Inizia

YOLOX vs YOLO26

Il campo della computer vision è cambiato notevolmente nell'ultimo decennio. Due tappe importanti di questo percorso sono il rilascio di YOLOX, che ha reso popolari le architetture senza anchor, e l'introduzione di Ultralytics YOLO26, che porta il rilevamento in tempo reale a un design nativamente end-to-end e senza NMS. Questo confronto analizza le loro architetture, le metriche di prestazione e gli scenari di deployment ideali per aiutare gli sviluppatori a prendere decisioni consapevoli per il loro prossimo progetto di AI.

Panoramica dei modelli#

Conoscere le origini e gli obiettivi progettuali principali di ciascun modello fornisce un contesto essenziale per comprenderne i rispettivi risultati tecnici.

YOLOX#

Introdotto a metà del 2021, YOLOX ha segnato una svolta importante adottando un design senza anchor, abbinato a una head disaccoppiata e alla strategia di assegnazione delle etichette SimOTA. Abbandonando i tradizionali meccanismi basati sulle anchor box che dominavano le architetture precedenti, YOLOX ha contribuito a colmare il divario tra ricerca accademica e applicazione industriale, offrendo un framework semplice ed efficace per il rilevamento degli oggetti.

Scopri di più su YOLOX

YOLO26#

Rilasciato a gennaio 2026, YOLO26 si basa su anni di miglioramenti iterativi e si concentra sul deployment edge e sulla semplificazione delle pipeline di addestramento. Introduce una head one-to-one opzionale end-to-end senza NMS (nms=False), che salta la tradizionale fase di post-elaborazione di soppressione non massima (NMS), semplificando il deployment del modello su hardware diversi. La rimozione del modulo Distribution Focal Loss (DFL) semplifica inoltre la head e riduce la latenza, rendendo YOLO26 un'ottima scelta per le moderne applicazioni di computer vision.

Innovazioni architetturali#

Le architetture di questi due modelli evidenziano la rapida evoluzione delle metodologie di deep learning, in particolare per quanto riguarda le funzioni di loss e la post-elaborazione.

L'approccio di YOLOX#

YOLOX ha disaccoppiato le attività di classificazione e regressione nella head di predizione, accelerando notevolmente la convergenza durante l'addestramento. La sua natura senza anchor ha ridotto il numero di parametri di progettazione, limitando la necessità di una complessa ottimizzazione degli anchor prima dell'addestramento. Insieme all'algoritmo di assegnazione delle etichette SimOTA, YOLOX ha raggiunto risultati all'avanguardia per l'epoca, in particolare su benchmark standard come il dataset COCO.

I vantaggi di YOLO26#

YOLO26 punta all'efficienza architetturale. La rimozione di NMS non solo riduce la latenza di inferenza, ma garantisce anche tempi di esecuzione costanti e prevedibili, un fattore essenziale per i veicoli autonomi e la robotica.

Le principali innovazioni di YOLO26 includono:

  • Ottimizzatore MuSGD: ispirato alle tecniche di addestramento dei modelli linguistici di grandi dimensioni (LLM), questo ibrido di SGD e Muon consente sessioni di addestramento stabili e una convergenza più rapida.
  • Inferenza su CPU fino al 43% più veloce: con la DFL rimossa e un'architettura snella, YOLO26n è fino al 43% più veloce di YOLO11n su CPU, risultando adatto ai dispositivi edge con risorse limitate, dai semplici sensori IoT alle schede Raspberry Pi.
  • ProgLoss + STAL: la Progressive Loss e l'assegnazione delle etichette consapevole dei target piccoli (STAL) migliorano il rilevamento degli oggetti piccoli, fondamentale per analizzare le immagini aeree e svolgere controlli di qualità precisi nell'automazione della produzione.
Ottimizzazione pensata per l'edge

Se il tuo progetto è destinato a sistemi embedded o applicazioni mobili senza GPU dedicate, le prestazioni ottimizzate di YOLO26 su CPU offrono un vantaggio significativo, con un overhead computazionale inferiore rispetto ai modelli delle generazioni precedenti.

Prestazioni e benchmark#

Quando valuti i modelli per gli ambienti di produzione, è essenziale analizzare il compromesso tra accuratezza, velocità e complessità computazionale. Di seguito trovi un confronto dettagliato tra i modelli standard, valutati con immagini di 640 pixel (e di 416 per le varianti nano/tiny).

Modellodimensione
(pixel)
mAPval50-95Velocità
CPU ONNX
(ms)
Velocità
T4 TensorRT10
(ms)
parametri
(M)
FLOPs
(B)
YOLOXnano41625.8--0.911.08
YOLOXtiny41632.8--5.066.45
YOLOXs64040.5-2.569.026.8
YOLOXm64046.9-5.4325.373.8
YOLOXl64049.7-9.0454.2155.6
YOLOXx64051.1-16.199.1281.9
YOLO26n64040.938.91.72.45.5
YOLO26s64048.687.22.59.520.9
YOLO26m64053.1220.04.720.468.4
YOLO26l64055.0286.26.224.886.8
YOLO26x64057.5525.811.855.7194.4

Come mostra la tabella, la serie YOLO26 offre un equilibrio prestazionale migliore. Per esempio, YOLO26x raggiunge 57.5 mAP con circa il 44% di parametri in meno rispetto a YOLOXx, oltre a un'inferenza GPU più rapida (11.8 ms contro 16.1 ms).

Esperienza di addestramento ed ecosistema#

Una delle differenze principali tra queste architetture riguarda la facilità d'uso e il supporto dell'ecosistema.

YOLOX rimane un repository di riferimento per i ricercatori che studiano i meccanismi senza anchor e l'assegnazione delle etichette, ma la configurazione può essere complessa e spesso richiede di impostare manualmente dipendenze e operatori. Al contrario, l'ecosistema Ultralytics è progettato per essere facile da usare.

Grazie all'API Python unificata, gli sviluppatori possono inizializzare, addestrare e distribuire modelli YOLO26 con poche righe di codice. L'API gestisce il download dei dataset, supporta l'ottimizzazione degli iperparametri ed esporta i modelli in formati come ONNX, TensorRT e OpenVINO.

from ultralytics import YOLO

# Inizializza il modello YOLO26 small end-to-end
model = YOLO("yolo26s.pt")

# Addestra il modello; optimizer="auto" seleziona MuSGD per le esecuzioni più lunghe (>10k iterazioni)
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Convalida le prestazioni del modello sul set di convalida
metrics = model.val()

# Esporta il modello ottimizzato per la distribuzione edge
model.export(format="onnx")

In genere, durante l'addestramento i modelli Ultralytics YOLO richiedono anche meno memoria rispetto alle pesanti alternative basate su Transformer, consentendo agli ingegneri di addestrare con batch size maggiori persino su hardware di fascia consumer.

Applicazioni nel mondo reale#

La scelta tra YOLOX e YOLO26 dipende in ultima analisi dai vincoli di implementazione e dai requisiti di supporto per più attività.

Dove eccelle YOLOX#

YOLOX rimane una valida opzione per specifici benchmark accademici e sistemi legacy basati sul codebase originale di YOLOX. La sua importanza storica lo rende un baseline molto usato per la ricerca sui rilevatori senza anchor e sulle strategie di assegnazione personalizzate.

I punti di forza di YOLO26#

YOLO26 è progettato per le moderne applicazioni industriali. Grazie al supporto nativo per la segmentazione di istanza, la segmentazione semantica, la stima della profondità, la classificazione delle immagini, la stima della posa e le bounding box orientate (OBB), è più versatile dei modelli dedicati al solo rilevamento.

  • Vendita al dettaglio intelligente e gestione delle scorte: il design senza NMS aiuta i sistemi di cassa automatizzati a elaborare i flussi video con bassa latenza, riconoscendo i prodotti senza colli di bottiglia nella post-elaborazione.
  • Analisi con droni e di immagini aeree: la loss angolare specializzata per OBB e ProgLoss + STAL rendono YOLO26 ideale per rilevare oggetti ruotati e piccoli dettagli nelle immagini satellitari di grandi dimensioni.
  • Sistemi di sicurezza edge: grazie a un'inferenza su CPU fino al 43% più veloce (YOLO26n rispetto a YOLO11n), YOLO26 consente alle aziende di distribuire analisi di sicurezza robuste direttamente su hardware locale economico, senza ricorrere a costose risorse di calcolo nel cloud.

Casi d'uso e consigli#

La scelta tra YOLOX e YOLO26 dipende dai requisiti specifici del tuo progetto, dai vincoli di implementazione e dalle preferenze relative all'ecosistema.

Quando scegliere YOLOX#

YOLOX è una scelta valida per:

  • Ricerca sul rilevamento senza anchor: Ricerca accademica che usa l'architettura pulita e senza anchor di YOLOX come riferimento per sperimentare nuove head di rilevamento o funzioni di perdita.
  • Dispositivi edge ultraleggeri: Implementazione su microcontrollori o hardware mobile legacy, dove le dimensioni estremamente ridotte della variante YOLOX-Nano (0,91 M di parametri) sono fondamentali.
  • Studi sull'assegnazione delle etichette SimOTA: Progetti di ricerca che analizzano le strategie di assegnazione delle etichette basate sul trasporto ottimale e il loro impatto sulla convergenza dell'addestramento.

Quando scegliere YOLO26#

YOLO26 è consigliato per:

  • Distribuzione edge senza NMS: applicazioni che richiedono inferenza costante a bassa latenza senza la complessità della post-elaborazione con soppressione non massima.
  • Ambienti solo CPU: dispositivi senza accelerazione GPU dedicata, sui quali l'inferenza CPU di YOLO26, fino al 43% più rapida (YOLO26n rispetto a YOLO11n), offre un vantaggio decisivo.
  • Rilevamento di oggetti piccoli: scenari impegnativi come le immagini aeree acquisite da droni o l'analisi dei sensori IoT, in cui ProgLoss e STAL migliorano l'accuratezza sugli oggetti minuscoli.

Scopri altri modelli Ultralytics#

Se stai esplorando l'evoluzione della computer vision, vale la pena esaminare anche altri modelli efficaci della famiglia Ultralytics:

  • YOLO11: il predecessore diretto di YOLO26, offre prestazioni affidabili e un ampio supporto della community per ambienti di produzione stabili.
  • YOLOv8: un'architettura collaudata sul campo, che ha fissato lo standard di semplicità d'uso e flessibilità in migliaia di deployment reali.

In conclusione, YOLOX ha introdotto concetti importanti nel rilevamento degli oggetti e YOLO26 offre un miglioramento generazionale in termini di velocità, accuratezza e semplicità di deployment, diventando così la scelta consigliata per i nuovi progetti.

Commenti

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