Ultralytics YOLO26 vs YOLO11 vs YOLOv8: quale dovresti usare?

I sistemi all'avanguardia di computer vision, spesso basati su reti neurali convoluzionali (CNN), consentono alle macchine di analizzare e interpretare dati visivi provenienti da immagini e video, e vengono ora impiegati in una vasta gamma di ambienti.

Dall'agricoltura alla produzione e al commercio al dettaglio, questi sistemi operano in diversi ambienti di distribuzione, inclusi dispositivi edge, hardware integrato, dispositivi Internet of Things (IoT), elaborazione on-device e pipeline cloud su larga scala che supportano applicazioni in tempo reale.

Nell'uso reale, distribuire questi modelli non è sempre semplice. Spesso devono essere eseguiti con capacità di calcolo limitata, soddisfare rigidi requisiti di latenza e scalare senza aumentare significativamente i costi. Questi vincoli rendono le prestazioni un problema multidimensionale, non solo una questione di accuratezza.

Sebbene l'accuratezza rimanga importante, è altrettanto fondamentale che un modello venga eseguito in modo efficiente in produzione. Fattori come velocità, utilizzo delle risorse e scalabilità giocano un ruolo importante nel determinare quanto bene un sistema si comporti nel tempo.

I modelli di computer vision come i modelli Ultralytics YOLO si sono evoluti tenendo a mente questo equilibrio. Ad esempio, Ultralytics YOLOv8 ha stabilito una base solida e versatile, Ultralytics YOLO11 ha fatto un ulteriore passo avanti con una velocità e un'accuratezza migliorate, e Ultralytics YOLO26 si basa su tutto ciò risultando più leggero, veloce ed efficiente che mai.

Fig 1. Utilizzo 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 computer vision. Iniziamo!

Link to this sectionComprendere l'evoluzione dei modelli Ultralytics YOLO#

Ogni iterazione dei modelli Ultralytics YOLO ha introdotto miglioramenti per soddisfare meglio i requisiti del mondo reale e rendere la computer vision più accessibile. Questi aggiornamenti hanno reso i modelli più veloci, più efficienti e più facili da distribuire, supportando la crescita dell'ecosistema della vision AI.

Sono inoltre basati su PyTorch, rendendoli facili da addestrare, personalizzare e integrare in flussi di lavoro intelligenti di machine learning. Pronti all'uso, i modelli Ultralytics YOLO sono disponibili come modelli pre-addestrati, spesso su dataset come il dataset COCO, consentendo ai team di iniziare rapidamente e perfezionarli per casi d'uso specifici.

Oltre a ciò, il pacchetto Python di Ultralytics semplifica la distribuzione fornendo supporto integrato per l'esportazione dei 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.

Link to this sectionPassare da Ultralytics YOLOv5 a Ultralytics YOLO26#

Il primo modello Ultralytics YOLO, Ultralytics YOLOv5, è diventato molto popolare per le sue affidabili capacità di rilevamento oggetti. Basato su un approccio di rilevamento a stadio singolo, ha permesso previsioni rapide e in tempo reale in un'unica passata, rendendolo adatto ai flussi di lavoro di produzione.

Aggiornamenti successivi hanno introdotto varianti senza ancoraggio (anchor-free), in cui il modello prevede le posizioni degli oggetti direttamente invece di utilizzare anchor box predefinite, rendendo il rilevamento più flessibile. Tuttavia, il modello originale è rimasto focalizzato principalmente su attività di rilevamento oggetti.

Basandosi su questa solida base, YOLOv8 ha ampliato l'ambito della famiglia di modelli. Invece di concentrarsi solo sul rilevamento di oggetti, ha aggiunto il supporto per molteplici attività di computer vision come la segmentazione di istanze, la classificazione di immagini, la stima della posa e il rilevamento tramite oriented bounding box (OBB). Ha inoltre apportato miglioramenti architetturali, inclusi design avanzati del backbone e del neck, che hanno potenziato l'estrazione delle caratteristiche e le prestazioni complessive di rilevamento.

Oltre a questo, varianti come YOLOv8n (Nano), YOLOv8s (Small), YOLOv8m (Medium), YOLOv8l (Large) e YOLOv8x (Extra Large) hanno offerto agli sviluppatori la flessibilità di bilanciare velocità, accuratezza e utilizzo delle risorse in base alle proprie esigenze. Questa capacità estesa, combinata con la sua facilità d'uso, lo ha reso una scelta di riferimento per un'ampia gamma di applicazioni di visione.

Fig 2. I modelli YOLO come YOLOv8, YOLO11 e YOLO26 supportano una vasta gamma di attività di visione.

Successivamente, YOLO11 si è concentrato sul miglioramento delle prestazioni nei flussi di lavoro reali, offrendo maggiore accuratezza insieme a velocità di inferenza più elevate. Con un'architettura più leggera, funziona bene sia in ambienti edge che cloud, pur essendo compatibile con le pipeline esistenti di YOLOv8.

L'ultima aggiunta alla famiglia di modelli Ultralytics YOLO, YOLO26, è un modello all'avanguardia che definisce un nuovo standard per la vision AI edge-first, offrendo un approccio più leggero, veloce ed efficiente per la distribuzione nel mondo reale. È progettato per essere eseguito in modo efficiente su CPU e sistemi integrati, semplificando al contempo la distribuzione e migliorando le prestazioni in tempo reale in una vasta gamma di applicazioni.

Link to this sectionConfronto tra YOLO26, YOLO11 e YOLOv8#

Quando lavori su progetti di computer vision, potresti imbatterti in diversi modelli Ultralytics e chiederti quale sia quello giusto per il tuo progetto. Vediamo come si confrontano YOLO26, YOLO11 e YOLOv8 negli scenari del mondo reale.

YOLOv8 è stato rilasciato nel 2023 ed è stato ampiamente utilizzato dalla comunità di computer vision da allora. Il suo forte supporto dalla comunità e la facilità d'uso lo hanno reso un modello di riferimento per molti team in passato. Se stai cercando un modello ben documentato con un'ampia gamma di tutorial, guide e risorse della comunità, YOLOv8 è un ottimo punto di partenza.

Nel 2024, YOLO11 è stato introdotto con miglioramenti sia nelle prestazioni che nell'efficienza. Offre velocità e accuratezza migliori rispetto a YOLOv8, mantenendo un'architettura più piccola e ottimizzata. È un modello più bilanciato che funziona in modo affidabile in produzione senza aumentare significativamente l'utilizzo delle risorse.

Quest'anno, YOLO26 è stato rilasciato come l'ultima iterazione, concentrandosi sulla distribuzione efficiente su larga scala. Offre un'inferenza su CPU più rapida e un migliore utilizzo delle risorse, consentendo ai team di eseguire più carichi di lavoro sullo stesso hardware.

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

Fig 3. Benchmarking delle prestazioni di YOLO26 su CPU (Fonte)

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

Link to this sectionUno sguardo più da vicino a Ultralytics YOLO26#

YOLO26 è un modello all'avanguardia progettato per la distribuzione reale, dove efficienza, velocità e scalabilità contano tanto quanto l'accuratezza. Invece di concentrarsi solo sul miglioramento delle prestazioni nei benchmark, introduce modifiche architetturali e di addestramento che rendono i modelli più facili da eseguire, più veloci da distribuire e più affidabili in diversi ambienti hardware.

Questi miglioramenti sono particolarmente importanti per i sistemi edge e di produzione, dove capacità di calcolo limitata, vincoli di latenza e considerazioni sui costi giocano un ruolo chiave. Semplificando l'inferenza e ottimizzando le prestazioni, YOLO26 consente agli appassionati di AI di creare e scalare applicazioni di visione in modo più efficiente.

Ecco uno sguardo più approfondito ad alcune delle caratteristiche chiave di YOLO26:

• Inferenza end-to-end senza NMS: Uno dei cambiamenti cruciali è il suo design senza Non-Maximum Suppression (NMS), che elimina la necessità di post-elaborazione. In termini semplici, il modello produce direttamente le previsioni finali. Di conseguenza, la latenza diventa più prevedibile e la distribuzione diventa più semplice.
• Rimozione del DFL: YOLO26 si allontana dal modulo Distribution Focal Loss (DFL) verso un approccio di previsione delle bounding box più semplice. Questo cambiamento si allinea con il suo design end-to-end senza NMS, riducendo la complessità della pipeline e migliorando la coerenza della distribuzione.
• Ottimizzatore MuSGD: I modelli Ultralytics YOLO più recenti introducono MuSGD, un ottimizzatore ibrido che combina la Stochastic Gradient Descent (SGD) con aggiornamenti ispirati a Muon. Questo migliora la stabilità dell'addestramento e la convergenza, portando a un'ottimizzazione più fluida e a un comportamento più coerente tra diverse dimensioni di modello.
• 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 in fasi nel tempo, mentre STAL assicura che i piccoli oggetti non vengano ignorati durante l'addestramento, migliorando il rilevamento in scene complesse.

Link to this sectionAccuratezza vs efficienza: oltre i benchmark per le prestazioni reali#

Per mettere in contesto le differenze tra YOLO26, YOLO11 e YOLOv8, comprendiamo meglio i fattori che guidano le prestazioni del modello nell'uso reale.

L'accuratezza, spesso misurata da metriche di prestazione come la mean average precision (mAP), è da tempo un modo importante per valutare i modelli di computer vision. Mostra quanto bene un modello si comporta in condizioni standardizzate ed è utile quando si confrontano diverse versioni.

Tuttavia, una volta che i modelli passano dai test alla distribuzione nel mondo reale, la sola accuratezza non è sufficiente. Le prestazioni in produzione dipendono da fattori come la dimensione del modello, il tempo di inferenza o latenza, l'utilizzo della capacità di calcolo e quanto bene un sistema può scalare in diversi ambienti.

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 in input possono variare significativamente rispetto a quelli su cui il modello è stato addestrato. Queste variazioni possono influenzare la coerenza delle prestazioni di un modello nella pratica.

Fig 4. Un esempio di YOLO26 utilizzato in un ambiente imprevedibile, come un cantiere edile.

Ad esempio, considera una configurazione con centinaia di telecamere in una smart city, un negozio al dettaglio o un magazzino. Ogni flusso deve essere elaborato in tempo reale, richiedendo spesso frame rate coerenti (frame al secondo, o FPS) per evitare ritardi o frame persi.

Un modello meno efficiente può gestire meno flussi simultanei su un determinato sistema, il che significa che la scalabilità richiede in genere hardware aggiuntivo e aumenta i costi dell'infrastruttura.

Modelli più efficienti, come YOLO26, possono elaborare più flussi sullo stesso hardware, sfruttando meglio le risorse disponibili. Ciò migliora l'efficienza complessiva del sistema e facilita la scalabilità delle distribuzioni nel tempo.

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

Link to this sectionPunti chiave#

La serie di modelli Ultralytics YOLO si è evoluta per soddisfare meglio le esigenze di distribuzione del mondo reale. Ogni versione si basa sulla precedente, con una crescente attenzione all'efficienza, alla scalabilità e alla facilità di distribuzione. 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 una scelta perfetta.

Vuoi integrare la vision AI nelle tue operazioni? Dai un'occhiata alle nostre licensing options. Puoi anche visitare le nostre pagine delle soluzioni per vedere come la AI in manufacturing sta trasformando le fabbriche e come la vision AI in robotics stia plasmando il futuro. Unisciti alla nostra community in crescita ed esplora il nostro GitHub repository per trovare risorse sull'AI.