Ultralytics YOLO26: il nuovo standard per l'AI visiva progettata per l'edge

Oggi Ultralytics lancia ufficialmente YOLO26, il modello YOLO più avanzato e distribuibile mai realizzato. Annunciato per la prima volta a YOLO Vision 2025 (YV25), YOLO26 rappresenta un cambiamento fondamentale nel modo in cui i modelli di visione artificiale vengono addestrati, distribuiti e scalati nei sistemi reali.

L'IA per la visione si sta spostando rapidamente verso l'edge. Sempre più spesso, immagini e video vengono elaborati direttamente su dispositivi, videocamere, robot e sistemi embedded, dove latenza, affidabilità e costi contano più della potenza di calcolo grezza del cloud. YOLO26 è progettato per questa realtà e offre prestazioni ai vertici del settore, funzionando in modo efficiente su CPU, acceleratori edge e hardware a basso consumo.

Sebbene YOLO26 rappresenti un notevole passo avanti, mantiene la familiare e snella esperienza Ultralytics YOLO su cui gli sviluppatori fanno affidamento. Si integra perfettamente nei flussi di lavoro esistenti, supporta un'ampia gamma di attività di visione e rimane facile da usare, rendendo semplice l'adozione sia per i team di ricerca sia per quelli di produzione.

Fig. 1. Esempio di utilizzo di Ultralytics YOLO26 per il rilevamento degli oggetti

In questo articolo analizzeremo tutto ciò che devi sapere su Ultralytics YOLO26 e cosa comporta per il futuro dell'IA per la visione un modello YOLO più leggero, piccolo e veloce. Iniziamo!

Ultralytics YOLO26 stabilisce un nuovo standard per l'IA per la visione#

Ultralytics YOLO26 si basa sull'idea che le potenti funzionalità dell'IA per la visione debbano essere facilmente accessibili a tutti. Crediamo che gli strumenti di visione artificiale più potenti non debbano essere inaccessibili o riservati a un ristretto gruppo di organizzazioni.

A YV25, a Londra, il nostro fondatore e CEO Glenn Jocher ha condiviso la sua visione: «La tecnologia di IA più straordinaria resta chiusa a porte chiuse. Non è aperta. Le grandi aziende controllano i nuovi sviluppi e tutti gli altri devono mettersi in fila per accedervi. In Ultralytics abbiamo una visione diversa. Vogliamo che l'IA sia alla portata di tutti».

Ha inoltre spiegato che questo significa portare l'IA fuori dal cloud e negli ambienti reali, aggiungendo: «Vogliamo che la tecnologia non resti confinata nel cloud, ma venga portata sui dispositivi edge, sul tuo telefono, sui tuoi veicoli e sui sistemi a basso consumo. E vogliamo che anche le persone straordinarie che creano soluzioni possano accedervi».

YOLO26 traduce questa visione in pratica: è un modello progettato per funzionare dove l'IA per la visione viene effettivamente distribuita, non dove è più facile realizzare prototipi.

Alla scoperta di Ultralytics YOLO26: un modello di visione all'avanguardia#

Come i precedenti modelli Ultralytics YOLO, YOLO26 supporta diverse attività di visione artificiale all'interno di un'unica famiglia di modelli unificata. È disponibile in cinque dimensioni: Nano (n), Small (s), Medium (m), Large (l) ed Extra Large (x), così i team possono trovare il giusto equilibrio tra velocità, accuratezza e dimensioni del modello in base ai vincoli di distribuzione.

Oltre a offrire flessibilità, YOLO26 alza l'asticella delle prestazioni. Rispetto a YOLO11, il modello nano di YOLO26 offre inferenza su CPU fino al 43% più veloce, risultando così uno dei modelli di rilevamento degli oggetti ad alta accuratezza più veloci disponibili per la distribuzione su edge e CPU.

Fig. 2. Ultralytics YOLO26 è un modello di visione all'avanguardia.

Ecco una panoramica delle attività di visione artificiale supportate da YOLO26:

• Classificazione delle immagini: YOLO26 può analizzare un'intera immagine e assegnarla a una categoria specifica, aiutando i sistemi a comprenderne il contesto generale.
• Rilevamento degli oggetti: il modello può individuare e localizzare più oggetti in immagini o video.
• Segmentazione delle istanze: YOLO26 può delineare i singoli oggetti con un livello di dettaglio a livello di pixel.
• Stima della posa: può essere usato per identificare i punti chiave e stimare le pose di persone e altri oggetti.
• Rilevamento di riquadri di delimitazione orientati (OBB): YOLO26 può rilevare oggetti con orientamenti diversi, una funzione particolarmente utile per le immagini aeree e satellitari.
• Tracciamento degli oggetti: insieme al pacchetto Python Ultralytics, YOLO26 può essere usato per seguire gli oggetti nei fotogrammi video e nei flussi in diretta.

Tutte le attività supportano addestramento, convalida, inferenza ed esportazione all'interno di un framework coerente.

Le innovazioni chiave alla base di Ultralytics YOLO26#

Ultralytics YOLO26 introduce diverse innovazioni fondamentali che migliorano la velocità di inferenza, la stabilità dell'addestramento e la semplicità di distribuzione. Ecco una panoramica di queste innovazioni:

• Rimozione della Distribution Focal Loss (DFL): il modulo DFL è stato rimosso per semplificare la predizione dei riquadri di delimitazione, migliorare la compatibilità hardware e rendere più facile esportare ed eseguire i modelli su dispositivi edge e a basso consumo.
• Inferenza end-to-end senza NMS: YOLO26 è progettato come modello end-to-end nativo che produce direttamente le predizioni finali, eliminando la necessità della soppressione dei massimi non locali e riducendo la latenza di inferenza e la complessità della distribuzione.
• Bilanciamento progressivo della loss + STAL: queste strategie di loss migliorate stabilizzano l'addestramento e aumentano l'accuratezza del rilevamento, in particolare per gli oggetti piccoli e difficili da individuare.
• Ottimizzatore MuSGD: YOLO26 usa un nuovo ottimizzatore ibrido che combina SGD con tecniche di ottimizzazione ispirate a Muon, per un addestramento più stabile.
• Inferenza su CPU fino al 43% più veloce: ottimizzato in modo specifico per l'edge computing, YOLO26 offre un'inferenza su CPU fino al 43% più veloce, consentendo prestazioni in tempo reale sui dispositivi edge.

Vediamo nel dettaglio queste funzionalità di nuova generazione, che rendono YOLO26 più veloce, efficiente e facile da distribuire.

Semplificare la predizione rimuovendo la Distribution Focal Loss#

I precedenti modelli YOLO usavano la Distribution Focal Loss (DFL) durante l'addestramento per migliorare la precisione dei riquadri di delimitazione. Sebbene efficace, la DFL aggiungeva complessità e imponeva limiti fissi alla regressione, rendendo più difficile l'esportazione e la distribuzione, soprattutto su hardware edge e a basso consumo.

YOLO26 elimina completamente la DFL. La rimozione della DFL elimina i limiti fissi alla regressione dei riquadri di delimitazione presenti nei modelli precedenti, migliorando l'affidabilità e l'accuratezza nel rilevamento di oggetti molto grandi.

Semplificando il processo di predizione dei riquadri di delimitazione, YOLO26 è più facile da esportare e funziona in modo più affidabile su un'ampia gamma di dispositivi edge e a basso consumo.

Inferenza end-to-end senza NMS con Ultralytics YOLO26#

Le pipeline tradizionali di rilevamento degli oggetti si basano sulla soppressione dei massimi non locali (NMS) come fase di post-elaborazione per filtrare le predizioni sovrapposte. Sebbene efficace, la NMS aggiunge latenza, complessità e fragilità, soprattutto quando si distribuiscono modelli su più ambienti di esecuzione e piattaforme hardware.

YOLO26 introduce una modalità di inferenza end-to-end nativa, in cui il modello produce direttamente le predizioni finali senza richiedere la NMS come fase di post-elaborazione separata. Le predizioni duplicate vengono gestite direttamente dalla rete.

Eliminare la NMS riduce la latenza, semplifica le pipeline di distribuzione e abbassa il rischio di errori di integrazione, rendendo YOLO26 particolarmente adatto alle distribuzioni in tempo reale e in ambiente edge.

Migliorare il riconoscimento con il bilanciamento progressivo della loss + STAL#

Una funzionalità fondamentale relativa all'addestramento è l'introduzione del bilanciamento progressivo della loss (ProgLoss) e dell'assegnazione delle etichette consapevole degli oggetti piccoli (STAL). Queste funzioni di loss migliorate aiutano a stabilizzare l'addestramento e ad aumentare l'accuratezza del rilevamento.

ProgLoss aiuta il modello ad apprendere in modo più coerente durante l'addestramento, riducendo l'instabilità e favorendo una convergenza più graduale. STAL, invece, si concentra sul miglioramento dell'apprendimento del modello dagli oggetti piccoli, spesso più difficili da rilevare a causa dei pochi dettagli visivi.

Insieme, ProgLoss e STAL rendono i rilevamenti più affidabili, con miglioramenti evidenti nel riconoscimento degli oggetti piccoli. Questo è particolarmente importante per le applicazioni edge come l'Internet delle cose (IoT), la robotica e le immagini aeree, in cui gli oggetti sono spesso piccoli, lontani o parzialmente visibili.

Un addestramento più stabile con l'ottimizzatore MuSGD#

Con YOLO26 abbiamo adottato un nuovo ottimizzatore chiamato MuSGD, progettato per rendere l'addestramento più stabile ed efficiente. MuSGD è un approccio ibrido che combina i punti di forza della discesa stocastica del gradiente (SGD) tradizionale con tecniche ispirate a Muon, un ottimizzatore usato nell'addestramento dei modelli linguistici di grandi dimensioni (LLM).

Da tempo SGD è una scelta affidabile nella visione artificiale, grazie alla sua semplicità e alla sua capacità di generalizzare. Allo stesso tempo, i recenti progressi nell'addestramento degli LLM hanno dimostrato che, se applicati con attenzione, i nuovi metodi di ottimizzazione possono migliorare la stabilità e la velocità. MuSGD porta alcune di queste idee nel campo della visione artificiale.

Ispirato a Kimi K2 di Moonshot AI, MuSGD integra strategie di ottimizzazione che aiutano il modello a convergere in modo più graduale durante l'addestramento. Questo permette a YOLO26 di raggiungere prestazioni elevate più rapidamente, riducendo al contempo l'instabilità dell'addestramento, soprattutto nelle configurazioni di addestramento più grandi o complesse.

MuSGD aiuta YOLO26 ad addestrarsi in modo più prevedibile con modelli di diverse dimensioni, contribuendo sia ai miglioramenti delle prestazioni sia alla stabilità dell'addestramento.

Ultralytics YOLO26 offre un'inferenza su CPU fino al 43% più veloce#

Man mano che l'IA per la visione si avvicina al luogo in cui vengono generati i dati, prestazioni elevate in ambiente edge diventano sempre più importanti. Ottimizzato in modo specifico per l'edge computing, YOLO26 offre un'inferenza su CPU fino al 43% più veloce, garantendo prestazioni in tempo reale sui dispositivi senza GPU. Questo miglioramento permette ai sistemi di visione reattivi e affidabili di funzionare direttamente su videocamere, robot e hardware embedded, dove latenza, efficienza e vincoli di costo determinano ciò che è possibile fare.

Attività di visione artificiale migliorate supportate da Ultralytics YOLO26#

Oltre ai miglioramenti architetturali che rendono più accurato il rilevamento degli oggetti, YOLO26 include anche ottimizzazioni specifiche per le attività, progettate per migliorare le prestazioni nelle diverse attività di visione artificiale. Per esempio, migliora la segmentazione delle istanze, la stima della posa e il rilevamento dei riquadri di delimitazione orientati con aggiornamenti mirati che aumentano l'accuratezza e l'affidabilità.

Ecco una panoramica di queste ottimizzazioni:

• Segmentazione delle istanze: YOLO26 usa una loss di segmentazione semantica per migliorare l'apprendimento del modello durante l'addestramento, ottenendo maschere di istanza più accurate e coerenti. Anche il modulo proto aggiornato consente di usare informazioni provenienti da più scale, così il modello gestisce in modo più efficace oggetti di dimensioni diverse, persino nelle scene complesse.
• Stima della posa: integrando la stima residua della log-verosimiglianza (RLE), una tecnica che modella l'incertezza nelle predizioni dei punti chiave, e migliorando il processo di decodifica, YOLO26 produce punti chiave più accurati con prestazioni migliori in tempo reale.
• Rilevamento di riquadri di delimitazione orientati: YOLO26 introduce una loss angolare specializzata che aiuta il modello ad apprendere con maggiore accuratezza la rotazione degli oggetti, soprattutto per gli oggetti quadrati, il cui orientamento può essere ambiguo. Anche la decodifica OBB ottimizzata riduce i salti improvvisi nelle predizioni degli angoli in prossimità dei limiti di rotazione, ottenendo stime dell'orientamento più stabili e coerenti.

Fig. 3. Utilizzo di Ultralytics YOLO26 per la segmentazione delle istanze.

Ultralytics YOLOE-26: segmentazione a vocabolario aperto basata su YOLO26#

Ultralytics presenta anche YOLOE-26, una nuova famiglia di modelli di segmentazione a vocabolario aperto basata sull'architettura e sulle innovazioni di addestramento di YOLO26.

YOLOE-26 non è una nuova attività o funzionalità, ma una famiglia specializzata di modelli che riutilizza l'attività di segmentazione esistente, consentendo al contempo l'inferenza con prompt testuali, prompt visivi o senza prompt. Disponibile in tutte le dimensioni standard di YOLO, YOLOE-26 offre un'accuratezza superiore e prestazioni nel mondo reale più affidabili rispetto ai precedenti modelli di segmentazione a vocabolario aperto.

Ultralytics YOLO26 è progettato per gli ambienti in cui l'IA per la visione viene effettivamente eseguita#

Dalle videocamere basate sulla visione ai robot che sfruttano la visione artificiale, fino ai minuscoli chip di elaborazione edge, la visione artificiale e l'IA vengono distribuite direttamente sui dispositivi per l'inferenza in tempo reale. Ultralytics YOLO26 è progettato appositamente per questi ambienti, dove bassa latenza, efficienza e prestazioni affidabili sono fondamentali.

In pratica, questo significa che YOLO26 può essere distribuito facilmente su un'ampia gamma di hardware. In particolare, grazie al pacchetto Python Ultralytics e alla sua vasta gamma di integrazioni, i modelli possono essere esportati in formati ottimizzati per diverse piattaforme e acceleratori hardware.

Per esempio, l'esportazione in TensorRT consente inferenza ad alte prestazioni sulle GPU NVIDIA, mentre CoreML supporta la distribuzione nativa sui dispositivi Apple e OpenVINO ottimizza le prestazioni sull'hardware Intel. YOLO26 può anche essere esportato per funzionare su diversi acceleratori edge dedicati, abilitando un'inferenza a elevata capacità e a basso consumo energetico sull'hardware specializzato per l'IA edge.

Questi sono solo alcuni esempi: sono supportate molte altre integrazioni negli ambienti edge e di produzione. Questa flessibilità permette a un singolo modello YOLO26 di funzionare su diverse piattaforme di distribuzione. Semplifica i flussi di lavoro di produzione e porta l'IA per la visione più vicino all'edge.

Ridefinire i casi d'uso della visione artificiale nei diversi settori#

Progettato per la distribuzione nel mondo reale, YOLO26 può essere usato in un'ampia gamma di casi d'uso della visione artificiale in diversi settori. Ecco alcuni esempi delle sue possibili applicazioni:

• Robotica: YOLO26 può essere usato per attività come la navigazione, il rilevamento degli ostacoli e l'interazione con gli oggetti. Queste funzionalità favoriscono operazioni robotiche sicure ed efficaci in ambienti dinamici.

• Produzione: sulle linee di produzione, YOLO26 può analizzare immagini e video per individuare difetti, componenti mancanti o problemi di processo. Elaborare i dati sul dispositivo velocizza il rilevamento e riduce la dipendenza dai sistemi cloud.

• Applicazioni aeree e con droni: quando è installato sui droni, YOLO26 può elaborare immagini aeree durante il volo per ispezioni, mappature e rilievi. Questo permette di analizzare le scene in tempo reale, anche in località remote.

• Sistemi embedded e IoT: grazie al suo design leggero, YOLO26 può funzionare su hardware embedded a basso consumo ed elaborare i dati visivi localmente. Tra i casi d'uso più comuni ci sono videocamere intelligenti, sensori connessi e dispositivi di monitoraggio automatizzati.

• Città intelligenti: negli ambienti urbani, YOLO26 può analizzare i flussi video delle videocamere per il traffico e gli spazi pubblici. Questo consente applicazioni edge come il monitoraggio del traffico, la sicurezza pubblica e la gestione delle infrastrutture.

Fig. 4. YOLO26 può essere usato per diverse applicazioni di visione artificiale.

Iniziare a usare Ultralytics YOLO26#

Ultralytics YOLO26 può essere usato attraverso due flussi di lavoro complementari, a seconda di come sviluppi e distribuisci l'IA per la visione.

Opzione 1: usa Ultralytics YOLO26 tramite la Ultralytics Platform (consigliato)

La Ultralytics Platform offre un modo centralizzato per addestrare, distribuire e monitorare i modelli YOLO26 in produzione. Riunisce dataset, esperimenti e distribuzioni in un unico posto, semplificando la gestione dei flussi di lavoro dell'IA per la visione su larga scala, soprattutto per i team che distribuiscono in ambienti edge e di produzione.

Tramite la Platform, puoi:

• Accedere ai modelli YOLO26
• Addestrare e perfezionare i modelli su dataset personalizzati
• Esportare i modelli per la distribuzione in ambienti edge e di produzione
• Monitorare esperimenti e modelli distribuiti in un unico flusso di lavoro

👉 Esplora YOLO26 sulla Ultralytics Platform: platform.ultralytics.com/ultralytics/yolo26

Opzione 2: usa Ultralytics YOLO26 tramite flussi di lavoro open source

YOLO26 resta pienamente accessibile nell'ecosistema open source di Ultralytics e può essere usato con i flussi di lavoro Python esistenti per l'addestramento, l'inferenza e l'esportazione.

Gli sviluppatori possono installare il pacchetto Ultralytics, caricare modelli YOLO26 preaddestrati e distribuirli usando strumenti e formati comuni come ONNX, TensorRT, CoreML o OpenVINO.

pip install ultralytics

from ultralytics import YOLO

# Carica un modello YOLO26n preaddestrato su COCO
model = YOLO("yolo26n.pt")

# Esegui l'inferenza con il modello YOLO26n sull'immagine 'bus.jpg'
results = model("path/to/bus.jpg")

Per chi preferisce un controllo diretto o pipeline personalizzate, la documentazione completa e le guide sono disponibili nella documentazione di Ultralytics.

Ultralytics YOLO26: progettato per il futuro della visione artificiale#

Ultralytics YOLO26 è progettato per soddisfare le esigenze delle soluzioni di IA per la visione di domani, che dovranno essere veloci, efficienti e facili da distribuire su hardware reale. Migliorando le prestazioni, semplificando la distribuzione e ampliando le funzionalità del modello, YOLO26 si adatta naturalmente a un'ampia gamma di applicazioni nel mondo reale. YOLO26 stabilisce un nuovo punto di riferimento per lo sviluppo, la distribuzione e la scalabilità dell'IA per la visione. Non vediamo l'ora di scoprire come la community lo userà per realizzare sistemi di visione artificiale destinati al mondo reale.

Unisciti alla nostra community in crescita ed esplora il nostro repository GitHub per trovare risorse pratiche sull’AI. Per iniziare oggi a sviluppare soluzioni di vision AI, scopri le nostre opzioni di licenza. Scopri come l’AI in agricoltura sta trasformando il settore agricolo e come la vision AI nella robotica sta plasmando il futuro visitando le pagine dedicate alle nostre soluzioni.