Se hai visto una demo di intelligenza artificiale che disegna riquadri attorno a persone, automobili e altri oggetti in un video in diretta — istantaneamente, mentre il video viene riprodotto — molto probabilmente hai visto YOLO. Si tratta del sistema più diffuso per il rilevamento di oggetti in tempo reale nel campo della visione artificiale ed è alla base di applicazioni che spaziano dalle telecamere di sorveglianza alla robotica. Questa guida spiega cos’è YOLO, come funziona e come iniziare a utilizzarlo.
Punti chiave
- YOLO («You Only Look Once», ossia «Guardi una sola volta») rileva e localizza più oggetti all’interno di un’immagine in un’unica passata.
- Questa singola passata è ciò che ne rende possibile l’impiego in tempo reale su flussi video.
- Si è evoluto attraverso numerose versioni — ciascuna più veloce e precisa della precedente.
- È accessibile anche ai principianti — gli strumenti moderni per YOLO consentono di eseguire il rilevamento con poche righe di codice.
Cos’è il rilevamento di oggetti?
Innanzitutto, la specifica attività risolta da YOLO. Rilevamento di oggetti risponde simultaneamente a due domande relative a un’immagine:
- Quali oggetti sono presenti? (classificazione)
- Dove si trova ciascuno di essi? (localizzazione — tramite un riquadro di delimitazione)
Questo compito è più complesso della semplice classificazione di immagini, che fornisce solo una risposta del tipo «questa immagine contiene un cane». Il rilevamento di oggetti invece afferma «c’è un cane qui, una persona là, e due automobili laggiù» — identificando e localizzando ogni oggetto, spesso molti contemporaneamente.
Cos’è YOLO?
YOLO sta per «You Only Look Once» («Guardi una sola volta»). Il nome riflette la sua innovazione fondamentale. I sistemi di rilevamento precedenti erano lenti perché operavano in più fasi: dapprima proponevano numerose regioni potenzialmente contenenti un oggetto, quindi analizzavano ciascuna regione separatamente. Esaminare migliaia di regioni una alla volta richiede troppo tempo — troppo per un video in tempo reale.
YOLO adotta un approccio diverso: osserva l’ intera immagine una sola volta e prevede tutti gli oggetti e i relativi riquadri in un’unica passata attraverso una singola rete neurale. Una sola occhiata, tutte le risposte.
Questo design è alla base della velocità di YOLO. Il rilevamento in tempo reale richiede l’elaborazione di molte immagini al secondo, e l’approccio monopassaggio di YOLO lo rende fattibile anche su hardware modesto — motivo per cui è diventato la scelta predefinita per applicazioni in tempo reale.
Come funziona YOLO
La versione semplificata di ciò che avviene internamente:
- Dividere l’immagine in una griglia. YOLO concettualmente suddivide l’immagine in una griglia di celle.
- Ogni cella effettua previsioni. Ciascuna cella prevede riquadri di delimitazione per gli oggetti centrati in essa, un punteggio di affidabilità per ciascun riquadro e la classe dell’oggetto corrispondente.
- Combinare tutti i risultati. Tutte le previsioni provenienti dall’intera griglia vengono raccolte insieme.
- Rimuovere le sovrapposizioni. Lo stesso oggetto viene spesso previsto da diverse celle vicine. Una fase chiamata soppressione non massimale (non-maximum suppression) elimina i duplicati, mantenendo soltanto il riquadro migliore per ciascun oggetto.
Il risultato: una singola rete neurale, una sola passata, un insieme completo di riquadri etichettati — e tutto ciò in tempi rapidi.
L’evoluzione di YOLO
YOLO non è un singolo modello fisso, ma una famiglia di modelli che si è evoluta costantemente fin dalla sua prima versione. Ogni nuova release (la serie ha ormai superato ampiamente la doppia cifra, includendo la v9 e oltre) ha perseguito due obiettivi fondamentali: maggiore accuratezza e maggiore velocità, pur mantenendo un’efficienza sufficiente per l’uso in tempo reale.
A livello pratico, la lezione è semplice: utilizza una versione recente e ben supportata. Le release più nuove sono più veloci e e più accurate di quelle precedenti, e includono strumenti maturi e di facile utilizzo. Non perderti nei dettagli del numero esatto della versione: scegli una versione attuale dotata di buona documentazione.
A cosa serve YOLO
Il rilevamento in tempo reale è utile quasi ovunque:
- Sicurezza e videosorveglianza — rilevamento di persone, veicoli o oggetti abbandonati nei flussi video delle telecamere.
- Veicoli autonomi — individuazione di auto, pedoni e ostacoli, parte integrante del più ampio sistema di percezione per la guida autonoma.
- Retail — conteggio dei clienti, analisi del flusso di persone, monitoraggio degli scaffali.
- Produzione industriale — rilevamento di difetti e parti mancanti sulle linee di produzione.
- Agricoltura — conteggio di colture e bestiame o rilevamento di parassiti da immagini acquisite con droni.
- Analisi sportiva — tracciamento di giocatori e pallone in tempo reale.
- Robotica — consentire ai robot di vedere e rispondere agli oggetti presenti nell’ambiente circostante.
Ovunque una macchina debba comprendere il contenuto di un video mentre accade, YOLO rappresenta una scelta eccellente.
Punti di forza e limiti di YOLO
| Punti di forza | Limiti |
|---|---|
| Estremamente veloce — opera in tempo reale | Può avere difficoltà nel rilevare oggetti molto piccoli |
| Buona accuratezza rispetto alla velocità raggiunta | Gli oggetti molto ravvicinati tra loro possono essere trascurati |
| Analizza l’intera immagine — minor numero di falsi positivi sullo sfondo | Leggermente meno accurato rispetto ai rilevatori più lenti e pesanti |
| Strumenti maturi e accessibili anche ai principianti | Per ottenere i migliori risultati è comunque necessario disporre di dati di addestramento specifici per il compito |
Il compromesso fondamentale: YOLO ottimizza il bilanciamento tra velocità e accuratezza. Alcuni modelli di ricerca ottengono punteggi marginalmente superiori in termini di accuratezza, ma sono troppo lenti per l’uso in tempo reale. Per la grande maggioranza delle applicazioni pratiche, il bilanciamento offerto da YOLO è perfetto.
Come iniziare con YOLO
Nel 2026 la barriera all’ingresso è molto bassa:
- Utilizza una libreria YOLO moderna. Gli strumenti YOLO attuali sono ben pacchettizzati: puoi installarli ed eseguire il rilevamento con un modello pre-addestrato in poche righe di codice Python.
- Inizia con un modello pre-addestrato. Questi modelli riconoscono già decine di categorie di oggetti comuni direttamente ‘out of the box’. Esegui uno di essi sulle tue immagini o sulla webcam per vedere subito il rilevamento in azione.
- Addestra il modello sui tuoi dati, se necessario. Per rilevare oggetti specifici — ad esempio un prodotto particolare o una categoria personalizzata — raccogli ed etichetta immagini di esempio, quindi esegui un fine-tuning di YOLO su di esse. Strumenti maturi rendono questo processo semplice e diretto.
- Presta attenzione all’hardware. YOLO può essere eseguito su un normale computer, ma una GPU accelera notevolmente sia l’addestramento che il rilevamento a elevata frequenza di fotogrammi.
Quali componenti hardware sono necessari per eseguire YOLO in tempo reale?
Il termine «in tempo reale» ha un significato concreto: il modello deve elaborare ciascun fotogramma video in meno di circa 33 millisecondi, ovvero il budget temporale disponibile a 30 fotogrammi al secondo. Raggiungere tale soglia permette alle rilevazioni di tenere il passo con una telecamera in diretta; mancarla comporta invece scatti o perdita di fotogrammi. Il superamento di tale limite dipende quasi esclusivamente dall’hardware sottostante, ed è qui che la maggior parte dei progetti per principianti fallisce.
Il fattore più determinante è la GPU. Su CPU, persino un piccolo modello YOLO generalmente opera ben al di sotto dei 30 FPS su video: sufficiente per elaborare una cartella di immagini, ma non adatto a uno stream in diretta. Trasferendo lo stesso modello su una GPU NVIDIA, l’inferenza risulta tipicamente da 10 a 50 volte più veloce, superando agevolmente il requisito del tempo reale. Per l’addestramento o l’esecuzione della toolchain Ultralytics è necessaria una scheda NVIDIA compatibile CUDA (Compute Capability 6.0 o successivo) con almeno 8 GB di VRAM; 12–16 GB offrono margine sufficiente per modelli più grandi e batch di addestramento più consistenti.
Tre livelli pratici coprono quasi ogni progetto:
| Configurazione | Ideale per | Video in tempo reale? |
| Solo CPU (notebook) | Apprendimento, elaborazione batch di immagini, prototipazione | Raramente — solo modelli piccoli e a bassa risoluzione |
| GPU NVIDIA da desktop (serie RTX, 8 GB+) | Addestramento di modelli personalizzati, stream ad alta frequenza di fotogrammi | Sì — i modelli piccoli superano spesso i 60 FPS |
| Scheda edge (es. Jetson Orin Nano) | Telecamere distribuite, robotica, inferenza in loco | Sì — circa 30–60 FPS con ottimizzazione TensorRT |
Alcuni fattori influenzano maggiormente le prestazioni rispetto all’acquisto di una GPU più potente. La dimensione del modello è il fattore più importante: le varianti nano e small sono progettate per raggiungere il tempo reale su hardware modesto, mentre le varianti più grandi sacrificano velocità in favore di maggiore accuratezza e richiedono una GPU più performante. L’ottimizzazione non è opzionale sui dispositivi edge: l’esportazione in TensorRT con precisione FP16 può raddoppiare approssimativamente il throughput sui dispositivi Jetson rispetto all’esecuzione nativa di PyTorch, rappresentando spesso la differenza tra 20 e 40 FPS. Inoltre, la risoluzione di input è un parametro diretto: dimezzarla riduce proporzionalmente il carico computazionale.
La conclusione onesta è che non hai bisogno di una GPU per data center per utilizzare YOLO in tempo reale. Una GPU gaming di fascia media gestisce sia l’addestramento sia l’inferenza ad alta frequenza di fotogrammi, mentre una scheda edge sub-300 USD gestisce efficacemente il deployment. Adatta la variante del modello al tuo hardware prima di iniziare, non dopo.
Domande frequenti
Che cos’è YOLO nel contesto del rilevamento di oggetti?
YOLO (‘You Only Look Once’) è un sistema di rilevamento di oggetti in tempo reale. Identifica più oggetti all’interno di un’immagine e ne disegna un rettangolo di delimitazione (bounding box) intorno a ciascuno, indicando contemporaneamente quali oggetti sono presenti e dove si trovano, mediante un unico passaggio attraverso una rete neurale.
Perché YOLO è così veloce?
YOLO analizza l’intera immagine in un unico passaggio attraverso una rete neurale, prevedendo simultaneamente tutti gli oggetti e i relativi bounding box. I sistemi di rilevamento più vecchi esaminavano separatamente migliaia di regioni dell’immagine, risultando molto lenti. È proprio questa architettura ‘a singola occhiata’ a rendere possibile il rilevamento in tempo reale.
YOLO è adatto ai principianti?
Sì. Le librerie YOLO moderne sono ben documentate e facili da usare: puoi eseguire il rilevamento con un modello pre-addestrato in poche righe di codice Python. È uno dei modi più accessibili per iniziare con la visione artificiale applicata.
Cosa può rilevare YOLO?
Un modello YOLO può rilevare qualsiasi cosa su cui è stato addestrato. I modelli pre-addestrati riconoscono già decine di categorie comuni — persone, veicoli, animali, oggetti di uso quotidiano — senza ulteriore configurazione. Per rilevare oggetti specifici o personalizzati, è sufficiente eseguire un fine-tuning di YOLO sulle proprie immagini etichettate.
Quale versione di YOLO dovrei utilizzare?
Utilizza una versione recente e ben supportata. YOLO si è evoluto attraverso numerose release, ciascuna più veloce e accurata della precedente, e le versioni più recenti includono strumenti maturi. Piuttosto che concentrarsi sul numero esatto della versione, scegli una release attuale dotata di buona documentazione.
Posso utilizzare YOLO in un prodotto commerciale gratuitamente?
No, non automaticamente: la licenza è la trappola più trascurata. Il repository originale YOLOv9 è rilasciato sotto licenza GPL-3.0, mentre le popolari implementazioni Ultralytics (utilizzate per eseguire molte versioni di YOLO) adottano la licenza AGPL-3.0. Entrambe sono licenze copyleft: se distribuisci un prodotto basato su quel codice o su quei pesi, devi rilasciare l’intera tua applicazione come open source sotto la stessa licenza. Per mantenere il tuo codice chiuso e proprietario, hai bisogno di una licenza enterprise a pagamento di Ultralytics. Sia la ricerca e sviluppo interna sia gli strumenti rivolti ai clienti rientrano nell’ambito di applicazione, quindi verifica i termini di licenza prima di iniziare a sviluppare, non dopo.
Quante immagini etichettate mi servono per addestrare YOLO sui miei oggetti specifici?
Molto meno che partendo da zero, grazie al transfer learning. Partendo dai pesi pre-addestrati su COCO, spesso è possibile ottenere un prototipo funzionante con poche centinaia di immagini ben etichettate per classe. Per un modello produttivo robusto, Ultralytics suggerisce di mirare a circa 1.500 immagini e circa 10.000 istanze etichettate per classe. La qualità e la diversità delle etichette — variazioni di illuminazione, angolazioni, sfondi e occlusioni — contano più del semplice numero totale, e l’augmentazione integrata consente di estendere ulteriormente un dataset limitato.
Devo conoscere il deep learning per effettuare il fine-tuning di YOLO?
No. Il fine-tuning su un dataset personalizzato consiste principalmente nella preparazione dei dati e nell’esecuzione di alcuni comandi, non nella teoria delle reti neurali. Il lavoro più impegnativo è la raccolta e l’annotazione accurata delle immagini; la fase di addestramento vera e propria è invece largamente automatizzata. Una conoscenza basilare di Python e della riga di comando è sufficiente per far partire un rilevatore personalizzato.
Conclusione
YOLO ha reso pratico il rilevamento in tempo reale di oggetti sostituendo lenti pipeline multi-stadio con un’unica, rapida analisi dell’intera immagine. Quell’unica idea — «you only look once» («guardi una sola volta») — è il motivo per cui alimenta sistemi di sicurezza, veicoli autonomi, analisi al dettaglio, robotica e innumerevoli altre applicazioni.
Non è il rilevatore più accurato in assoluto esistente, ma offre il miglior equilibrio tra velocità e accuratezza, ed è proprio questo equilibrio ciò di cui hanno bisogno le applicazioni reali. Il meglio di tutto è che è davvero accessibile: scegli una versione recente, inizia con un modello pre-addestrato e puoi far partire il rilevamento di oggetti già oggi. Per un quadro più ampio del settore, vedi come il rilevamento si inserisce nella visione artificiale per veicoli a guida autonoma.
