Ultralytics YOLO26: Il nuovo standard per la Vision AI edge-first

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 computer vision vengono addestrati, distribuiti e scalati nei sistemi reali.

La vision AI si sta rapidamente spostando verso l'edge. Sempre più spesso, immagini e video vengono elaborati direttamente su dispositivi, telecamere, robot e sistemi integrati, dove la latenza, l'affidabilità e il costo contano più della potenza di calcolo pura del cloud. YOLO26 è progettato per questa realtà, offrendo prestazioni leader a livello mondiale pur funzionando in modo efficiente su CPU, acceleratori edge e hardware a basso consumo.

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

Fig 1. Un esempio di utilizzo di Ultralytics YOLO26 per il rilevamento di oggetti

In questo articolo, analizzeremo tutto ciò che devi sapere su Ultralytics YOLO26 e cosa significhi un modello YOLO più leggero, piccolo e veloce per il futuro della vision AI. Iniziamo!

Link to this sectionUltralytics YOLO26 stabilisce un nuovo standard per la vision AI#

Ultralytics YOLO26 è nato dall'idea che le funzionalità di vision AI di impatto debbano essere accessibili a tutti. Crediamo che i potenti strumenti di computer vision non debbano essere blindati o limitati a un piccolo gruppo di organizzazioni.

A YV25 a Londra, il nostro fondatore e CEO Glenn Jocher ha condiviso i suoi pensieri su questa visione, affermando: “La tecnologia AI più incredibile è dietro porte chiuse. Non è aperta. Le grandi aziende controllano i nuovi sviluppi e tutti gli altri devono mettersi in fila per accedere. Noi di Ultralytics abbiamo una visione diversa. Vogliamo che l'AI sia nelle mani di tutti.”

Ha anche spiegato che ciò significa portare l'AI fuori dal cloud e negli ambienti del mondo reale, aggiungendo: “Vogliamo che la tecnologia non resti solo nel cloud, ma che venga portata sui dispositivi edge, nei tuoi telefoni, nei tuoi veicoli e nei sistemi a basso consumo. E vogliamo che queste persone straordinarie che stanno creando soluzioni abbiano accesso a tutto questo.”

YOLO26 riflette questa visione nella pratica: un modello progettato per funzionare dove la vision AI viene effettivamente distribuita, non dove è più facile creare prototipi.

Link to this sectionAnalisi di Ultralytics YOLO26: un modello di visione all'avanguardia#

Come i precedenti modelli Ultralytics YOLO, YOLO26 supporta molteplici attività di computer vision 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), consentendo ai team di bilanciare velocità, precisione e dimensioni del modello a seconda dei vincoli di distribuzione.

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

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

Ecco un'occhiata più da vicino alle attività di computer vision supportate da YOLO26:

• Classificazione delle immagini: YOLO26 può analizzare un'intera immagine e assegnarla a una categoria specifica, aiutando i sistemi a comprendere il contesto generale di una scena.
• Rilevamento di oggetti: Il modello può trovare e localizzare più oggetti in immagini o video.
• Segmentazione di istanze: YOLO26 può delineare singoli oggetti con dettagli a livello di pixel.
• Stima della posa: Può essere utilizzato per identificare punti chiave e stimare la posa per persone e altri oggetti.
• Rilevamento di BBox orientate (OBB): YOLO26 può rilevare oggetti con angolazioni diverse, il che è particolarmente utile per le immagini aeree e satellitari.
• Tracciamento di oggetti: In combinazione con il pacchetto Python di Ultralytics, YOLO26 può essere utilizzato per seguire gli oggetti attraverso i frame video e i flussi live.

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

Link to this sectionInnovazioni chiave dietro 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 previsione delle bounding box, migliorare la compatibilità hardware e rendere i modelli più facili da esportare ed eseguire su dispositivi edge e a basso consumo.
• Inferenza end-to-end senza NMS: YOLO26 è progettato come un modello end-to-end nativo che fornisce direttamente le previsioni finali, eliminando la necessità della Non-Maximum Suppression e riducendo la latenza di inferenza e la complessità di distribuzione.
• Progressive Loss Balancing + STAL: Queste strategie di loss migliorate stabilizzano l'addestramento e migliorano la precisione di rilevamento, in particolare per gli oggetti piccoli e difficili da individuare.
• Ottimizzatore MuSGD: YOLO26 utilizza un nuovo ottimizzatore ibrido che fonde SGD con tecniche di ottimizzazione ispirate a Muon per un addestramento più stabile.
• Inferenza CPU fino al 43% più veloce: Specificamente ottimizzato per l'edge computing, YOLO26 offre un'inferenza CPU fino al 43% più veloce, consentendo prestazioni in tempo reale sui dispositivi edge.

Ora, vediamo nel dettaglio queste funzionalità di prossima generazione che rendono YOLO26 più veloce, più efficiente e più facile da distribuire.

Link to this sectionSemplificare la previsione tramite la rimozione della Distribution Focal Loss#

I precedenti modelli YOLO utilizzavano la Distribution Focal Loss (DFL) durante l'addestramento per migliorare la precisione delle bounding box. Sebbene efficace, la DFL introduceva ulteriore complessità e imponeva limiti di regressione fissi che rendevano l'esportazione e la distribuzione più difficili, in particolare su hardware edge e a basso consumo.

YOLO26 rimuove completamente la DFL. La rimozione della DFL elimina i limiti fissi di regressione delle bounding box presenti nei modelli precedenti, migliorando l'affidabilità e la precisione durante il rilevamento di oggetti molto grandi.

Semplificando il processo di previsione delle bounding box, YOLO26 diventa più facile da esportare e funziona in modo più affidabile su un'ampia gamma di dispositivi edge e a basso consumo.

Link to this sectionInferenza end-to-end senza NMS con Ultralytics YOLO26#

I tradizionali pipeline di rilevamento oggetti si affidano alla Non-Maximum Suppression (NMS) come fase di post-elaborazione per filtrare le previsioni sovrapposte. Sebbene efficace, la NMS aggiunge latenza, complessità e fragilità, specialmente quando si distribuiscono modelli su più runtime e target hardware.

YOLO26 introduce una modalità di inferenza end-to-end nativa, in cui il modello emette direttamente le previsioni finali senza richiedere la NMS come fase di post-elaborazione separata. Le previsioni duplicate vengono gestite all'interno della rete stessa.

L'eliminazione della NMS riduce la latenza, semplifica le pipeline di distribuzione e abbassa il rischio di errori di integrazione, rendendo YOLO26 particolarmente adatto per distribuzioni in tempo reale e su edge.

Link to this sectionMigliorare il riconoscimento con Progressive Loss Balancing + STAL#

Una funzionalità cruciale legata all'addestramento è l'introduzione del Progressive Loss Balancing (ProgLoss) e del Small-Target-Aware Label Assignment (STAL). Queste funzioni di loss migliorate aiutano a stabilizzare l'addestramento e migliorare la precisione di rilevamento.

ProgLoss aiuta il modello ad apprendere in modo più coerente durante l'addestramento, riducendo l'instabilità e consentendogli di convergere più fluidamente. Nel frattempo, STAL si concentra sul migliorare il modo in cui il modello apprende dagli oggetti piccoli, che spesso sono più difficili da rilevare a causa dei limitati dettagli visivi.

Insieme, ProgLoss e STAL portano a rilevamenti più affidabili, con miglioramenti notevoli nel riconoscimento di oggetti piccoli. Questo è particolarmente importante per le applicazioni edge come l'Internet of Things (IoT), la robotica e le immagini aeree, dove gli oggetti sono spesso piccoli, distanti o parzialmente visibili.

Link to this sectionAddestramento 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 del tradizionale Stochastic Gradient Descent (SGD) con tecniche ispirate a Muon, un ottimizzatore utilizzato nell'addestramento di large language model (LLM).

SGD è stato per lungo tempo una scelta affidabile nella computer vision, grazie alla sua semplicità e alla forte generalizzazione. Allo stesso tempo, i recenti progressi nell'addestramento degli LLM hanno dimostrato che i nuovi metodi di ottimizzazione possono migliorare la stabilità e la velocità se applicati con cura. MuSGD porta alcune di queste idee nello spazio della computer vision.

Ispirato da Kimi K2 di Moonshot AI, MuSGD incorpora strategie di ottimizzazione che aiutano il modello a convergere più fluidamente durante l'addestramento. Ciò rende possibile per YOLO26 raggiungere prestazioni elevate più velocemente, riducendo al contempo l'instabilità dell'addestramento, specialmente in configurazioni di addestramento più ampie o complesse.

MuSGD aiuta YOLO26 ad addestrarsi in modo più prevedibile tra le varie dimensioni dei modelli, contribuendo sia ai guadagni di prestazioni che alla stabilità dell'addestramento.

Link to this sectionUltralytics YOLO26 offre un'inferenza CPU fino al 43% più veloce#

Mentre la vision AI continua ad avvicinarsi al punto in cui vengono generati i dati, prestazioni edge elevate stanno diventando sempre più cruciali. Specificamente ottimizzato per l'edge computing, YOLO26 offre un'inferenza CPU fino al 43% più veloce, garantendo prestazioni in tempo reale su dispositivi privi di GPU. Questo miglioramento consente a sistemi di visione reattivi e affidabili di funzionare direttamente su telecamere, robot e hardware integrato, dove latenza, efficienza e vincoli di costo definiscono ciò che è realizzabile.

Link to this sectionAttività di computer vision migliorate supportate da Ultralytics YOLO26#

Oltre ai miglioramenti architetturali che rendono il rilevamento di oggetti più accurato, YOLO26 include anche ottimizzazioni specifiche per attività, progettate per migliorare le prestazioni in tutte le attività di computer vision. Ad esempio, migliora la segmentazione di istanze, la stima della posa e il rilevamento di BBox orientate con aggiornamenti mirati che ne migliorano la precisione e l'affidabilità.

Ecco una panoramica di queste ottimizzazioni:

• Segmentazione di istanze: YOLO26 utilizza la loss di segmentazione semantica per migliorare il modo in cui il modello apprende durante l'addestramento, il che porta a maschere di istanza più accurate e coerenti. Un modulo proto aggiornato consente inoltre l'utilizzo di informazioni provenienti da più scale, in modo che il modello gestisca gli oggetti di diverse dimensioni in modo più efficace, anche in scene complesse.
• Stima della posa: Integrando la Residual Log-Likelihood Estimation (RLE), una tecnica che modella l'incertezza nelle previsioni dei punti chiave, e migliorando il processo di decodifica, YOLO26 offre punti chiave più precisi con migliori prestazioni in tempo reale.
• Rilevamento di BBox orientate: YOLO26 introduce una loss angolare specializzata che aiuta il modello ad apprendere la rotazione degli oggetti in modo più accurato, specialmente per oggetti di forma quadrata dove l'orientamento può essere ambiguo. La decodifica OBB ottimizzata riduce anche i salti improvvisi nelle previsioni dell'angolo vicino ai confini di rotazione, risultando in stime di orientamento più stabili e coerenti.

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

Link to this sectionUltralytics YOLOE-26: segmentazione a vocabolario aperto basata su YOLO26#

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

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

Link to this sectionUltralytics YOLO26 è progettato per dove la vision AI opera realmente#

Dalle telecamere guidate dalla visione ai robot alimentati dalla computer vision e minuscoli chip di elaborazione all'edge, la computer vision e l'AI vengono distribuite direttamente on-device per l'inferenza in tempo reale. Ultralytics YOLO26 è costruito specificamente per questi ambienti, dove bassa latenza, efficienza e prestazioni affidabili sono vitali.

In azione, ciò significa che YOLO26 può essere distribuito facilmente su un'ampia gamma di hardware. Nello specifico, attraverso il pacchetto Python di Ultralytics e la sua vasta gamma di integrazioni, i modelli possono essere esportati in formati ottimizzati per diverse piattaforme e acceleratori hardware.

Ad esempio, l'esportazione in TensorRT consente un'inferenza ad alte prestazioni su GPU NVIDIA, mentre CoreML supporta la distribuzione nativa su dispositivi Apple e OpenVINO ottimizza le prestazioni su hardware Intel. YOLO26 può anche essere esportato per funzionare su molteplici acceleratori edge dedicati, consentendo un'inferenza ad alto throughput ed efficiente dal punto di vista energetico su hardware Edge AI specializzato.

Questi sono solo alcuni esempi, con molte altre integrazioni supportate in ambienti edge e di produzione. Questa flessibilità consente a un singolo modello YOLO26 di funzionare su diversi target di distribuzione. Semplifica i flussi di lavoro di produzione e avvicina la vision AI all'edge.

Link to this sectionRidefinire i casi d'uso della computer vision in tutti i settori#

Progettato per la distribuzione nel mondo reale, YOLO26 può essere utilizzato in un'ampia gamma di casi d'uso di computer vision in diversi settori. Ecco alcuni esempi di dove può essere applicato:

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

• Produzione: Sulle linee di produzione, YOLO26 può analizzare immagini e video per identificare difetti, componenti mancanti o problemi di processo. L'elaborazione dei dati on-device mantiene il rilevamento veloce e riduce la dipendenza dai sistemi cloud.

• Applicazioni aeree e con droni: Quando distribuito su droni, YOLO26 può elaborare immagini aeree durante il volo per ispezioni, mappatura e rilevamento. Ciò rende possibile analizzare le scene in tempo reale, anche in posizioni remote.

• Sistemi integrati e IoT: Con il suo design leggero, YOLO26 può essere eseguito su hardware integrato a basso consumo per elaborare dati visivi localmente. Casi d'uso comuni includono telecamere intelligenti, sensori connessi e dispositivi di monitoraggio automatizzati.

• Città intelligenti: Negli ambienti urbani, YOLO26 può analizzare flussi video da telecamere di traffico e spazi pubblici. Ciò consente applicazioni come il monitoraggio del traffico, la sicurezza pubblica e la gestione delle infrastrutture all'edge.

Fig 4. YOLO26 può essere utilizzato per varie applicazioni di computer vision.

Link to this sectionPer iniziare con Ultralytics YOLO26#

Ultralytics YOLO26 può essere utilizzato attraverso due flussi di lavoro complementari, a seconda di come costruisci e distribuisci la vision AI.

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

La Ultralytics Platform fornisce un modo centralizzato per addestrare, distribuire e monitorare i modelli YOLO26 in produzione. Riunisce dataset, esperimenti e distribuzioni in un unico posto, rendendo più semplice la gestione dei flussi di lavoro di vision AI su larga scala, specialmente per i team che distribuiscono su ambienti edge e di produzione.

Attraverso la Platform, gli utenti possono:

• Accedere ai modelli YOLO26
• Addestrare e perfezionare su dataset personalizzati
• Esportare modelli per la distribuzione 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: Utilizza Ultralytics YOLO26 tramite flussi di lavoro open-source

YOLO26 rimane completamente accessibile attraverso l'ecosistema open-source di Ultralytics e può essere utilizzato con i flussi di lavoro basati su Python esistenti per l'addestramento, l'inferenza e l'esportazione.

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

pip install ultralytics

from ultralytics import YOLO

# Load a COCO-pretrained YOLO26n model
model = YOLO("yolo26n.pt")

# Run inference with the YOLO26n model on the 'bus.jpg' image
results = model("path/to/bus.jpg")

Per gli utenti che preferiscono un controllo pratico o pipeline personalizzate, la documentazione completa e le guide sono disponibili nella documentazione di Ultralytics.

Link to this sectionUltralytics YOLO26: Costruito per ciò che verrà nella computer vision#

Ultralytics YOLO26 è progettato per soddisfare le esigenze delle soluzioni di vision AI di domani, in cui i modelli dovranno essere veloci, efficienti e facili da distribuire su hardware reale. Migliorando le prestazioni, semplificando la distribuzione ed espandendo ciò che il modello può fare, YOLO26 si adatta naturalmente a un'ampia gamma di applicazioni del mondo reale. YOLO26 stabilisce un nuovo baseline per il modo in cui la vision AI viene costruita, distribuita e scalata. Siamo entusiasti di vedere come la community lo utilizzerà per implementare sistemi di computer vision nel mondo reale.

Unisciti alla nostra crescente comunità ed esplora il nostro repository GitHub per risorse AI pratiche. Per costruire con la vision AI oggi, esplora le nostre opzioni di licenza. Scopri come l'AI in agricoltura sta trasformando l'agricoltura e come la vision AI nella robotica sta plasmando il futuro visitando le nostre pagine delle soluzioni.