YOLOX vs YOLO11#

L'evoluzione della visione artificiale è stata fortemente guidata dalla ricerca di framework per il rilevamento degli oggetti in tempo reale capaci di bilanciare un'elevata accuratezza con la velocità di inferenza. Tra le tappe più importanti di questo percorso figurano YOLOX e Ultralytics YOLO11. Sebbene entrambi i modelli abbiano contribuito in modo significativo al settore, le rispettive architetture, filosofie progettuali ed ecosistemi per sviluppatori differiscono sostanzialmente.

Questo confronto tecnico completo analizza le architetture, le metriche delle prestazioni, le metodologie di addestramento e gli scenari di deployment ideali, per aiutarti a prendere una decisione consapevole per il tuo prossimo progetto di intelligenza artificiale.

Panoramica di YOLOX#

Presentato il 18 luglio 2021 dai ricercatori Zheng Ge, Songtao Liu, Feng Wang, Zeming Li e Jian Sun di Megvii, YOLOX ha rappresentato un cambiamento significativo nella serie YOLO. Ha colmato con successo il divario tra la ricerca accademica e l'applicazione industriale introducendo un design senza ancoraggi.

Per ulteriori informazioni tecniche, puoi consultare il documento originale di YOLOX su Arxiv.

Caratteristiche architetturali principali#

YOLOX si è discostato dal rilevamento tradizionale basato su ancoraggi adottando una testa disaccoppiata e un meccanismo senza ancoraggi. Questo design ha ridotto il numero di parametri di progettazione e migliorato le prestazioni del modello su diversi benchmark. Inoltre, ha introdotto strategie avanzate di assegnazione delle label, come SimOTA, per accelerare il processo di addestramento e migliorare la convergenza.

Sebbene YOLOX offra un'eccellente accuratezza per la sua epoca, si concentra principalmente sul rilevamento degli oggetti tramite riquadri di delimitazione e non supporta nativamente altre attività di visione artificiale complesse.

Scopri di più su YOLOX

Panoramica di Ultralytics YOLO11#

Rilasciato il 27 settembre 2024 da Glenn Jocher e Jing Qiu di Ultralytics, YOLO11 è un modello all'avanguardia che ridefinisce la versatilità e la facilità d'uso nella visione artificiale. Basato su anni di ricerca fondamentale, offre una soluzione altamente perfezionata e pronta per la produzione, che eccelle in una moltitudine di attività.

Il vantaggio di Ultralytics#

YOLO11 non è solo un rilevatore di oggetti: è un framework unificato che supporta la segmentazione delle istanze, la classificazione delle immagini, la stima della posa e il rilevamento dei riquadri di delimitazione orientati (OBB). Vanta un'architettura altamente efficiente che privilegia un equilibrio ottimale tra velocità, numero di parametri e accuratezza.

Inoltre, YOLO11 è completamente integrato nella Ultralytics Platform, che offre un ecosistema semplificato per l'annotazione dei dati, l'addestramento dei modelli e il deployment.

Confronto di prestazioni e metriche#

Confrontando questi modelli, l'equilibrio delle prestazioni diventa evidente. YOLO11 raggiunge una precisione media media (mAP) più elevata con un numero significativamente inferiore di parametri e FLOPs nella maggior parte delle categorie dimensionali rispetto ai modelli YOLOX corrispondenti.

Come dimostrato, i modelli YOLO11 superano costantemente YOLOX in termini di accuratezza, mantenendo al contempo un numero di parametri più contenuto. Ad esempio, YOLO11m raggiunge una mAP di 51.5 con soli 20.1M di parametri, mentre YOLOXx raggiunge una mAP simile, pari a 51.1, ma richiede ben 99.1M di parametri. Questa efficienza nell'uso della memoria durante l'addestramento e l'inferenza rende YOLO11 particolarmente adatto al deployment su dispositivi edge per l'IA, evitando gli elevati requisiti di memoria CUDA tipici dei modelli più datati o basati su Transformer, come RT-DETR.

Ecosistema e facilità d'uso#

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

YOLOX richiede spesso di clonare repository, configurare ambienti complessi ed eseguire argomenti dettagliati dalla riga di comando per addestrare ed esportare i modelli in formati come ONNX o TensorRT.

Al contrario, Ultralytics YOLO11 offre un'API Python e una CLI estremamente semplici. La libreria Ultralytics gestisce automaticamente l'aumento dei dati, la messa a punto degli iperparametri e l'esportazione.

from ultralytics import YOLO

# Load a pretrained YOLO11 model
model = YOLO("yolo11n.pt")

# Train the model effortlessly on custom data
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Export the trained model to TensorRT for optimized deployment
model.export(format="engine")

Questo ecosistema ben mantenuto è supportato da un'ampia documentazione e da un'integrazione fluida con strumenti come Weights & Biases per il monitoraggio degli esperimenti.

Casi d'uso ideali#

La scelta tra questi modelli dipende spesso dalle caratteristiche specifiche dell'ambiente di deployment.

Quando usare YOLOX#

• Sistemi legacy: se disponi di una pipeline consolidata costruita esplicitamente attorno al framework MegEngine o ai paradigmi del rilevamento degli oggetti dei primi anni 2021.
• Baseline accademiche: quando conduci una ricerca che richiede un benchmarking diretto rispetto alle architetture senza ancoraggi fondamentali dell'epoca 2021.

Quando usare YOLO11#

• Deployment in produzione: per applicazioni commerciali nel retail intelligente o nei sistemi di allarme di sicurezza, dove codice affidabile e mantenuto e alta accuratezza sono imprescindibili.
• Pipeline multi-task: quando un progetto richiede il tracking degli oggetti, la stima delle pose umane e la segmentazione delle istanze utilizzando un unico framework unificato.
• Dispositivi edge con risorse limitate: grazie al numero ridotto di parametri e all'elevato throughput, YOLO11 è ideale per il deployment su Raspberry Pi o su nodi edge mobili tramite CoreML e NCNN.

Uno sguardo al futuro: il vantaggio di YOLO26#

Sebbene YOLO11 rappresenti un enorme passo avanti rispetto a YOLOX, il settore della visione artificiale si sta evolvendo rapidamente. Per gli sviluppatori che avviano oggi nuovi progetti, Ultralytics YOLO26 è la scelta consigliata per eccellenza.

Rilasciato a gennaio 2026, YOLO26 riprende l'eccellenza architetturale di YOLO11 e introduce diverse funzionalità rivoluzionarie:

• Design end-to-end senza NMS: YOLO26 elimina la post-elaborazione di Soppressione Non Massimale (NMS) per pipeline di distribuzione più rapide e semplici (un concetto esplorato per la prima volta in YOLOv10).
• Inferenza su CPU fino al 43% più veloce: grazie alla rimozione della perdita focale della distribuzione (DFL), YOLO26 è molto più efficiente sulle CPU e sui dispositivi edge a basso consumo.
• Ottimizzatore MuSGD: ispirato alle innovazioni nell'addestramento degli LLM di Moonshot AI, l'ottimizzatore MuSGD garantisce sessioni di addestramento altamente stabili e una convergenza rapida.
• Funzioni di perdita avanzate: utilizzando ProgLoss + STAL, YOLO26 migliora notevolmente il riconoscimento degli oggetti piccoli, una caratteristica fondamentale per le immagini acquisite da droni e la robotica autonoma.

Per la stragrande maggioranza delle moderne attività di visione artificiale, aggiornare la tua pipeline per sfruttare YOLO26 offrirà il miglior equilibrio possibile tra velocità, accuratezza e semplicità di deployment.