostra il flusso di lavoro ultralytics, che sostituisce i lunghi argomenti da riga di comando usati nei repository precedenti.
from ultralytics import YOLO
# Load the lightweight YOLO26 nano model
model = YOLO("yolo26n.pt")
# Train the model efficiently on a dataset (e.g., COCO8)
results = model.train(
data="coco8.yaml",
epochs=100,
imgsz=640,
batch=32, # Efficient memory usage allows larger batch sizes
device=0,
)
# Run an NMS-free, end-to-end inference on a test image
predictions = model("https://ultralytics.com/images/bus.jpg", nms=False)
# Export directly to ONNX for edge deployment
export_path = model.export(format="onnx")
print(f"Model exported successfully to: {export_path}")Casi d’uso nel mondo reale#
La scelta dell'architettura giusta dipende dai vincoli del tuo ambiente di produzione.
Quando prendere in considerazione YOLOv7: YOLOv7 rimane uno strumento prezioso per la valutazione comparativa in ambito accademico rispetto agli standard del 2022. Se la tua infrastruttura utilizza pipeline CUDA legacy con gli output degli anchor specifici di YOLOv7 codificati direttamente e non puoi allocare risorse per la rifattorizzazione, continuerà a funzionare come rilevatore di riferimento robusto.
Quando scegliere YOLO26: Per i nuovi progetti, YOLO26 è la scelta consigliata. La sua testa opzionale senza NMS è adatta alla navigazione autonoma a bassa latenza e ai sistemi di sicurezza in tempo reale. La rimozione di DFL e la maggiore velocità di inferenza CPU lo rendono ideale per le distribuzioni di IA edge, ad esempio su un Raspberry Pi o all'interno di dispositivi elettronici di consumo. Inoltre, i miglioramenti ProgLoss + STAL aiutano a rilevare anomalie minime nel controllo qualità manifatturiero o nelle immagini satellitari.
In definitiva, YOLO26 offre agli sviluppatori una combinazione efficace di precisione, velocità e semplicità, sostenuta da una community open source attiva.
Commenti2
Fai una domanda, condividi i tuoi risultati o aiuta qualcun altro.
Murat Raimbekov(modificato)hey @bit-scientist, you're right - the YOLOv7 vs YOLO26 comparison tables only included
YOLOv7l(51.4 mAP, 36.9M params) andYOLOv7x(53.1 mAP, 71.3M params) at 640px. they didn't includeYOLOv7-tinyor the higher-resolution variants (W6, E6, D6, E6E at 1280px).these variants do exist in the yolov7 model docs with the numbers from the original paper:
variant imgsz mAP params (M) flops (B) YOLOv7-tiny-SiLU 640 38.7 6.2 13.8 YOLOv7 640 51.4 36.9 104.7 YOLOv7-X 640 53.1 71.3 189.9 YOLOv7-W6 1280 54.9 70.4 360.0 YOLOv7-E6 1280 56.0 97.2 515.2 YOLOv7-D6 1280 56.6 154.7 806.8 YOLOv7-E6E 1280 56.8 151.7 843.2 the comparison focused on the two 640-resolution scales that line up most directly with the modern yolo26 sizes (n/s/m/l/x @ 640).
worth noting: yolov7 is a third-party model from wang et al. and is not natively supported in the ultralytics package. we publish docs for reference, but training/inference uses the original WongKinYiu/yolov7 repo.
1
bit-scientistwhy were the smaller yolov7 models not included in comparison tables and graphs?