I migliori modelli di rilevamento degli oggetti

All'inizio di quest'anno, Andrew Ng, pioniere dell'IA e del machine learning, ha introdotto il concetto di rilevamento agentico degli oggetti. Questo approccio utilizza un agente di ragionamento per rilevare gli oggetti sulla base di un prompt testuale, senza richiedere enormi quantità di dati di addestramento.

La capacità di identificare oggetti in immagini e video senza dover ricorrere a enormi dataset etichettati rappresenta un passo verso sistemi di computer vision più intelligenti e flessibili. Tuttavia, l'IA agentica per la visione è ancora nelle sue fasi iniziali.

Sebbene sia in grado di gestire attività generiche, come rilevare persone o segnali stradali in un'immagine, le applicazioni di computer vision più precise si basano ancora sui tradizionali modelli di rilevamento degli oggetti. Questi modelli vengono addestrati su grandi dataset annotati con cura per imparare esattamente cosa cercare e dove si trovano gli oggetti.

Fig. 1. Un esempio di rilevamento degli oggetti. (Fonte)

Il rilevamento degli oggetti tradizionale è essenziale perché fornisce sia il riconoscimento, ovvero l'identificazione dell'oggetto, sia la localizzazione, ovvero la determinazione della sua posizione esatta nell'immagine. Questa combinazione consente alle macchine di svolgere in modo affidabile attività complesse nel mondo reale, dai veicoli autonomi all'automazione industriale e alla diagnostica sanitaria.

Grazie ai progressi tecnologici, i modelli di rilevamento degli oggetti continuano a migliorare, diventando più veloci, accurati e adatti agli ambienti reali. In questo articolo esamineremo alcuni dei migliori modelli di rilevamento degli oggetti oggi disponibili. Iniziamo!

La necessità del rilevamento degli oggetti#

Le attività di computer vision, come la classificazione delle immagini, possono essere utilizzate per stabilire se un'immagine contiene un'auto, una persona o un altro oggetto. Tuttavia, non possono determinare dove si trova l'oggetto all'interno dell'immagine.

È qui che il rilevamento degli oggetti può rivelarsi utile. I modelli di rilevamento degli oggetti possono identificare quali oggetti sono presenti e individuarne con precisione la posizione. Questo processo, noto come localizzazione, consente alle macchine di comprendere le scene in modo più accurato e di reagire appropriatamente, ad esempio arrestando un'auto a guida autonoma, guidando il braccio di un robot o evidenziando un'area nelle immagini mediche.

L'avvento del deep learning ha trasformato il rilevamento degli oggetti. Invece di affidarsi a regole codificate manualmente, i modelli moderni apprendono i pattern direttamente dalle annotazioni e dai dati visivi. Questi dataset insegnano ai modelli l'aspetto degli oggetti, dove compaiono solitamente e come gestire difficoltà quali oggetti piccoli, scene affollate o condizioni di illuminazione variabili.

In effetti, i sistemi di rilevamento degli oggetti all'avanguardia possono rilevare accuratamente più oggetti contemporaneamente. Questo rende il rilevamento degli oggetti una tecnologia fondamentale in applicazioni come la guida autonoma, la robotica, la sanità e l'automazione industriale.

Come funzionano le attività di rilevamento degli oggetti#

L'input di un modello di rilevamento degli oggetti è un'immagine, che può provenire da una fotocamera, da un fotogramma video o persino da una scansione medica. L'immagine di input viene elaborata attraverso una rete neurale, in genere una rete neurale convoluzionale (CNN), addestrata a riconoscere pattern nei dati visivi.

All'interno della rete, l'immagine viene analizzata in più fasi. In base alle caratteristiche rilevate, il modello predice quali oggetti sono presenti e dove compaiono.

Queste predizioni vengono rappresentate mediante bounding box, ovvero rettangoli disegnati attorno a ciascun oggetto rilevato. Per ogni bounding box, il modello assegna un'etichetta di classe (ad esempio auto, persona o cane) e un punteggio di confidenza che indica quanto è sicuro della predizione (può essere considerato anche una probabilità).

Fig. 2. Le predizioni del rilevamento degli oggetti possono essere visualizzate mediante bounding box.

L'intero processo si basa in larga misura sull'estrazione delle caratteristiche. Il modello impara a identificare pattern visivi utili, come bordi, forme, texture e altre caratteristiche distintive. Questi pattern vengono codificati nelle mappe delle caratteristiche, che aiutano la rete a comprendere l'immagine a diversi livelli di dettaglio.

Rilevamento degli oggetti: a due stadi e a stadio singolo#

A seconda dell'architettura del modello, i rilevatori di oggetti utilizzano strategie diverse per localizzare gli oggetti, bilanciando velocità, accuratezza e complessità.

Molti modelli di rilevamento degli oggetti, in particolare i rilevatori a due stadi come Faster R-CNN, si concentrano su parti specifiche dell'immagine chiamate regioni di interesse (ROI). Concentrandosi su queste aree, il modello assegna priorità alle regioni con maggiore probabilità di contenere oggetti, invece di analizzare ogni pixel allo stesso modo.

I modelli a stadio singolo, come i primi modelli YOLO, invece, non selezionano ROI specifiche come fanno i modelli a due stadi. Dividono l'immagine in una griglia e utilizzano box predefiniti, chiamati anchor box, insieme alle mappe delle caratteristiche per predire gli oggetti nell'intera immagine in un unico passaggio.

Oggi, i modelli di rilevamento degli oggetti più avanzati stanno esplorando approcci anchor-free. A differenza dei tradizionali modelli a stadio singolo, che si basano su anchor box predefiniti, i modelli anchor-free predicono direttamente dalle mappe delle caratteristiche le posizioni e le dimensioni degli oggetti. Questo può semplificare l'architettura, ridurre il sovraccarico computazionale e migliorare le prestazioni, soprattutto nel rilevamento di oggetti con forme e dimensioni diverse.

Uno sguardo ai migliori modelli di rilevamento degli oggetti#

Oggi esistono numerosi modelli di rilevamento degli oggetti, ciascuno progettato con obiettivi specifici. Alcuni sono ottimizzati per le prestazioni in tempo reale, mentre altri puntano a raggiungere la massima accuratezza. La scelta del modello giusto per una soluzione di computer vision dipende spesso dal caso d'uso specifico e dai requisiti prestazionali.

Esploriamo ora alcuni dei migliori modelli di rilevamento degli oggetti del 2026.

1. Modelli Ultralytics YOLO#

Una delle famiglie di modelli di rilevamento degli oggetti oggi più utilizzate è la famiglia di modelli Ultralytics YOLO. YOLO, acronimo di You Only Look Once, è popolare in diversi settori perché offre prestazioni di rilevamento elevate, pur essendo veloce, affidabile e facile da utilizzare.

La famiglia Ultralytics YOLO include Ultralytics YOLOv5, Ultralytics YOLOv8, Ultralytics YOLO11 e l'imminente Ultralytics YOLO26, offrendo diverse opzioni per requisiti prestazionali e casi d'uso differenti. Grazie al design leggero e all'ottimizzazione della velocità, i modelli Ultralytics YOLO sono ideali per il rilevamento in tempo reale e possono essere distribuiti su dispositivi edge con potenza di calcolo e memoria limitate.

Fig. 3. Utilizzo di Ultralytics YOLO11 per il rilevamento degli oggetti (Fonte)

Oltre al rilevamento di base degli oggetti, questi modelli sono estremamente versatili. Supportano anche attività come la segmentazione delle istanze, che delinea gli oggetti a livello di pixel, e la stima della posa, che identifica i punti chiave su persone o oggetti. Questa flessibilità rende i modelli Ultralytics YOLO una scelta di riferimento per un'ampia gamma di applicazioni, dall'agricoltura e dalla logistica alla vendita al dettaglio e alla produzione.

Un altro motivo fondamentale della popolarità dei modelli Ultralytics YOLO è il pacchetto Python Ultralytics, che offre un'interfaccia semplice e intuitiva per addestrare, ottimizzare e distribuire i modelli. Gli sviluppatori possono iniziare con pesi preaddestrati, personalizzare i modelli per i propri dataset e distribuirli con poche righe di codice.

2. RT-DETR e RT-DETRv2#

RT‑DETR (Transformer per il rilevamento in tempo reale) e il più recente RT‑DETRv2 sono modelli di rilevamento degli oggetti progettati per l'uso in tempo reale. A differenza di molti modelli tradizionali, possono ricevere un'immagine e restituire direttamente le predizioni finali senza utilizzare la soppressione non massima (NMS).

La NMS è un passaggio che rimuove le box sovrapposte in eccesso quando un modello predice più volte lo stesso oggetto. Saltare la NMS rende il processo di rilevamento più semplice e veloce.

Questi modelli combinano CNN e transformer. La CNN individua dettagli visivi come bordi e forme, mentre il transformer è un tipo di rete neurale in grado di osservare l'intera immagine contemporaneamente e comprendere le relazioni tra le sue diverse parti. Questa comprensione globale consente al modello di rilevare oggetti vicini o sovrapposti.

RT‑DETRv2 migliora il modello originale con funzionalità come il rilevamento multiscala, che aiuta a individuare oggetti piccoli e grandi, e una migliore gestione delle scene complesse. Queste modifiche mantengono elevata la velocità del modello migliorandone al contempo l'accuratezza.

3. RF-DETR#

RF‑DETR è un modello in tempo reale basato su transformer, progettato per combinare l'accuratezza delle architetture transformer con la velocità necessaria per le applicazioni del mondo reale. Come RT‑DETR e RT‑DETRv2, utilizza un transformer per analizzare l'intera immagine e una CNN per estrarre caratteristiche visive dettagliate, come bordi, forme e texture.

Il modello predice direttamente gli oggetti dall'immagine di input, evitando anchor box e soppressione non massima, il che semplifica il processo di rilevamento e mantiene veloce l'inferenza. RF‑DETR supporta anche la segmentazione delle istanze, consentendo di delineare gli oggetti a livello di pixel oltre a predire le bounding box.

4. EfficientDet#

Rilasciato alla fine del 2019, EfficientDet è un modello di rilevamento degli oggetti progettato per uno scaling efficiente e prestazioni elevate. Ciò che distingue EfficientDet è lo scaling composto, un metodo che adatta simultaneamente la risoluzione dell'input, la profondità della rete e la larghezza della rete, invece di modificare un solo fattore. Questo approccio aiuta il modello a mantenere un'accuratezza stabile, sia quando viene scalato per attività ad alte prestazioni, sia quando viene ridimensionato per distribuzioni leggere.

Un altro componente fondamentale di EfficientDet è la sua rete piramidale efficiente delle caratteristiche (FPN), che consente al modello di analizzare le immagini a più scale. Questa analisi multiscala è fondamentale per rilevare oggetti di dimensioni diverse e permette a EfficientDet di identificare in modo affidabile oggetti piccoli e grandi nella stessa immagine.

5. PP-YOLOE+#

Rilasciato nel 2022, PP-YOLOE+ è un modello di rilevamento degli oggetti in stile YOLO, ovvero rileva e classifica gli oggetti in un unico passaggio sull'immagine. Questo approccio lo rende veloce e adatto alle applicazioni in tempo reale, mantenendo al contempo un'elevata accuratezza.

Uno dei principali miglioramenti di PP-YOLOE+ è l'apprendimento allineato al task, che aiuta i punteggi di confidenza del modello a riflettere l'accuratezza con cui vengono localizzati gli oggetti. Ciò è particolarmente utile per rilevare oggetti piccoli o sovrapposti.

Fig. 4. Rilevamento degli oggetti mediante PP-YOLOE+ (Fonte)

Il modello utilizza anche un'architettura della head disaccoppiata, che separa le attività di predizione delle posizioni degli oggetti e delle etichette di classe. Questo gli consente di tracciare bounding box più precise classificando al contempo correttamente gli oggetti.

6. GroundingDINO#

GroundingDINO è un modello di rilevamento degli oggetti basato su transformer che combina visione e linguaggio. Invece di affidarsi a un insieme fisso di categorie, consente agli utenti di rilevare gli oggetti utilizzando prompt testuali in linguaggio naturale.

Allineando le caratteristiche visive di un'immagine con le descrizioni testuali, il modello può localizzare gli oggetti anche se quelle etichette esatte non erano presenti nei dati di addestramento. Ciò significa che puoi fornire al modello prompt come “una persona con il casco” o “un'auto rossa vicino a un edificio”, e il modello genererà bounding box accurate attorno agli oggetti corrispondenti.

Inoltre, supportando il rilevamento zero-shot, GroundingDINO riduce la necessità di riaddestrare o ottimizzare il modello per ogni nuovo caso d'uso, rendendolo estremamente flessibile in un'ampia gamma di applicazioni. Questa combinazione di comprensione del linguaggio e riconoscimento visivo apre nuove possibilità per sistemi di IA interattivi e adattivi.

Metriche comuni utilizzate per valutare i rilevatori di oggetti#

Confrontando diversi modelli di rilevamento degli oggetti, potresti chiederti come stabilire quale offre effettivamente le prestazioni migliori. È una domanda pertinente, perché oltre all'architettura del modello e alla qualità dei dati, molti fattori possono influire sulle prestazioni.

I ricercatori si affidano spesso a benchmark condivisi e metriche prestazionali standard per valutare i modelli in modo coerente, confrontare i risultati e comprendere i compromessi tra velocità e accuratezza. I benchmark standard sono particolarmente importanti perché molti modelli di rilevamento degli oggetti vengono valutati sugli stessi dataset, come il dataset COCO.

Misurare accuratezza e velocità del rilevamento#

Ecco uno sguardo più ravvicinato ad alcune metriche comuni utilizzate per valutare i modelli di rilevamento degli oggetti:

• Intersezione sull'unione (IoU): questa metrica misura quanto una bounding box predetta si sovrappone all'oggetto reale in un'immagine. Confronta la box tracciata dal modello con la box di riferimento, ovvero la posizione dell'oggetto annotata nel dataset. La IoU viene calcolata dividendo l'area di sovrapposizione per l'area dell'unione delle due box. Una IoU più alta indica che il modello posiziona la box con maggiore accuratezza, mentre una IoU più bassa significa che la predizione è meno precisa. In termini semplici, la IoU mostra quanto le predizioni del modello corrispondano alle vere posizioni degli oggetti.
• Precisione media media (mAP): è la metrica principale utilizzata per valutare le prestazioni complessive nel rilevamento degli oggetti. Tiene conto sia del numero di oggetti rilevati correttamente dal modello, sia dell'accuratezza di tali rilevamenti a diversi livelli di confidenza e per diverse categorie di oggetti.
• Fotogrammi al secondo (FPS) e latenza: gli FPS indicano quante immagini o fotogrammi video un modello può elaborare in un secondo. Ad esempio, un modello che opera a 30 FPS può gestire 30 fotogrammi al secondo. Un valore di FPS più elevato significa che il sistema può rispondere più rapidamente, aspetto importante per casi d'uso come video in diretta, monitoraggio del traffico o robotica. La latenza, invece, misura il tempo necessario al modello per elaborare una singola immagine o un fotogramma dal momento della ricezione fino alla disponibilità del risultato.

Vantaggi e svantaggi degli algoritmi di rilevamento degli oggetti#

Ecco alcuni dei principali vantaggi dell'utilizzo dei modelli di rilevamento degli oggetti nelle applicazioni del mondo reale:

• Si adatta a diversi settori: il rilevamento degli oggetti può essere applicato a un'ampia gamma di casi d'uso, dal monitoraggio del traffico e dall'analisi della vendita al dettaglio alla sanità, all'agricoltura e alla produzione.
• Riduce il lavoro manuale: l'automazione delle attività di ispezione e monitoraggio visivo riduce la necessità di una supervisione umana costante e aiuta i team a concentrarsi su attività di maggiore valore.
• Trae vantaggio dagli ecosistemi open source: le community open source attive e le risorse disponibili su GitHub facilitano l'accesso a modelli preaddestrati, la sperimentazione e la personalizzazione delle soluzioni.

Nonostante questi vantaggi, esistono limitazioni pratiche che possono influire sulle prestazioni dei modelli di rilevamento degli oggetti. Ecco alcuni fattori essenziali da considerare:

• Requisiti di dati di alta qualità: i modelli di rilevamento degli oggetti dipendono da dataset ampi e ben annotati per l'addestramento. Creare e mantenere questi dati può richiedere molto tempo, essere costoso e difficile da scalare.
• Esigenze computazionali: i modelli che offrono una maggiore accuratezza nel rilevamento spesso richiedono una notevole potenza di elaborazione, sia durante l'addestramento sia durante la distribuzione in tempo reale. Ciò implica generalmente l'utilizzo di GPU ad alte prestazioni, che può aumentare i costi dell'infrastruttura.
• Sensibilità alle condizioni del mondo reale: variazioni nell'illuminazione, negli angoli di ripresa, nelle condizioni meteorologiche e nelle scene affollate possono influire sulle prestazioni del rilevamento, rendendo necessari test e ottimizzazioni continui.

Punti chiave#

Il miglior modello di rilevamento degli oggetti per il tuo progetto di computer vision dipende dal caso d'uso, dalla configurazione dei dati, dai requisiti prestazionali e dai vincoli hardware. Alcuni modelli sono ottimizzati per la velocità, mentre altri si concentrano sull'accuratezza, e la maggior parte delle applicazioni del mondo reale richiede un equilibrio tra entrambe. Grazie ai framework open source e alle community attive su GitHub, questi modelli sono sempre più facili da valutare, adattare e distribuire per l'utilizzo pratico.

Per saperne di più, esplora il nostro repository GitHub. Unisciti alla nostra community e consulta le nostre pagine sulle soluzioni per scoprire applicazioni come l'IA nella sanità e la computer vision nel settore automobilistico. Scopri le nostre opzioni di licenza per iniziare oggi stesso a utilizzare l'IA per la visione.