Ultralytics YOLO26, YOLO11 o YOLOv8: quale dovresti usare?

I sistemi di visione artificiale all'avanguardia, spesso basati su reti neurali convoluzionali (CNN), consentono alle macchine di analizzare e interpretare i dati visivi di immagini e video e sono ormai impiegati in un'ampia varietà di ambienti.

Dall'agricoltura alla produzione e alla vendita al dettaglio, questi sistemi operano in una varietà di ambienti di distribuzione, tra cui dispositivi edge, hardware integrato, dispositivi dell'Internet delle cose (IoT), elaborazione sul dispositivo e pipeline cloud su larga scala a supporto delle applicazioni in tempo reale.

Nell'uso reale, distribuire questi modelli non è sempre semplice. Spesso devono funzionare con risorse di calcolo limitate, rispettare requisiti rigorosi di latenza e scalare senza aumentare significativamente i costi. Questi vincoli rendono le prestazioni un problema multidimensionale, che non riguarda solo la precisione.

La precisione resta importante, ma è altrettanto fondamentale che un modello funzioni in modo efficiente in produzione. Fattori come velocità, uso delle risorse e scalabilità incidono molto sulle prestazioni di un sistema nel tempo.

I modelli di visione artificiale come i modelli Ultralytics YOLO si sono evoluti tenendo conto di questo equilibrio. Ad esempio, Ultralytics YOLOv8 ha fornito una base solida e versatile, Ultralytics YOLO11 ha compiuto un ulteriore passo avanti migliorando velocità e precisione, mentre Ultralytics YOLO26 prosegue su questa strada, con un modello più leggero, veloce ed efficiente che mai.

Fig. 1. Uso di Ultralytics YOLO26 per rilevare oggetti in un'immagine (Fonte)

In questo articolo confronteremo Ultralytics YOLO26, YOLO11 e YOLOv8 per aiutarti a scegliere il modello giusto per il tuo progetto di visione artificiale. Cominciamo!

L'evoluzione dei modelli Ultralytics YOLO#

Ogni iterazione dei modelli Ultralytics YOLO ha introdotto miglioramenti per rispondere meglio ai requisiti del mondo reale e rendere la visione artificiale più accessibile. Questi aggiornamenti hanno reso i modelli più veloci, efficienti e facili da distribuire, favorendo la crescita dell'ecosistema dell'IA visiva.

Sono inoltre basati su PyTorch, il che li rende facili da addestrare, personalizzare e integrare nei flussi di lavoro intelligenti di machine learning. I modelli Ultralytics YOLO sono disponibili già preaddestrati e spesso addestrati su dataset come COCO, così i team possono iniziare rapidamente e adattarli a casi d'uso specifici tramite fine-tuning.

Inoltre, il pacchetto Python Ultralytics semplifica la distribuzione offrendo il supporto integrato per esportare i modelli in formati come ONNX e TensorRT. Questo facilita l'integrazione dei modelli su diverse piattaforme hardware, dai dispositivi edge ai sistemi accelerati da GPU.

Da Ultralytics YOLOv5 a Ultralytics YOLO26#

Il primo modello YOLO di Ultralytics, Ultralytics YOLOv5, è diventato molto popolare grazie alle sue affidabili capacità di rilevamento degli oggetti. Basato su un approccio di rilevamento a una sola fase, consentiva di eseguire previsioni rapide in tempo reale in un unico passaggio, risultando adatto ai flussi di lavoro di produzione.

Gli aggiornamenti successivi hanno introdotto varianti senza anchor, in cui il modello prevede direttamente le posizioni degli oggetti invece di usare riquadri di ancoraggio predefiniti, rendendo il rilevamento più flessibile. Tuttavia, il modello originale restava incentrato principalmente sulle attività di rilevamento degli oggetti.

Partendo da queste basi, Ultralytics YOLOv8 ha ampliato la portata della famiglia di modelli. Invece di concentrarsi solo sul rilevamento degli oggetti, ha aggiunto il supporto per diverse attività di visione artificiale, tra cui segmentazione delle istanze, classificazione delle immagini, stima della posa e rilevamento con riquadri di delimitazione orientati (OBB). Ha introdotto anche miglioramenti architetturali, tra cui design avanzati di backbone e neck, che hanno potenziato l'estrazione delle caratteristiche e le prestazioni complessive di rilevamento.

Inoltre, varianti come YOLOv8n (Nano), YOLOv8s (Small), YOLOv8m (Medium), YOLOv8l (Large) e YOLOv8x (Extra Large) hanno offerto agli sviluppatori la flessibilità di bilanciare velocità, precisione e uso delle risorse in base alle proprie esigenze. Questa maggiore versatilità, insieme alla facilità d'uso, lo ha reso una scelta privilegiata per numerose applicazioni di visione.

Fig. 2. Modelli YOLO come YOLOv8, YOLO11 e YOLO26 supportano diverse attività di visione.

Ultralytics YOLO11 si è poi concentrato sul miglioramento delle prestazioni nei flussi di lavoro reali, offrendo maggiore precisione e inferenza più rapida. Grazie a un'architettura più leggera, funziona bene sia negli ambienti edge che in quelli cloud ed è compatibile con le pipeline YOLOv8 esistenti.

L'ultima aggiunta alla famiglia di modelli Ultralytics YOLO, YOLO26, è un modello all'avanguardia che stabilisce un nuovo standard per l'IA visiva progettata anzitutto per l'edge, offrendo un approccio più leggero, veloce ed efficiente alla distribuzione nel mondo reale. È progettato per funzionare in modo efficiente su CPU e sistemi integrati, semplificando la distribuzione e migliorando le prestazioni in tempo reale in un'ampia gamma di applicazioni.

Confronto tra YOLO26, YOLO11 e YOLOv8#

Quando lavori a progetti di visione artificiale, potresti incontrare diversi modelli Ultralytics e chiederti quale sia quello giusto per il tuo progetto. Vediamo come si confrontano YOLO26, YOLO11 e YOLOv8 in scenari reali.

Ultralytics YOLOv8 è stato rilasciato nel 2023 e da allora è stato ampiamente utilizzato dalla community della visione artificiale. Il forte supporto della community e la facilità d'uso lo hanno reso in passato il modello preferito di molti team. Se cerchi un modello ben documentato, con numerosi tutorial, guide e risorse della community, YOLOv8 è un ottimo punto di partenza.

Nel 2024 è stato presentato Ultralytics YOLO11, con miglioramenti sia nelle prestazioni che nell'efficienza. Rispetto a YOLOv8 offre maggiore velocità e precisione, mantenendo un'architettura più compatta e ottimizzata. È un modello più equilibrato, che offre prestazioni affidabili in produzione senza aumentare significativamente l'uso delle risorse.

Quest'anno è stato rilasciato Ultralytics YOLO26, l'ultima iterazione, pensata per una distribuzione efficiente su larga scala. Offre un'inferenza più rapida su CPU e un uso delle risorse migliorato, consentendo ai team di eseguire più carichi di lavoro sullo stesso hardware.

Ad esempio, il modello nano Ultralytics YOLO26 può raggiungere un'inferenza fino al 43% più veloce di YOLO11 sulle unità centrali di elaborazione (CPU), risultando un'ottima opzione per gli ambienti edge e con risorse limitate. Questo è particolarmente importante perché le configurazioni tradizionali si affidano spesso alle unità di elaborazione grafica (GPU), che possono essere costose e più difficili da scalare.

Fig. 3. Benchmark delle prestazioni di YOLO26 sulle CPU (Fonte)

Nel complesso, Ultralytics YOLO26 è una scelta solida per team e singoli che vogliono ottimizzare i compromessi tra prestazioni, costi e scalabilità.

Uno sguardo più da vicino a Ultralytics YOLO26#

Ultralytics YOLO26 è un modello all'avanguardia progettato per l'implementazione nel mondo reale, dove efficienza, velocità e scalabilità contano quanto la precisione. Anziché concentrarsi esclusivamente sul miglioramento delle prestazioni nei benchmark, introduce modifiche all'architettura e all'addestramento che semplificano l'esecuzione dei modelli, ne accelerano l'implementazione e li rendono più affidabili su diversi ambienti hardware.

Questi miglioramenti sono particolarmente importanti per i sistemi edge e di produzione, nei quali le risorse di calcolo limitate, i vincoli di latenza e i costi svolgono un ruolo fondamentale. Semplificando l'inferenza e ottimizzando le prestazioni, Ultralytics YOLO26 permette agli appassionati di AI di creare e scalare applicazioni di visione artificiale in modo più efficiente.

Ecco uno sguardo più da vicino ad alcune delle funzionalità principali di Ultralytics YOLO26:

• Inferenza end-to-end senza NMS: una delle modifiche fondamentali è la sua progettazione senza soppressione non massima (NMS), che elimina la necessità della post-elaborazione. In parole semplici, il modello produce direttamente le predizioni finali. Di conseguenza, la latenza diventa più prevedibile e l'implementazione più semplice.
• Rimozione di DFL: Ultralytics YOLO26 abbandona il modulo Distribution Focal Loss (DFL) a favore di un approccio più semplice alla predizione dei bounding box. Questa modifica è in linea con la sua progettazione end-to-end senza NMS, riduce la complessità della pipeline e migliora la coerenza dell'implementazione.
• Ottimizzatore MuSGD: Gli ultimi modelli Ultralytics YOLO introducono MuSGD, un ottimizzatore ibrido che combina la discesa del gradiente stocastica (SGD) con aggiornamenti ispirati a Muon. Ciò migliora la stabilità e la convergenza dell'addestramento, favorendo un'ottimizzazione più fluida e un comportamento più coerente tra modelli di diverse dimensioni.
• ProgLoss e STAL: queste innovazioni nell'addestramento, Progressive Loss Balancing (ProgLoss) e Small-Target-Aware Label Assignment (STAL), rendono il modello più stabile e affidabile. ProgLoss aiuta il modello ad apprendere dai dataset gradualmente nel tempo, mentre STAL assicura che gli oggetti piccoli non vengano ignorati durante l'addestramento, migliorando il rilevamento nelle scene complesse.

Precisione ed efficienza: oltre i benchmark, verso le prestazioni nel mondo reale#

Per contestualizzare le differenze tra YOLO26, YOLO11 e YOLOv8, approfondiamo i fattori che determinano le prestazioni dei modelli nell'uso reale.

La precisione, spesso misurata con metriche di prestazione come la precisione media (mAP), è da tempo un parametro importante per valutare i modelli di visione artificiale. Mostra quanto bene si comporta un modello in condizioni standardizzate ed è utile per confrontare versioni diverse.

Tuttavia, quando i modelli passano dai test all'implementazione nel mondo reale, la sola precisione non basta. Le prestazioni in produzione dipendono da fattori come le dimensioni del modello, il tempo di inferenza o la latenza, l'utilizzo delle risorse di calcolo e la capacità del sistema di scalare su ambienti diversi.

A differenza dei benchmark controllati, gli ambienti reali sono spesso imprevedibili. Le condizioni di illuminazione possono cambiare, gli oggetti possono essere parzialmente visibili e i dati di input possono differire notevolmente da quelli usati per addestrare il modello. Queste variazioni possono influire sulla costanza delle prestazioni del modello nella pratica.

Fig. 4. Un esempio di Ultralytics YOLO26 in uso in un ambiente imprevedibile, come un cantiere.

Per esempio, considera una configurazione con centinaia di telecamere in una smart city, in un negozio o in un magazzino. Ogni flusso deve essere elaborato in tempo reale, spesso mantenendo frequenze dei fotogrammi costanti (fotogrammi al secondo, o FPS) per evitare ritardi o perdita di fotogrammi.

Un modello meno efficiente può gestire meno flussi simultanei su un determinato sistema; di conseguenza, per scalare servono in genere ulteriori risorse hardware e aumentano i costi dell'infrastruttura.

I modelli più efficienti, come Ultralytics YOLO26, possono elaborare più flussi sullo stesso hardware, sfruttando meglio le risorse disponibili. Questo aumenta l'efficienza complessiva del sistema e semplifica la scalabilità delle implementazioni nel tempo.

Per approfondire il confronto tra YOLO26, YOLO11 e YOLOv8, consulta la documentazione ufficiale di Ultralytics.

Punti chiave#

La serie di modelli Ultralytics YOLO si è evoluta per rispondere meglio alle esigenze di implementazione nel mondo reale. Ogni versione si basa sulla precedente e pone sempre più l'accento su efficienza, scalabilità e semplicità di implementazione. In altre parole, se stai creando un'applicazione di rilevamento in tempo reale che deve funzionare in modo affidabile su larga scala, Ultralytics YOLO26 è la scelta ideale.

Vuoi integrare l'AI visiva nelle tue attività? Scopri le nostre opzioni di licenza. Puoi anche visitare le nostre pagine dedicate alle soluzioni per vedere come l'AI nella produzione sta trasformando le fabbriche e come l'AI visiva nella robotica sta plasmando il futuro. Unisciti alla nostra crescente community ed esplora il nostro repository GitHub per trovare risorse sull'AI.