Multiscale Real-Time Object Detection in the NMS-Free Era: A Comparative Performance Evaluation of YOLOv8 and YOLO26

Riepilogo Tecnico: Rilevamento di Oggetti in Tempo Reale Multiscala nell'Era Senza NMS

Enunciato del Problema
Le pipeline di rilevamento di oggetti in tempo reale hanno da tempo fatto affidamento sulla Soppressione dei Massimi Locali (NMS) come passo critico di post-elaborazione per filtrare le previsioni ridondanti delle caselle di delimitazione. Sebbene efficace per la deduplicazione, la NMS introduce tre limitazioni principali: (1) varianza della latenza che scala con la densità della scena, interrompendo l'esecuzione sincrona sull'hardware periferico; (2) sensibilità agli iperparametri che richiede la sintonizzazione manuale delle soglie di Intersezione sull'Unione (IoU) per ogni distribuzione; e (3) incompatibilità con gli acceleratori a aritmetica intera, dove il filtraggio sequenziale interrompe i grafi di esecuzione parallela.

Sebbene architetture recenti come YOLO26 (introdotte da Ultralytics all'inizio del 2026) propongano design nativi end-to-end privi di NMS per risolvere questi problemi, le loro prestazioni empiriche rispetto ai modelli consolidati basati su NMS come YOLOv8 rimangono poco esplorate. I benchmark esistenti, principalmente MS COCO, enfatizzano oggetti di medie e grandi dimensioni e non riescono a stressare specifici modi di fallimento, come la fedeltà degli oggetti piccoli nella sorveglianza aerea o la generalizzazione attraverso tassonomie legacy.

Metodologia
Questo studio conduce una valutazione comparativa completa di YOLOv8 e YOLO26 su cinque scale di modello (nano, small, medium, large e extra-large). La valutazione utilizza due dataset distinti per stressare diverse capacità di rilevamento:

• Pascal VOC: Un benchmark fondamentale per il rilevamento generale di oggetti con istanze relativamente grandi e ben centrate.
• VisDrone2019-DET: Un dataset catturato da UAV caratterizzato da scene dense e gravi sfide legate agli oggetti piccoli (il 75% degli oggetti occupa <2.000 pixel).

La metodologia prevede l'addestramento e il fine-tuning di entrambe le famiglie di modelli su questi dataset utilizzando configurazioni identiche (input 640×640, dimensione del batch 16, 100 epoche) su una GPU NVIDIA RTX 6000 Ada. Le prestazioni sono valutate tramite:

1. Accuratezza del Rilevamento: Precisione, Recall, punteggio F1, mAP@50 e mAP@50:95.
2. Efficienza Computazionale: Dimensione del modello, numero di parametri, GFLOPs e latenza CPU/GPU.
3. Analisi Architetturale: Un confronto diretto tra funzioni di perdita, strategie di assegnazione delle etichette e pipeline di post-elaborazione.

Principali Differenze Architetturali
Il documento evidenzia divergenze fondamentali tra le due famiglie di modelli:

• YOLOv8: Utilizza un decoupled head con Distribution Focal Loss (DFL) per la regressione delle caselle di delimitazione e si affida alla NMS per il post-processing. Impiega Task Alignment Learning (TAL) per l'assegnazione delle etichette.
• YOLO26: Adotta un'architettura nativa end-to-end che elimina NMS e DFL. Le innovazioni chiave includono:
  • Assegnazione delle Etichette One-to-One: Impone previsioni deterministiche e non ridondanti senza post-elaborazione.
  • Regressione Diretta: Sostituisce il DFL con una regressione diretta delle coordinate per ridurre l'overhead di quantizzazione sull'hardware periferico.
  • Assegnazione delle Etichette Consapevole degli Obiettivi Piccoli (STAL): Un criterio di assegnazione dinamico che abbassa la soglia IoU per gli oggetti minuscoli per prevenire la vanishing gradient.
  • Bilanciamento Progressivo della Perdita (ProgLoss): Una strategia di modulazione della perdita dipendente dal tempo che sposta il focus dall'apprendimento semantico alla precisione geometrica durante l'addestramento.
  • Ottimizzatore MuSGD: Una variante dell'ottimizzatore normalizzata spettralmente progettata per stabilizzare backbones leggeri.

Risultati Chiave

• Prestazioni su Pascal VOC: YOLO26 dimostra un vantaggio coerente su YOLOv8 nella maggior parte delle scale, ottenendo precisione, recall, punteggi F1 e metriche mAP più elevate. La variante YOLO26-extra-large (x) raggiunge la massima accuratezza complessiva, sebbene il guadagno marginale rispetto alla variante large (l) suggerisca rendimenti decrescenti alla scala più alta.
• Prestazioni su VisDrone: Entrambi i modelli faticano significativamente sul dataset VisDrone a causa dei target piccoli e densi. Sebbene YOLO26 ottenga ancora i punteggi più alti alla scala extra-large, il divario prestazionale tra YOLO26 e YOLOv8 si riduce notevolmente rispetto a Pascal VOC. Entrambe le architetture affrontano sfide nella localizzazione precisa di oggetti piccoli aerei.
• Efficienza e Latenza:
  • Complessità del Modello: YOLO26 generalmente presenta un numero inferiore di parametri, dimensioni del modello più piccole e GFLOPs ridotti rispetto alle scale equivalenti di YOLOv8.
  • Latenza: Contrariamente all'assunzione che i design privi di NMS offrano universalmente una latenza inferiore, YOLOv8 rimane competitivo e, in alcuni casi, più veloce sull'hardware GPU a scale comparabili. Sulla CPU, la latenza aumenta drasticamente per entrambe le famiglie all'aumentare della scala.
  • Distribuzione: La rimozione del DFL in YOLO26 è notata come benefica per la quantizzazione INT8 e la distribuzione periferica, riducendo la diversità degli operatori e l'overhead di inferenza.

Significato e Affermazioni
Il documento afferma che la selezione del rilevatore non è determinata esclusivamente dalla novità architetturale ma dipende fortemente dalle caratteristiche del dataset, dalla scala degli oggetti e dai vincoli hardware.

• Superiorità Contestuale: YOLO26 offre prestazioni superiori e compattezza del modello per il rilevamento generale di oggetti (Pascal VOC) e scenari di distribuzione periferica che richiedono latenza deterministica.
• Limiti dei Design Senza NMS: Lo studio mette in discussione l'assunzione che le architetture più recenti dominino universalmente i loro predecessori. Nello specifico, il design privo di NMS non garantisce una superiorità universale nella distribuzione, specialmente in ambienti vincolati dalla GPU dove YOLOv8 rimane competitivo.
• Sfide degli Oggetti Piccoli: I risultati sottolineano che anche le architetture senza NMS all'avanguardia faticano con il rilevamento di oggetti piccoli e densi nelle immagini aeree, indicando che i soli cambiamenti architetturali potrebbero non risolvere completamente il problema degli "oggetti piccoli" senza un'ulteriore ottimizzazione specifica del dataset.

Lo studio conclude che, sebbene YOLO26 rappresenti una valida alternativa a YOLOv8, in particolare per vincoli di accuratezza e dimensione del modello, la scelta ottimale per la distribuzione nel mondo reale richiede una valutazione sfumata della specifica distribuzione dei dati e dell'ambiente hardware.