Inizia

YOLOv8 vs YOLOv5

Scegliere l'architettura di visione artificiale giusta è un passaggio fondamentale per creare pipeline di machine learning robuste. Questo confronto tecnico esamina le differenze tra due dei modelli più diffusi nell'ecosistema dell'IA visiva: YOLOv8 e YOLOv5. Entrambi i modelli sono stati sviluppati da Ultralytics e hanno contribuito in modo significativo al rilevamento di oggetti in tempo reale, definendo punti di riferimento per velocità, accuratezza e facilità d'uso.

Che tu debba distribuire i modelli su dispositivi edge o scalare l'inferenza nel cloud, comprendere i cambiamenti architetturali, le metriche di prestazione e le metodologie di training ti aiuterà a prendere una decisione informata per i tuoi progetti di visione artificiale.

Ultralytics YOLOv8: lo standard versatile#

Rilasciato all'inizio del 2023, YOLOv8 ha rappresentato un importante cambiamento architetturale rispetto ai suoi predecessori. È stato progettato da zero come framework unificato in grado di gestire nativamente più attività di visione, tra cui la segmentazione di istanze, la classificazione di immagini e la stima della posa.

Architettura e metodologie#

YOLOv8 ha introdotto una testa di rilevamento senza anchor, che semplifica il processo di training eliminando la necessità di configurare manualmente le anchor box in base alla distribuzione del dataset. Questo rende il modello più robusto nella generalizzazione a dataset personalizzati e riduce il numero di box predette, accelerando la soppressione dei massimi non locali (NMS).

L'architettura include un modulo C2f (collo di bottiglia Cross-Stage Partial con due convoluzioni), che sostituisce il modulo C3 presente in YOLOv5. Il modulo C2f migliora il flusso del gradiente e consente al modello di apprendere rappresentazioni delle caratteristiche più ricche senza un aumento significativo del costo computazionale. Inoltre, YOLOv8 utilizza una struttura a testa disaccoppiata, che separa le attività di classificazione e regressione; questa struttura ha dimostrato di migliorare la velocità di convergenza e l'accuratezza.

Efficienza della memoria

I modelli Ultralytics YOLO, incluso YOLOv8, sono ottimizzati per usare meno memoria CUDA durante l'addestramento rispetto a molte alternative basate su Transformer, come RT-DETR. Questo permette agli sviluppatori di usare batch più grandi su GPU consumer standard, come quelle della serie NVIDIA RTX.

Punti di forza e debolezze#

Punti di forza:

  • Versatilità per più attività, oltre al semplice rilevamento di bounding box.
  • API Python semplificata tramite il pacchetto ultralytics, che rende intuitivi l'addestramento e l'esportazione.
  • Precisione media (mAP) più elevata in tutte le varianti di dimensioni rispetto a YOLOv5.

Punti deboli:

  • La testa disaccoppiata e il modulo C2f aumentano il numero di parametri e i FLOPs delle varianti più piccole rispetto alle controparti YOLOv5.

Ultralytics YOLOv5: il pioniere agile#

Introdotto nel 2020, YOLOv5 ha portato YOLO nell'ecosistema PyTorch, rendendolo molto più accessibile agli sviluppatori. È diventato rapidamente uno dei modelli più usati per il rilevamento di oggetti veloce, affidabile e facile da distribuire.

Architettura e metodologie#

YOLOv5 si basa su un'architettura con anchor e usa un backbone CSPDarknet53 modificato. Gli approcci con anchor necessitano di anchor che corrispondano alla distribuzione delle bounding box del dataset (YOLOv5 le controlla e le ricalcola automaticamente con AutoAnchor) e funzionano bene su dataset ben definiti.

YOLOv5 integra il modulo C3, che estrae le caratteristiche in modo efficiente mantenendo basso il numero di parametri. La funzione di perdita combina la perdita di objectness con le perdite di classificazione e regressione delle bounding box per guidare la rete verso previsioni accurate.

Punti di forza e debolezze#

Punti di forza:

  • Leggere e adatte alle distribuzioni di IA edge con risorse limitate, le varianti Nano (YOLOv5n) e Small (YOLOv5s).
  • Inferenza veloce su CPU e GPU.
  • Un ecosistema consolidato, con numerosi tutorial della community e integrazioni di terze parti.

Punti deboli:

  • Si basa su anchor box, i cui valori iniziali possono limitare la generalizzazione su dataset molto eterogenei o personalizzati.
  • Accuratezza complessiva inferiore (mAP) rispetto alle moderne architetture senza anchor come YOLOv8 e YOLO26.

Confronto delle prestazioni#

Nel valutare questi modelli, è essenziale ottenere un buon compromesso tra velocità e accuratezza. La tabella seguente riporta le metriche di prestazione di entrambe le architetture, valutate sul dataset COCO. Le velocità su CPU sono state misurate con ONNX, mentre quelle su GPU sono state testate con TensorRT.

Modellodimensione
(pixel)
mAPval50-95Velocità
CPU ONNX
(ms)
Velocità
T4 TensorRT10
(ms)
parametri
(M)
FLOPs
(B)
YOLOv8n64037.380.41.473.28.7
YOLOv8s64044.9128.42.6611.228.6
YOLOv8m64050.2234.75.8625.978.9
YOLOv8l64052.9375.29.0643.7165.1
YOLOv8x64053.9479.114.3768.2257.8
YOLOv5n64028.0-1.121.94.5
YOLOv5s64037.4-1.927.216.5
YOLOv5m64045.4-4.0321.249.0
YOLOv5l64049.0-6.6146.5109.1
YOLOv5x64050.7-11.8986.7205.7

Sebbene YOLOv5 abbia una latenza GPU inferiore e meno FLOPs a ogni dimensione riportata in questa tabella, YOLOv8 offre una mAP sensibilmente superiore in tutti i casi (ad esempio 37,3 contro 28,0 per i modelli Nano), garantendo un equilibrio tra accuratezza e velocità più efficace per le distribuzioni impegnative nel mondo reale.

Facilità d'uso ed ecosistema Ultralytics#

Una caratteristica distintiva dei moderni modelli Ultralytics è l'ecosistema ben mantenuto che li circonda. Il passaggio da YOLOv5 a YOLOv8 ha introdotto il pacchetto pip unificato ultralytics, semplificando l'esperienza utente.

Gli sviluppatori possono gestire l'addestramento dei modelli, la convalida, le previsioni e l'esportazione con poche righe di codice Python, evitando i complessi script boilerplate tradizionalmente richiesti nei progetti di deep learning.

from ultralytics import YOLO

# Carica un modello YOLOv8 preaddestrato
model = YOLO("yolov8n.pt")

# Addestra il modello in modo efficiente su dati personalizzati
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)

# Esporta il modello in ONNX per la distribuzione in produzione
path = model.export(format="onnx")

Ultralytics Platform semplifica ulteriormente la gestione dei dataset, l'addestramento nel cloud e la distribuzione.

Casi d'uso ideali#

Quando scegliere YOLOv5: Se gestisci sistemi legacy, esegui inferenza su CPU con risorse estremamente limitate, come un Raspberry Pi, o lavori a un progetto in cui è fondamentale risparmiare ogni frazione di megabyte nelle dimensioni del modello, YOLOv5 resta un affidabile cavallo da tiro.

Quando scegliere YOLOv8: Tra i due, YOLOv8 è la scelta migliore per i nuovi progetti. La sua architettura supporta il tracking, la segmentazione e le bounding box orientate (OBB), ed è adatta alle applicazioni moderne che spaziano dalla robotica autonoma all'analisi di immagini mediche e alle infrastrutture delle smart city.

Cerchi le ultime novità allo stato dell'arte?

YOLOv8 è un modello valido, ma Ultralytics consiglia YOLO26 per i nuovi progetti. Rilasciato a gennaio 2026, introduce diversi miglioramenti:

  • Design end-to-end senza NMS: una testa one-to-one opzionale (nms=False) elimina la post-elaborazione NMS per una distribuzione più veloce e semplice; questo approccio è stato introdotto nei modelli YOLO da YOLOv10.
  • Ottimizzatore MuSGD: un ibrido di SGD e Muon che porta le innovazioni del training degli LLM nella visione artificiale, consentendo un training più stabile e una convergenza più rapida.
  • Inferenza su CPU fino al 43% più veloce: YOLO26n è fino al 43% più veloce di YOLO11n su CPU, risultando adatto agli ambienti di edge computing privi di GPU dedicate.
  • Rimozione di DFL: la Distribution Focal Loss è stata rimossa per semplificare l'esportazione e migliorare la compatibilità con i dispositivi edge.
  • ProgLoss + STAL: Progressive Loss e Small-Target-Aware Label Assignment migliorano notevolmente il riconoscimento degli oggetti piccoli, fondamentale per le immagini aeree e l'IoT.

Con la documentazione e gli strumenti Ultralytics, puoi distribuire YOLOv8 o adottare YOLO26 per applicazioni visive impegnative. Per approfondire, consulta le guide sull'ottimizzazione degli iperparametri e sulle pratiche di distribuzione dei modelli.

Commenti1

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

  1. rancherdesktopp23GitHub(modificato)

    Very well explained! The YOLOv8 vs YOLOv5 comparison clearly highlights how YOLOv8 improves upon its predecessor with a more modular architecture, support for multi-task learning, and better training stability. This YOLOv8 comparison really helps developers decide whether to upgrade or stick with the tried-and-tested v5 depending on their project needs.