YOLOv8 vs YOLO26#

Il campo della computer vision è progredito rapidamente negli ultimi anni. Tra le architetture più diffuse per le applicazioni in tempo reale figurano i modelli sviluppati da Ultralytics. Questa guida propone un confronto tecnico tra Ultralytics YOLOv8 e il più recente Ultralytics YOLO26, analizzandone le architetture, le metriche di prestazione e i casi d'uso ideali per aiutarti a scegliere il modello più adatto alla tua distribuzione.

Panoramica dei modelli#

Sia YOLOv8 che YOLO26 rappresentano tappe fondamentali nella famiglia di modelli YOLO. Condividono la filosofia di base di Ultralytics: offrire modelli veloci, precisi e facili da usare tramite un'API Python unificata.

YOLOv8: lo standard versatile#

Rilasciato all'inizio del 2023, YOLOv8 ha introdotto una revisione significativa del framework YOLO, con un design senza anchor e un solido supporto per molteplici attività di computer vision.

• Autori: Glenn Jocher, Ayush Chaurasia e Jing Qiu
• Organizzazione: Ultralytics
• Data: 2023-01-10
• GitHub: Repository Ultralytics
• Documentazione: Documentazione di YOLOv8

YOLOv8 è stato adottato rapidamente e ampiamente grazie al suo equilibrio tra prestazioni e alla profonda integrazione nell'ecosistema Ultralytics. Supporta nativamente il rilevamento degli oggetti, la segmentazione delle istanze, la classificazione delle immagini, la stima della posa e le bounding box orientate (OBB). Tuttavia, per la post-elaborazione si affida alla soppressione non massima (NMS) standard, che può causare colli di bottiglia nella latenza in ambienti edge con risorse molto limitate.

YOLO26: AI edge di nuova generazione#

Rilasciato a gennaio 2026, YOLO26 si basa sui suoi predecessori e li ottimizza per gli scenari di deployment moderni, in particolare per l'IA edge e i dispositivi a basso consumo.

• Autori: Glenn Jocher e Jing Qiu
• Organizzazione: Ultralytics
• Data: 2026-01-14
• GitHub: Repository Ultralytics
• Documentazione: Documentazione di YOLO26

YOLO26 introduce diversi miglioramenti tecnici. In particolare, integra il design end-to-end senza NMS portato nei modelli YOLO da YOLOv10. Questa architettura elimina la necessità della post-elaborazione NMS, semplificando le pipeline di esportazione e riducendo la variabilità della latenza. La rimozione della perdita focale di distribuzione (DFL) snellisce inoltre la testa di rilevamento, semplificandone la distribuzione sull'hardware per l'AI edge.

Innovazioni architetturali e nell'addestramento#

YOLO26 apporta diversi miglioramenti interni che perfezionano la base di partenza di YOLOv8.

Addestramento ottimizzato con MuSGD#

I modelli Ultralytics sono noti per l'efficienza dell'addestramento e in genere richiedono meno memoria delle architetture basate su Transformer come RT-DETR. YOLO26 migliora ulteriormente questo aspetto con l'ottimizzatore MuSGD. Ispirato alle tecniche di addestramento dei modelli linguistici di grandi dimensioni (LLM), in particolare Kimi K2 di Moonshot AI, questo ibrido di discesa stocastica del gradiente (SGD) e Muon converge più rapidamente e garantisce un addestramento più stabile su dataset complessi.

Loss e assegnazione delle etichette#

Per le attività che richiedono elevata precisione, come le immagini da drone o i sensori IoT, YOLO26 introduce ProgLoss + STAL. La Progressive Loss e l'assegnazione delle etichette consapevole degli oggetti piccoli (STAL) migliorano il rilevamento degli oggetti piccoli. Inoltre, YOLO26 offre miglioramenti specifici per ciascuna attività: un proto multiscala per generare maschere di qualità superiore nella segmentazione, la stima della log-verosimiglianza residua (RLE) per una stima della posa più precisa e una loss angolare specializzata per risolvere i problemi ai bordi nel rilevamento delle bounding box orientate (OBB).

Analisi e confronto delle prestazioni#

La tabella seguente mette in evidenza le differenze prestazionali tra i due modelli usando il dataset COCO. I valori migliori per ciascuna categoria di dimensione sono evidenziati in grassetto.

Analisi delle metriche#

I dati mostrano un miglioramento generazionale: YOLO26 supera YOLOv8 in quasi tutte le metriche. Il modello YOLO26 Nano (YOLO26n) raggiunge 40.9 mAP, ben oltre i 37.3 di YOLOv8n, usando al contempo meno parametri e FLOP.

Uno dei miglioramenti più significativi riguarda la velocità di inferenza su CPU. Grazie all'architettura semplificata e alla rimozione della DFL, YOLO26n impiega 38.9 ms nell'inferenza CPU con ONNX, contro gli 80.4 ms di YOLOv8n; inoltre, il documento su YOLO26 riporta un'inferenza CPU fino al 43% più veloce rispetto a YOLO11n. Questo rende YOLO26 particolarmente adatto a Raspberry Pi e ad altri dispositivi edge con risorse limitate. Sebbene le velocità GPU con TensorRT siano competitive per entrambi i modelli, l'efficienza di YOLO26 in termini di parametri può ridurre anche l'occupazione di memoria durante l'addestramento e l'inferenza.

Facilità d'uso ed ecosistema#

Entrambi i modelli beneficiano dell'ecosistema Ultralytics, ben mantenuto. L'API unificata consente agli sviluppatori di passare da YOLOv8 a YOLO26 modificando la stringa del nome del modello.

Che tu stia eseguendo l'ottimizzazione degli iperparametri, monitorando gli esperimenti o esplorando nuovi dataset, la documentazione Ultralytics offre numerose risorse. Inoltre, Ultralytics Platform offre un modo semplice per annotare i dati, addestrare e distribuire questi modelli nel cloud o in locale.

Esempio di codice#

Di seguito trovi un esempio completo ed eseguibile di addestramento, inferenza ed esportazione tramite l'API Python di Ultralytics:

from ultralytics import YOLO

# Carica l'ultimo modello YOLO26 Nano
model = YOLO("yolo26n.pt")

# Addestra il modello sul dataset COCO8 per 50 epoche
# optimizer="auto" seleziona MuSGD per le esecuzioni più lunghe (>10k iterazioni) e AdamW per quelle brevi come questa
train_results = model.train(
    data="coco8.yaml",
    epochs=50,
    imgsz=640,
    device="cpu",  # Usa '0' per l'addestramento su GPU
)

# Esegui l'inferenza su un'immagine di esempio
# Il design senza NMS produce previsioni pulite e rapide
results = model("https://ultralytics.com/images/bus.jpg", nms=False)

# Visualizza le previsioni
results[0].show()

# Esporta in ONNX per la distribuzione su CPU
export_path = model.export(format="onnx")

Casi d'uso ideali#

La scelta giusta dipende dalla destinazione del deployment e dall'infrastruttura esistente.

Quando scegliere YOLO26:

• Edge computing e robotica: l'inferenza CPU più rapida e il design senza NMS lo rendono una scelta valida per sistemi embedded, dispositivi mobili e robot autonomi.
• Immagini aeree e satellitari: ProgLoss + STAL offrono a YOLO26 un vantaggio nel rilevamento di oggetti minuscoli in scene complesse ad alta risoluzione.
• Nuovi progetti: essendo la versione stabile più recente, YOLO26 è il modello consigliato per qualsiasi nuova pipeline di machine learning, con una copertura più ampia delle attività che include la segmentazione semantica e la stima della profondità.

Quando mantenere YOLOv8:

• Infrastruttura legacy: se la pipeline di produzione attuale è strettamente legata ai tensori di output specifici e alla post-elaborazione NMS di YOLOv8, la migrazione potrebbe richiedere piccoli adattamenti.
• Riferimenti accademici: YOLOv8 rimane un riferimento stabile e ampiamente citato nella ricerca accademica di computer vision che confronta architetture meno recenti.

In conclusione, YOLOv8 ha stabilito un solido standard per le attività di visione in tempo reale e YOLO26 ne prosegue il percorso. Grazie ai notevoli miglioramenti dell'efficienza CPU, al deployment senza NMS e all'ottimizzazione dell'addestramento ispirata agli LLM, YOLO26 rende pratico distribuire modelli precisi su un'ampia gamma di hardware.