🤖 AI

Ultralytics YOLO26: Unified Real-Time End-to-End Vision Models

Ultralytics YOLO26 introduce una famiglia unificata di modelli di visione end-to-end in tempo reale che elimina la non-maximum suppression e la Distribution Focal Loss attraverso un'architettura a doppia testa e strategie di addestramento avanzate, raggiungendo prestazioni state-of-the-art tra accuratezza e latenza in molteplici task, inclusi rilevamento, segmentazione, stima della posa e inferenza open-vocabulary.

Autori originali: Glenn Jocher, Jing Qiu, Mengyu Liu, Shuai Lyu, Fatih Cagatay Akyon, Muhammet Esat Kalfaoglu

Pubblicato 2026-06-03

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Glenn Jocher, Jing Qiu, Mengyu Liu, Shuai Lyu, Fatih Cagatay Akyon, Muhammet Esat Kalfaoglu

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immagina di avere una guardia giurata super veloce il cui compito è individuare oggetti in un flusso video in tempo reale. Per anni, le migliori guardie (chiamate modelli "YOLO") sono state brave, ma avevano alcune abitudini fastidiose: avevano bisogno di un passaggio di "doppio controllo" lento dopo aver individuato qualcosa, portavano con sé zaini pesanti di dati extra che le rallentavano e spesso perdevano oggetti minuscoli o lontani perché le loro regole di addestramento erano troppo rigide.

Il documento presenta YOLO26, una nuova generazione di queste guardie visive progettate per essere più veloci, leggere e precise come mai prima d'ora. Ecco come hanno risolto i vecchi problemi, spiegati con analogie quotidiane:

1. La regola del "Niente Doppio Controllo" (Inferenza NMS-Free)

Il Vecchio Problema: In precedenza, quando una guardia individuava un'auto, poteva vederla tre o quattro volte in punti leggermente diversi. Doveva fermarsi ed eseguire un processo di "Non-Maximum Suppression" (NMS)—un doppio controllo manuale e lento—per scegliere un solo tentativo migliore e scartare i duplicati. Questo richiedeva tempo.
La Soluzione di YOLO26: YOLO26 utilizza un design a doppia testa (dual-head). Immagina di avere due lavoratori specializzati:

Lavoratore A (Lo Speedster): Questo lavoratore è addestrato a scegliere esattamente un tentativo perfetto per ogni oggetto immediatamente. Nessun doppio controllo necessario. È come un cecchino che colpisce il bersaglio al primo colpo.
Lavoratore B (Il Maximizer): Questo lavoratore continua a guardare tutto e può essere utilizzato se serve la massima accuratezza assoluta e non ci si dispiace per il tempo extra del "doppio controllo".
Il Risultato: Ottieni un sistema che è "end-to-end", il che significa che passa direttamente dal vedere l'immagine al fornire la risposta senza fermarsi per un secondo parere.

2. Gettare lo Zaino Pesante (Rimozione di DFL)

Il Vecchio Problema: I modelli recenti portavano un pesante zaino chiamato "Distribution Focal Loss" (DFL). Questo zaino cercava di prevedere la dimensione di un oggetto indovinando da una lista di 16 diverse possibilità per ogni singolo bordo. Questo rendeva il modello pesante (più memoria) e lento, specialmente per i modelli piccoli. Inoltre, aveva un limite di "dimensione massima"; se un oggetto era troppo grande per la lista, il modello andava in confusione.
La Soluzione di YOLO26: Hanno buttato via lo zaino. Invece di indovinare da una lista, il modello ora misura direttamente la dimensione, proprio come usare un righello invece di indovinare da un menu.
Il Risultato: Il modello è più leggero, più veloce e può ora misurare accuratamente oggetti molto grandi senza incontrare un "tetto" massimo di dimensione.

3. La Rete di Sicurezza per gli "Oggetti Minuscoli" (STAL)

Il Vecchio Problema: Le vecchie regole di addestramento erano come un gioco di "nascondino" dove le regole dicevano: "Puoi nasconderti solo dentro una scatola che rientra in una griglia specifica". Se un oggetto minuscolo (come un uccello lontano) era più piccolo dei quadrati della griglia, la guardia semplicemente non riusciva a vederlo. Riceveva zero attenzione e veniva ignorato durante l'addestramento.
La Soluzione di YOLO26: Hanno introdotto STAL (Small-Target-Aware Label Assignment). Immagina che alla guardia venga data una lente d'ingrandimento speciale per le cose piccole. Anche se un oggetto minuscolo non rientra nella griglia standard, il sistema costringe la guardia a prestare attenzione a esso "allungando" temporaneamente la griglia solo quanto basta per coprirlo.
Il Risultato: Il modello non ignora più gli oggetti più piccoli e difficili da vedere.

4. Il "Coach Intelligente" (MuSGD & Progressive Loss)

Il Vecchio Problema: L'addestramento di questi modelli era simile a una maratona in cui l'allenatore urlava le stesse istruzioni per l'intera corsa di 600 miglia. Ci voleva molto tempo per diventare bravi. Inoltre, il coach trattava il lavoratore "Speedster" e il lavoratore "Maximizer" esattamente allo stesso modo, anche se avevano lavori diversi.
La Soluzione di YOLO26:

MuSGD (Il Coach Intelligente): Hanno sostituito il vecchio metodo di addestramento con un nuovo ottimizzatore (MuSGD) che impara più velocemente, come un coach che sa esattamente come scandire il passo del corridore per finire in meno miglia (meno epoche di addestramento).
Progressive Loss (Il Curriculum): Hanno cambiato il programma di addestramento. All'inizio, si concentrano sul lavoratore "Maximizer" per costruire una base solida. Man mano che l'addestramento procede, spostano gradualmente l'attenzione sul lavoratore "Speedster", assicurando che il prodotto finale sia perfettamente tarato per l'inferenza veloce e senza controlli.

5. Competenze Specializzate per Diversi Lavori

Solo perché una guardia è veloce a individuare auto, non significa che sia brava in tutto. YOLO26 aggiunge strumenti specializzati per altri compiti:

Ritagliare le forme (Segmentation): Hanno aggiunto un sistema multi-scala che aiuta la guardia a capire meglio lo sfondo, rendendo più facile tracciare il contorno esatto di un oggetto.
Tracciare le persone (Pose Estimation): Hanno aggiunto un modo per indovinare quanto la guardia sia "incerta" su un'articolazione (come un gomito). Se il gomito è nascosto, il modello ammette di non essere sicuro invece di indovinare a caso.
Oggetti ruotati (OBB): Per cose come navi o aerei che non sono sempre dritti in verticale, hanno sistemato la matematica in modo che il modello non si confonda quando un oggetto è inclinato.

6. L'Upgrade "Open Vocabulary" (YOLOE-26)

Infine, hanno introdotto YOLOE-26, che è come dare alla guardia un traduttore universale.

Text Prompting: Puoi dire alla guardia: "Cerca un idrante rosso", e lei lo troverà, anche se non è stata esplicitamente addestrata sugli idranti.
Visual Prompting: Puoi mostrare alla guardia l'immagine di un giocattolo specifico e lei troverà quel giocattolo nel video.
No Prompt: Può anche semplicemente guardarsi intorno e descrivere ciò che vede autonomamente.

In Sintesi

YOLO26 è una famiglia unificata di modelli che sono più veloci, più leggeri e più accurati rispetto ai loro predecessori. Ci riescono eliminando i bagagli inutili, correggendo le regole per individuare le cose minuscole e usando un coach di addestramento più intelligente. Che tu abbia bisogno della velocità assoluta (il percorso NMS-free) o della massima accuratezza possibile (il percorso NMS), YOLO26 offre una versione che si posiziona proprio in cima alla classifica di "velocità vs accuratezza".

Riepilogo Tecnico: Ultralytics YOLO26

1. Definizione del Problema

Nonostante la diffusa adozione industriale della famiglia YOLO per la visione in tempo reale, gli attuali rilevatori affrontano quattro limitazioni specifiche che ostacolano l'accuratezza, l'efficienza e la flessibilità di deployment ottimali:

Dipendenza da NMS e Addestramento Subottimale: La maggior parte dei rilevatori basati su CNN si affida alla Non-Maximum Suppression (NMS) durante l'inferenza. Sebbene YOLOv10 abbia introdotto un design a doppia testa per abilitare l'inferenza NMS-free, applica pesi di perdita identici sia ai rami densi (one-to-many) che a quelli di inferenza (one-to-one) durante tutto l'addestramento. Ciò lascia il ramo critico one-to-one sotto-ottimizzato rispetto a quanto potrebbe ottenere una supervisione mirata.
Eccesso di Parametri DFL e Limitazione dell'Intervallo: Il modulo Distribution Focal Loss (DFL), adottato sin da YOLOv8, espande la regressione del bounding-box da 4 scalari a $4K$ logit (tipicamente $K=16$ ). Questo gonfia i parametri del modello (ad esempio, un aumento del 12% dei parametri per YOLO11n) e impone un intervallo di regressione finito di $(K-1) \times \text{stride}$ , che diventa restrittivo per oggetti grandi ad alte risoluzioni.
Cicli di Addestramento Lunghi: Le ricette standard basate su SGD richiedono circa 600 epoche per raggiungere un'accuratezza COCO competitiva, rendendo costosa la rapida iterazione. Sebbene l'ottimizzatore Muon abbia mostrato guadagni di efficienza nell'addestramento dei Large Language Models (LLM), non è stato adattato per il rilevamento di oggetti.
Assegnazione Zero per Oggetti Piccoli: La strategia di assegnazione delle etichette Task-Aligned Learning (TAL) si basa sulla contenzione geometrica all'interno dei box della ground-truth. Per oggetti minuscoli, il downsampling della mappa delle feature può risultare in zero centri di anchor validi all'interno del box, portando a zero assegnazioni positive e a una totale mancanza di segnale di gradiente per questi target.

2. Metodologia

YOLO26 affronta queste limitazioni attraverso un'architettura coordinata e una pipeline di addestramento, costruita sulla base di YOLO11.

2.1. Architettura: Design Dual-Head NMS-Free

YOLO26 impiega un design a doppia testa per supportare sia l'inferenza end-to-end che la convenzionale predizione densa:

Testa One-to-One (Default): Produce un set di predizioni di dimensione fissa (fino a 300 per immagine) senza NMS. Utilizza un'assegnazione delle etichette one-to-one rigorosa (TAL con $topk=7$ seguito da $topk2=1$) per apprendere una singola predizione corrispondente per ogni istanza di ground-truth.
Testa One-to-Many: Mantiene la standard predizione densa con una supervisione più ricca ($topk=10$) per scenari in cui la massima accuratezza è prioritaria rispetto all'overhead di post-processing.
Rimozione DFL: Il modulo Distribution Focal Loss è interamente rimosso. La regressione viene eseguita tramite output diretto a 4 scalari con un intervallo non vincolato, riducendo significativamente i parametri della testa e i FLOPs.

2.2. Pipeline di Addestramento

Tre tecniche complementari sono applicate congiuntamente per migliorare l'accuratezza e la convergenza:

Ottimizzatore MuSGD: Un ottimizzatore ibrido che combina Muon (derivato dall'addestramento LLM) con lo standard SGD-momentum. Muon applica aggiornamenti di momentum seguiti da un'ortogonalizzazione leggera (tramite iterazioni Newton–Schulz) per migliorare il condizionamento dell'aggiornamento. MuSGD applica questo approccio ai parametri multidimensionali (convoluzioni, pesi lineari) utilizzando invece il puro SGD per i parametri 1D (bias, scale).
Perdita Progressiva (Progressive Loss): Una strategia di riponderazione in stile curriculum che affronta l'asimmetria di ottimizzazione tra i due rami. Il peso della perdita per il ramo denso (one-to-many) decade linearmente da 0.8 a 0.1, mentre il peso del ramo one-to-one aumenta da 0.2 a 0.9. Questo sposta l'enfasi della supervisione verso la testa di inferenza man mano che l'addestramento procede.
STAL (Small-Target-Aware Label Assignment): Per prevenire assegnazioni positive nulle per oggetti minuscoli, STAL decupla la geometria di selezione dei candidati dalla geometria di regressione. Durante il filtraggio dei candidati, le dimensioni del box della ground-truth vengono bloccate a una dimensione di riferimento ( $s_{ref}$ , tipicamente lo stride successivo della piramide) se cadono al di sotto dello stride minimo. Ciò garantisce la copertura delle anchor per i target piccoli preservando al contempo la geometria originale del box per la regressione e il punteggio finale.

2.3. Estensioni Specifiche per Task

Oltre al rilevamento, YOLO26 introduce design specializzati per altri task:

Segmentazione di Istanza: Utilizza un percorso di prototipi multi-scala (fondendo le feature da più livelli della piramide) e una perdita di segmentazione semantica ausiliaria (solo per l'addestramento) per migliorare la qualità della maschera senza overhead di inferenza.
Stima della Posa (Pose Estimation): Sostituisce la standard regressione delle coordinate con la Residual Log-Likelihood Estimation (RLE). Questa modella l'incertezza per giunto tramite un normalizing flow, penalizzando i keypoint ambigui o occlusi.
Oriented Bounding Box (OBB): Adotta una definizione di angolo "long-edge" ( $[-45^\circ, 135^\circ)$ ) per risolvere le discontinuità di confine. Introduce una perdita di angolo consapevole del rapporto d'aspetto specificamente per oggetti quadrati per gestire l'ambiguità dell'angolo.
Open-Vocabulary (YOLOE-26): Estende la famiglia agli scenari open-vocabulary utilizzando una backbone più forte, un encoder testuale aggiornato (MobileCLIP2), un motore di dati a pseudo-label per raffinare le annotazioni e un addestramento di segmentazione disaccoppiato.

3. Risultati Chiave

YOLO26 copre cinque scale (n/s/m/l/x) e raggiunge stati dell'arte negli scambi tra accuratezza e latenza sul benchmark COCO val2017.

Performance di Rilevamento: YOLO26 raggiunge 40.9–57.5 mAP su COCO con latenze T4 TensorRT FP16 che vanno da 1.7 ms (n) a 11.8 ms (x). Avanza la frontiera di Pareto rispetto alle versioni precedenti di YOLO (YOLO11, YOLOv10, ecc.) e altri rilevatori in tempo reale.
- Rispetto a YOLO11, YOLO26 migliora la COCO AP di 1.6–2.8 punti attraverso tutte le scale.
- La rimozione del solo DFL ha ridotto i parametri del 12% e i FLOPs del 20% per il modello nano, con l'accuratezza recuperata e migliorata tramite la nuova pipeline di addestramento.
Rilevamento di Oggetti Piccoli: STAL migliora significativamente il rilevamento di oggetti piccoli (APS), recuperando i rilevamenti persi dal sistema TAL standard.
Guadagni Specifici per Task:
- Segmentazione: Fino a +3.7 di miglioramento della Mask AP rispetto a YOLO11.
- Stima della Posa: Fino a +7.2 di miglioramento della Pose AP rispetto a YOLO11.
- Rilevamento OBB: Fino a +3.4 mAP di miglioramento su DOTA-v1.0.
Open-Vocabulary (YOLOE-26): Il modello YOLOE-26x raggiunge 40.6 AP su LVIS minival sotto prompting testuale, superando DetCLIP-T di +6.2 AP.
Efficienza: L'architettura raggiunge un'inferenza CPU fino al 43% più veloce rispetto alle versioni precedenti (YOLO26n vs. YOLO11n) e supporta l'export verso 19 target non-PyTorch (TensorRT, ONNX, CoreML, ecc.).

4. Significato e Claim

Il paper sostiene che YOLO26 rappresenti un passo avanti unificato per la visione in tempo reale, affrontando direttamente le inefficienze strutturali e di addestramento della stirpe YOLO. La sua importanza primaria risiede in:

Viabilità End-to-End NMS-Free: Dimostrare che un'architettura a doppia testa con Progressive Loss può raggiungere un'accuratezza di inferenza NMS-free che rivaleggia con i metodi basati su NMS, semplificando le pipeline di deployment.
Efficienza attraverso la Semplificazione: Provare che la rimozione del complesso modulo DFL non degrada le prestazioni ma le migliora quando accoppiata con una regressione non vincolata e migliori strategie di addestramento, risultando in modelli più leggeri adatti ai dispositivi edge.
Sinergia tra Ottimizzazione e Etichettatura: Stabilire che la combinazione di ottimizzatori avanzati (MuSGD) con pesatura della perdita basata su curriculum (Progressive Loss) e un'assegnazione delle etichette robusta (STAL) crea un effetto sinergico che accelera la convergenza e migliora il rilevamento di oggetti piccoli senza aumentare la dimensione del modello.
Framework Multi-Task Unificato: Fornire una singola pipeline che supporta rilevamento, segmentazione, posa, classificazione e rilevamento OBB con guadagni coerenti in tutti i task, insieme a una robusta estensione open-vocabulary.

Gli autori sottolineano che YOLO26 è progettato non solo per un forte comportamento di ottimizzazione, ma anche per l'integrazione pratica dell'inferenza su hardware eterogenei, mantenendo l'universalità di deployment che ha reso la famiglia YOLO lo standard del settore.