YOLOX vs YOLO26#

Nell'ultimo decennio, il campo della visione artificiale ha vissuto trasformazioni straordinarie. Due traguardi importanti di questo percorso sono il rilascio di YOLOX, che ha reso popolari le architetture senza anchor, e la recente introduzione di Ultralytics YOLO26, che ridefinisce completamente le prestazioni in tempo reale con un design nativamente end-to-end e senza NMS. Questo confronto approfondito analizza le architetture, le metriche di prestazione e gli scenari di implementazione ideali per aiutare gli sviluppatori a prendere decisioni consapevoli per il loro prossimo progetto di IA.

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#

• Autori: Zheng Ge, Songtao Liu, Feng Wang, Zeming Li e Jian Sun
• Organizzazione: Megvii
• Data: 2021-07-18
• arXiv: 2107.08430
• GitHub: Megvii-BaseDetection/YOLOX
• Documentazione: documentazione di YOLOX su GitHub

Introdotto a metà del 2021, YOLOX ha segnato un cambiamento importante adottando un design senza anchor, abbinato a una head disaccoppiata e alla strategia avanzata di assegnazione delle etichette chiamata SimOTA. Abbandonando i meccanismi tradizionali basati sugli anchor box, che dominavano le architetture precedenti, YOLOX ha colmato con successo il divario tra ricerca accademica e applicazioni industriali, offrendo un framework elegante ma molto efficace per il rilevamento degli oggetti.

Scopri di più su YOLOX

YOLO26#

• Autori: Glenn Jocher e Jing Qiu
• Organizzazione: Ultralytics
• Data: 2026-01-14
• GitHub: ultralytics/ultralytics
• Piattaforma: piattaforma Ultralytics

Rilasciato all'inizio del 2026, YOLO26 è il risultato di anni di miglioramenti iterativi, incentrati soprattutto sulle implementazioni edge e su pipeline di addestramento semplificate. Introduce una head opzionale end-to-end senza NMS uno-a-uno (nms=False), che salta la fase tradizionale di post-elaborazione della soppressione dei massimi non locali. Questa innovazione semplifica notevolmente l'implementazione del modello su hardware diversi. Inoltre, eliminando il modulo Distribution Focal Loss (DFL), YOLO26 riduce significativamente la latenza, affermandosi come la scelta migliore per le moderne applicazioni di visione artificiale.

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 porta l'efficienza architetturale a un livello superiore. La rimozione di NMS non solo riduce la latenza di inferenza, ma garantisce anche tempi di esecuzione costanti e deterministici, un fattore fondamentale 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 garantisce sessioni di addestramento eccezionalmente stabili e una convergenza più rapida.
• Inferenza su CPU fino al 43% più veloce: eliminando DFL e semplificando l'architettura della rete, YOLO26 è fortemente ottimizzato per i dispositivi edge con risorse limitate, dai semplici sensori IoT alle schede Raspberry Pi.
• ProgLoss + STAL: queste funzioni di loss avanzate migliorano notevolmente il riconoscimento degli oggetti piccoli, un aspetto fondamentale per analizzare le immagini aeree e svolgere controlli di qualità precisi nell'automazione industriale.

Prestazioni e benchmark#

Quando si valutano modelli per ambienti di produzione, è fondamentale analizzare l'equilibrio tra precisione, velocità e complessità computazionale. Di seguito trovi un confronto dettagliato tra modelli standard, valutati con immagini da 640 pixel (e da 416 per le varianti nano/tiny).

Come mostra la tabella, la serie YOLO26 offre un equilibrio prestazionale superiore. Per esempio, YOLO26x raggiunge un notevole valore di 57.5 mAP utilizzando quasi la metà dei parametri del modello YOLOXx, con tempi di inferenza su GPU più rapidi (11.8 ms contro 16.1 ms) e una flessibilità di implementazione decisamente superiore.

Esperienza di addestramento ed ecosistema#

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

YOLOX resta un repository fondamentale 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 definisce lo standard di settore per la semplicità d'uso.

Grazie all'API unificata Python, gli sviluppatori possono inizializzare, addestrare e distribuire modelli YOLO26 con una semplicità senza pari. Il sistema gestisce automaticamente il download dei dataset e l'ottimizzazione degli iperparametri, oltre a esportare senza difficoltà i modelli in formati come ONNX, TensorRT e OpenVINO.

from ultralytics import YOLO

# Inizializza il modello YOLO26 small all'avanguardia ed 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")

Inoltre, durante l'addestramento i modelli Ultralytics YOLO richiedono molta meno memoria rispetto alle alternative basate su Transformer più pesanti, consentendo agli ingegneri di addestrare con batch size maggiori anche 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 resta una valida opzione per specifici benchmark accademici e sistemi legacy basati sulla codebase originale di YOLOX. La sua importanza storica lo rende un riferimento diffuso per la ricerca sui rilevatori senza anchor e sulle strategie di assegnazione personalizzate.

I punti di forza di YOLO26#

YOLO26 è progettato appositamente per le applicazioni industriali moderne. Grazie al supporto nativo per la segmentazione di istanze, la stima della posa e i box di delimitazione orientati (OBB), è molto più versatile dei normali motori di rilevamento.

• Vendita al dettaglio intelligente e gestione dell'inventario: il design senza NMS garantisce che i sistemi di cassa automatizzati elaborino i flussi video con una latenza bassissima e riconoscano i prodotti senza il collo di bottiglia dei cicli di post-elaborazione.
• Analisi da droni e immagini aeree: la funzione di loss angolare specializzata per OBB e l'integrazione di ProgLoss + STAL rendono YOLO26 imbattibile nel rilevare oggetti ruotati e minuscoli dettagli in ampie immagini satellitari.
• Sistemi di sicurezza edge: grazie a un'inferenza su CPU più veloce del 43%, YOLO26 consente alle aziende di implementare analisi di sicurezza avanzate direttamente su hardware locale economico, senza dover ricorrere a costosi servizi di calcolo 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 con sola CPU: dispositivi senza accelerazione GPU dedicata, sui quali l'inferenza su CPU di YOLO26, fino al 43% più veloce, offre un vantaggio decisivo.
• Rilevamento di oggetti di piccole dimensioni: scenari complessi come le immagini aeree acquisite da droni o l'analisi dei sensori IoT, in cui ProgLoss e STAL migliorano notevolmente la precisione sugli oggetti molto piccoli.

Scopri altri modelli Ultralytics#

Se stai esplorando l'evoluzione della visione artificiale, vale la pena approfondire anche altri modelli particolarmente 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 ampiamente collaudata, che ha definito lo standard di semplicità d'uso e flessibilità in migliaia di implementazioni reali.

In conclusione, sebbene YOLOX abbia introdotto concetti fondamentali nel campo del rilevamento degli oggetti, il nuovo YOLO26 offre un salto generazionale in termini di velocità, accuratezza e semplicità di implementazione, diventando la scelta ideale per aziende e sviluppatori lungimiranti.