Scegli la dimensione di un modello Ultralytics YOLO
Confronta YOLO26 n, s, m, l e x, confrontali con benchmark sul tuo hardware di destinazione e scegli la dimensione più piccola che rientra nel tuo budget di latenza.
Scegli una dimensione troppo grande e un'app per fotocamera a 30 FPS funzionerà a 12 FPS; scegline una troppo piccola e rinuncerai all'accuratezza che un modello più grande offrirebbe gratuitamente su una GPU. Poiché la dimensione che addestri è quella che distribuisci, questa scelta va fatta prima del lungo ciclo di addestramento.
YOLO26 è disponibile in cinque dimensioni — n, s, m, l e x — per tutte e sette le attività: rilevamento, segmentazione, segmentazione semantica, classificazione, posa, OBB e profondità. In questa lezione convertirai una frequenza dei fotogrammi in un budget in millisecondi, misurerai due dimensioni sul tuo computer con la modalità Benchmark e farai la tua scelta.
Pratico
Scopri le dimensioni disponibili#
Questi sono i valori ufficiali di rilevamento COCO riportati nella documentazione di YOLO26, tutti a 640 pixel:
| Modello | Parametri (M) | FLOPs (B) | mAP50-95 | CPU ONNX (ms) | T4 TensorRT10 (ms) |
|---|---|---|---|---|---|
yolo26n | 2.4 | 5.5 | 40.9 | 38.9 | 1.7 |
yolo26s | 9.5 | 20.9 | 48.6 | 87.2 | 2.5 |
yolo26m | 20.4 | 68.4 | 53.1 | 220.0 | 4.7 |
yolo26l | 24.8 | 86.8 | 55.0 | 286.2 | 6.2 |
yolo26x | 55.7 | 194.4 | 57.5 | 525.8 | 11.8 |
Esiste una variante di ogni dimensione per ciascuna attività: basta cambiare il suffisso, come in yolo26s-seg.pt, yolo26s-sem.pt, yolo26s-depth.pt, yolo26s-cls.pt, yolo26s-pose.pt o yolo26s-obb.pt. Stai aggiornando un progetto precedente? Il confronto tra YOLO11 e YOLO26 mostra cosa cambia.
Leggi la tabella chiedendoti «quanto costa passare alla dimensione successiva?»:
| Passaggio | Aumento di mAP | FLOPs aggiuntivi FLOPs | Moltiplicatore della latenza CPU |
|---|---|---|---|
| n → s | +7.7 | ×3.8 | ×2.2 |
| s → m | +4.5 | ×3.3 | ×2.5 |
| m → l | +1.9 | ×1.3 | ×1.3 |
| l → x | +2.5 | ×2.2 | ×1.8 |
Il primo passaggio è il più conveniente; dopo m, ogni punto di accuratezza COCO diventa costoso. Inoltre, COCO, con 80 classi diverse, è più difficile della maggior parte dei progetti reali: in un'attività specifica, come rilevare un solo prodotto su un nastro trasportatore, n e s spesso restano entro un punto da m.
Parti dal budget#
Il tuo budget di latenza di inferenza è 1000 ms ÷ FPS target e il modello deve condividerlo con la decodifica, il disegno e la tua logica. Ecco alcuni punti di partenza tipici:
| Obiettivo | Inizia con |
|---|---|
| Telefono, Raspberry Pi, browser o altro dispositivo edge AI compatto | n |
| CPU di laptop o desktop, 10–30 FPS | n, poi s se c'è margine |
| Una sola GPU, video in tempo reale | s o m |
| Elaborazione batch offline, priorità alla precisione | l o x |
Esempio pratico: misura due dimensioni#
La modalità benchmark esporta il modello, lo convalida su coco8 e misura il tempo di inferenza sul tuo computer. format=onnx limita l'esecuzione a un solo formato, così termina in pochi secondi; omettilo per confrontare tutti i formati di esportazione.
yolo benchmark model=yolo26n.pt imgsz=640 format=onnx
yolo benchmark model=yolo26s.pt imgsz=640 format=onnxRisultati reali sulla CPU di un laptop Apple M5 Pro:
| Format Status❔ Size (MB) metrics/mAP50-95(B) Inference time (ms/im) FPS |
| 1 ONNX ✅ 9.5 0.6693 13.87 72.08 | <- yolo26n
| 1 ONNX ✅ 36.5 0.6654 30.87 32.39 | <- yolo26sConfronto con un budget di 30 FPS (33 ms):
yolo26n, 13.87 ms: rientra nel budget, con 19 ms a disposizione per decodifica e disegno.yolo26s, 30.87 ms: tecnicamente rientra nel budget, ma non lascia margine per altro. Lo stesso benchmark ha richiesto 60 ms mentre sul computer erano in esecuzione altri processi.Size (MB): la dimensione del file ONNX, importante per il download dell'app e la memoria sui dispositivi mobili.metrics/mAP50-95(B): qui ignoralo.coco8ha quattro immagini di convalida: bastano a verificare che l'esportazione funzioni, ma sono troppo poche per valutare la precisione.
Decisione: addestra prima yolo26n e tieni yolo26s a un imgsz inferiore come alternativa.
Evita questi errori#
Sintomo: un modello che raggiungeva 70 FPS sul tuo laptop ne raggiunge 8 sul dispositivo edge. Soluzione: esegui il benchmark sul dispositivo che userà il modello, con un carico realistico: altri processi, decodifica della videocamera e formato di runtime effettivo.
Sintomo: nei tuoi appunti hai scritto «s era più veloce di n». Causa: una delle esecuzioni usava imgsz=480 o un formato diverso. Soluzione: confronta le dimensioni usando lo stesso imgsz, formato e batch, e modifica una sola variabile alla volta.
Non addestrare x per poi pensare di ridurlo a n in seguito con il pruning del modello o la quantizzazione: un'architettura più piccola richiede un nuovo addestramento. Scegli prima la dimensione; considera la quantizzazione un ulteriore incremento di velocità da applicare alla dimensione giusta, non un suo sostituto.
Gli approfondimenti sulla latenza — batching, quantizzazione e scelta del runtime — sono trattati in Ottimizzazione di costi e latenza nel corso sulla produzione; la guida alle metriche di performance spiega ogni valore di precisione.
Mostra la soluzione
Budget: 30 FPS on a laptop CPU -> 33 ms per frame, shared with decode and drawing
Measured: ONNX at 640 -> yolo26n 13.9 ms (19 ms headroom), yolo26s 30.9 ms (none; 60 ms under load)
Decision: train yolo26n first. If accuracy on our val set falls short,
try yolo26s at imgsz=480 and re-benchmark before committing.