{"id":73,"date":"2026-05-18T12:37:31","date_gmt":"2026-05-18T12:37:31","guid":{"rendered":"https:\/\/convly.ai\/yolo-v9-object-detection\/"},"modified":"2026-08-01T06:48:57","modified_gmt":"2026-08-01T06:48:57","slug":"yolo-v9-object-detection","status":"publish","type":"post","link":"https:\/\/convly.ai\/it\/yolo-v9-object-detection\/","title":{"rendered":"Rilevamento di oggetti in tempo reale con YOLO: una guida pratica (2026)"},"content":{"rendered":"<p>Se hai visto una demo di intelligenza artificiale che disegna riquadri attorno a persone, automobili e altri oggetti in un video in diretta \u2014 istantaneamente, mentre il video viene riprodotto \u2014 molto probabilmente hai visto <strong>YOLO<\/strong>. Si tratta del sistema pi\u00f9 diffuso per il rilevamento di oggetti in tempo reale nel campo della visione artificiale ed \u00e8 alla base di applicazioni che spaziano dalle telecamere di sorveglianza alla robotica. Questa guida spiega cos\u2019\u00e8 YOLO, come funziona e come iniziare a utilizzarlo.<\/p>\n<div class=\"convly-tldr\">\n<h3>Punti chiave<\/h3>\n<ul>\n<li><strong>YOLO<\/strong> (\u00abYou Only Look Once\u00bb, ossia \u00abGuardi una sola volta\u00bb) rileva e localizza pi\u00f9 oggetti all\u2019interno di un\u2019immagine in un\u2019unica passata.<\/li>\n<li><strong>Questa singola passata<\/strong> \u00e8 ci\u00f2 che ne rende possibile l\u2019impiego in tempo reale su flussi video.<\/li>\n<li><strong>Si \u00e8 evoluto attraverso numerose versioni<\/strong> \u2014 ciascuna pi\u00f9 veloce e precisa della precedente.<\/li>\n<li><strong>\u00c8 accessibile anche ai principianti<\/strong> \u2014 gli strumenti moderni per YOLO consentono di eseguire il rilevamento con poche righe di codice.<\/li>\n<\/ul>\n<\/div>\n<div id=\"ez-toc-container\" class=\"ez-toc-v2_0_85 counter-flat ez-toc-counter ez-toc-container-direction\">\n<label for=\"ez-toc-cssicon-toggle-item-6a744b5be5eb5\" class=\"ez-toc-cssicon-toggle-label\"><span class=\"\"><span class=\"eztoc-hide\" style=\"display:none;\">Attiva\/Disattiva<\/span><span class=\"ez-toc-icon-toggle-span\"><svg style=\"fill: #000000;color:#000000\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\" class=\"list-377408\" width=\"20px\" height=\"20px\" viewbox=\"0 0 24 24\" fill=\"none\"><path d=\"M6 6H4v2h2V6zm14 0H8v2h12V6zM4 11h2v2H4v-2zm16 0H8v2h12v-2zM4 16h2v2H4v-2zm16 0H8v2h12v-2z\" fill=\"currentColor\"><\/path><\/svg><svg style=\"fill: #000000;color:#000000\" class=\"arrow-unsorted-368013\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\" width=\"10px\" height=\"10px\" viewbox=\"0 0 24 24\" version=\"1.2\" baseprofile=\"tiny\"><path d=\"M18.2 9.3l-6.2-6.3-6.2 6.3c-.2.2-.3.4-.3.7s.1.5.3.7c.2.2.4.3.7.3h11c.3 0 .5-.1.7-.3.2-.2.3-.5.3-.7s-.1-.5-.3-.7zM5.8 14.7l6.2 6.3 6.2-6.3c.2-.2.3-.5.3-.7s-.1-.5-.3-.7c-.2-.2-.4-.3-.7-.3h-11c-.3 0-.5.1-.7.3-.2.2-.3.5-.3.7s.1.5.3.7z\"\/><\/svg><\/span><\/span><\/label><input type=\"checkbox\"  id=\"ez-toc-cssicon-toggle-item-6a744b5be5eb5\"  aria-label=\"Attiva\/Disattiva\" \/><nav><ul class='ez-toc-list ez-toc-list-level-1' ><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-1\" href=\"https:\/\/convly.ai\/it\/yolo-v9-object-detection\/#What_is_object_detection\" >Cos\u2019\u00e8 il rilevamento di oggetti?<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-2\" href=\"https:\/\/convly.ai\/it\/yolo-v9-object-detection\/#What_is_YOLO\" >Cos\u2019\u00e8 YOLO?<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-3\" href=\"https:\/\/convly.ai\/it\/yolo-v9-object-detection\/#How_YOLO_works\" >Come funziona YOLO<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-4\" href=\"https:\/\/convly.ai\/it\/yolo-v9-object-detection\/#The_evolution_of_YOLO\" >L\u2019evoluzione di YOLO<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-5\" href=\"https:\/\/convly.ai\/it\/yolo-v9-object-detection\/#What_YOLO_is_used_for\" >A cosa serve YOLO<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-6\" href=\"https:\/\/convly.ai\/it\/yolo-v9-object-detection\/#YOLOs_strengths_and_limits\" >Punti di forza e limiti di YOLO<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-7\" href=\"https:\/\/convly.ai\/it\/yolo-v9-object-detection\/#How_to_get_started_with_YOLO\" >Come iniziare con YOLO<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-8\" href=\"https:\/\/convly.ai\/it\/yolo-v9-object-detection\/#What_hardware_do_you_need_to_run_YOLO_in_real_time\" >Quali componenti hardware sono necessari per eseguire YOLO in tempo reale?<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-9\" href=\"https:\/\/convly.ai\/it\/yolo-v9-object-detection\/#FAQ\" >Domande frequenti<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-10\" href=\"https:\/\/convly.ai\/it\/yolo-v9-object-detection\/#Bottom_line\" >Conclusione<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-11\" href=\"https:\/\/convly.ai\/it\/yolo-v9-object-detection\/#Related_articles\" >Articoli correlati<\/a><\/li><\/ul><\/nav><\/div>\n<h2><span class=\"ez-toc-section\" id=\"What_is_object_detection\"><\/span>Cos\u2019\u00e8 il rilevamento di oggetti?<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Innanzitutto, la specifica attivit\u00e0 risolta da YOLO. <strong>Rilevamento di oggetti<\/strong> risponde simultaneamente a due domande relative a un\u2019immagine:<\/p>\n<ul>\n<li><strong>Quali oggetti sono presenti?<\/strong> (classificazione)<\/li>\n<li><strong>Dove si trova ciascuno di essi?<\/strong> (localizzazione \u2014 tramite un riquadro di delimitazione)<\/li>\n<\/ul>\n<p>Questo compito \u00e8 pi\u00f9 complesso della semplice classificazione di immagini, che fornisce solo una risposta del tipo \u00abquesta immagine contiene un cane\u00bb. Il rilevamento di oggetti invece afferma \u00abc\u2019\u00e8 un cane <em>qui<\/em>, una persona <em>l\u00e0<\/em>, e due automobili <em>laggi\u00f9<\/em>\u00bb \u2014 identificando e localizzando ogni oggetto, spesso molti contemporaneamente.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"What_is_YOLO\"><\/span>Cos\u2019\u00e8 YOLO?<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>YOLO sta per <strong>\u00abYou Only Look Once\u00bb (\u00abGuardi una sola volta\u00bb).<\/strong> Il nome riflette la sua innovazione fondamentale. I sistemi di rilevamento precedenti erano lenti perch\u00e9 operavano in pi\u00f9 fasi: dapprima proponevano numerose regioni potenzialmente contenenti un oggetto, quindi analizzavano ciascuna regione separatamente. Esaminare migliaia di regioni una alla volta richiede troppo tempo \u2014 troppo per un video in tempo reale.<\/p>\n<p>YOLO adotta un approccio diverso: osserva l\u2019 <strong>intera immagine una sola volta<\/strong> e prevede tutti gli oggetti e i relativi riquadri in un\u2019unica passata attraverso una singola <a href=\"\/it\/neural-networks-explained\/\">rete neurale<\/a>. Una sola occhiata, tutte le risposte.<\/p>\n<p>Questo design \u00e8 alla base della velocit\u00e0 di YOLO. Il rilevamento in tempo reale richiede l\u2019elaborazione di molte immagini al secondo, e l\u2019approccio monopassaggio di YOLO lo rende fattibile anche su hardware modesto \u2014 motivo per cui \u00e8 diventato la scelta predefinita per applicazioni in tempo reale.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"How_YOLO_works\"><\/span>Come funziona YOLO<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>La versione semplificata di ci\u00f2 che avviene internamente:<\/p>\n<ol>\n<li><strong>Dividere l\u2019immagine in una griglia.<\/strong> YOLO concettualmente suddivide l\u2019immagine in una griglia di celle.<\/li>\n<li><strong>Ogni cella effettua previsioni.<\/strong> Ciascuna cella prevede riquadri di delimitazione per gli oggetti centrati in essa, un punteggio di affidabilit\u00e0 per ciascun riquadro e la classe dell\u2019oggetto corrispondente.<\/li>\n<li><strong>Combinare tutti i risultati.<\/strong> Tutte le previsioni provenienti dall\u2019intera griglia vengono raccolte insieme.<\/li>\n<li><strong>Rimuovere le sovrapposizioni.<\/strong> Lo stesso oggetto viene spesso previsto da diverse celle vicine. Una fase chiamata <em>soppressione non massimale (non-maximum suppression)<\/em> elimina i duplicati, mantenendo soltanto il riquadro migliore per ciascun oggetto.<\/li>\n<\/ol>\n<p>Il risultato: una singola rete neurale, una sola passata, un insieme completo di riquadri etichettati \u2014 e tutto ci\u00f2 in tempi rapidi.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"The_evolution_of_YOLO\"><\/span>L\u2019evoluzione di YOLO<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>YOLO non \u00e8 un singolo modello fisso, ma una famiglia di modelli che si \u00e8 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: <strong>maggiore accuratezza<\/strong> e <strong>maggiore velocit\u00e0<\/strong>, pur mantenendo un\u2019efficienza sufficiente per l\u2019uso in tempo reale.<\/p>\n<p>A livello pratico, la lezione \u00e8 semplice: utilizza una versione recente e ben supportata. Le release pi\u00f9 nuove sono pi\u00f9 veloci <em>e<\/em> e pi\u00f9 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.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"What_YOLO_is_used_for\"><\/span>A cosa serve YOLO<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Il rilevamento in tempo reale \u00e8 utile quasi ovunque:<\/p>\n<ul>\n<li><strong>Sicurezza e videosorveglianza<\/strong> \u2014 rilevamento di persone, veicoli o oggetti abbandonati nei flussi video delle telecamere.<\/li>\n<li><strong>Veicoli autonomi<\/strong> \u2014 individuazione di auto, pedoni e ostacoli, parte integrante del pi\u00f9 ampio <a href=\"\/it\/computer-vision-self-driving-cars\/\">sistema di percezione per la guida autonoma<\/a>.<\/li>\n<li><strong>Retail<\/strong> \u2014 conteggio dei clienti, analisi del flusso di persone, monitoraggio degli scaffali.<\/li>\n<li><strong>Produzione industriale<\/strong> \u2014 rilevamento di difetti e parti mancanti sulle linee di produzione.<\/li>\n<li><strong>Agricoltura<\/strong> \u2014 conteggio di colture e bestiame o rilevamento di parassiti da immagini acquisite con droni.<\/li>\n<li><strong>Analisi sportiva<\/strong> \u2014 tracciamento di giocatori e pallone in tempo reale.<\/li>\n<li><strong>Robotica<\/strong> \u2014 consentire ai robot di vedere e rispondere agli oggetti presenti nell\u2019ambiente circostante.<\/li>\n<\/ul>\n<p>Ovunque una macchina debba comprendere il contenuto di un video <em>mentre accade<\/em>, YOLO rappresenta una scelta eccellente.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"YOLOs_strengths_and_limits\"><\/span>Punti di forza e limiti di YOLO<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<table class=\"convly-vs\">\n<thead>\n<tr>\n<th>Punti di forza<\/th>\n<th>Limiti<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>Estremamente veloce \u2014 opera in tempo reale<\/td>\n<td>Pu\u00f2 avere difficolt\u00e0 nel rilevare oggetti molto piccoli<\/td>\n<\/tr>\n<tr>\n<td>Buona accuratezza rispetto alla velocit\u00e0 raggiunta<\/td>\n<td>Gli oggetti molto ravvicinati tra loro possono essere trascurati<\/td>\n<\/tr>\n<tr>\n<td>Analizza l\u2019intera immagine \u2014 minor numero di falsi positivi sullo sfondo<\/td>\n<td>Leggermente meno accurato rispetto ai rilevatori pi\u00f9 lenti e pesanti<\/td>\n<\/tr>\n<tr>\n<td>Strumenti maturi e accessibili anche ai principianti<\/td>\n<td>Per ottenere i migliori risultati \u00e8 comunque necessario disporre di dati di addestramento specifici per il compito<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p>Il compromesso fondamentale: YOLO ottimizza il <strong>bilanciamento tra velocit\u00e0 e accuratezza<\/strong>. Alcuni modelli di ricerca ottengono punteggi marginalmente superiori in termini di accuratezza, ma sono troppo lenti per l\u2019uso in tempo reale. Per la grande maggioranza delle applicazioni pratiche, il bilanciamento offerto da YOLO \u00e8 perfetto.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"How_to_get_started_with_YOLO\"><\/span>Come iniziare con YOLO<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Nel 2026 la barriera all\u2019ingresso \u00e8 molto bassa:<\/p>\n<ol>\n<li><strong>Utilizza una libreria YOLO moderna.<\/strong> Gli strumenti YOLO attuali sono ben pacchettizzati: puoi installarli ed eseguire il rilevamento con un modello <strong>pre-addestrato<\/strong> in poche righe di codice Python.<\/li>\n<li><strong>Inizia con un modello pre-addestrato.<\/strong> Questi modelli riconoscono gi\u00e0 decine di categorie di oggetti comuni direttamente \u2018out of the box\u2019. Esegui uno di essi sulle tue immagini o sulla webcam per vedere subito il rilevamento in azione.<\/li>\n<li><strong>Addestra il modello sui tuoi dati, se necessario.<\/strong> Per rilevare oggetti specifici \u2014 ad esempio un prodotto particolare o una categoria personalizzata \u2014 raccogli ed etichetta immagini di esempio, quindi esegui un fine-tuning di YOLO su di esse. Strumenti maturi rendono questo processo semplice e diretto.<\/li>\n<li><strong>Presta attenzione all\u2019hardware.<\/strong> YOLO pu\u00f2 essere eseguito su un normale computer, ma una GPU accelera notevolmente sia l\u2019addestramento che il rilevamento a elevata frequenza di fotogrammi.<\/li>\n<\/ol>\n<p><!--ai-enriched--><\/p>\n<h2><span class=\"ez-toc-section\" id=\"What_hardware_do_you_need_to_run_YOLO_in_real_time\"><\/span>Quali componenti hardware sono necessari per eseguire YOLO in tempo reale?<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Il termine \u00abin tempo reale\u00bb ha un significato concreto: il modello deve elaborare ciascun fotogramma video in meno di circa <strong>33 millisecondi<\/strong>, 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\u2019hardware sottostante, ed \u00e8 qui che la maggior parte dei progetti per principianti fallisce.<\/p>\n<p>Il fattore pi\u00f9 determinante \u00e8 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\u2019inferenza risulta tipicamente <strong>da 10 a 50 volte pi\u00f9 veloce<\/strong>, superando agevolmente il requisito del tempo reale. Per l\u2019addestramento o l\u2019esecuzione della toolchain Ultralytics \u00e8 necessaria una scheda NVIDIA compatibile CUDA (Compute Capability 6.0 o successivo) con almeno <strong>8 GB di VRAM<\/strong>; 12\u201316 GB offrono margine sufficiente per modelli pi\u00f9 grandi e batch di addestramento pi\u00f9 consistenti.<\/p>\n<p>Tre livelli pratici coprono quasi ogni progetto:<\/p>\n<table class=\"convly-vs\">\n<tr>\n<td><strong>Configurazione<\/strong><\/td>\n<td><strong>Ideale per<\/strong><\/td>\n<td><strong>Video in tempo reale?<\/strong><\/td>\n<\/tr>\n<tr>\n<td>Solo CPU (notebook)<\/td>\n<td>Apprendimento, elaborazione batch di immagini, prototipazione<\/td>\n<td>Raramente \u2014 solo modelli piccoli e a bassa risoluzione<\/td>\n<\/tr>\n<tr>\n<td>GPU NVIDIA da desktop (serie RTX, 8 GB+)<\/td>\n<td>Addestramento di modelli personalizzati, stream ad alta frequenza di fotogrammi<\/td>\n<td>S\u00ec \u2014 i modelli piccoli superano spesso i 60 FPS<\/td>\n<\/tr>\n<tr>\n<td>Scheda edge (es. Jetson Orin Nano)<\/td>\n<td>Telecamere distribuite, robotica, inferenza in loco<\/td>\n<td>S\u00ec \u2014 circa 30\u201360 FPS con ottimizzazione TensorRT<\/td>\n<\/tr>\n<\/table>\n<p>Alcuni fattori influenzano maggiormente le prestazioni rispetto all\u2019acquisto di una GPU pi\u00f9 potente. <strong>La dimensione del modello \u00e8 il fattore pi\u00f9 importante<\/strong>: le varianti nano e small sono progettate per raggiungere il tempo reale su hardware modesto, mentre le varianti pi\u00f9 grandi sacrificano velocit\u00e0 in favore di maggiore accuratezza e richiedono una GPU pi\u00f9 performante. <strong>L\u2019ottimizzazione non \u00e8 opzionale sui dispositivi edge<\/strong>: l\u2019esportazione in TensorRT con precisione FP16 pu\u00f2 raddoppiare approssimativamente il throughput sui dispositivi Jetson rispetto all\u2019esecuzione nativa di PyTorch, rappresentando spesso la differenza tra 20 e 40 FPS. Inoltre, <strong>la risoluzione di input<\/strong> \u00e8 un parametro diretto: dimezzarla riduce proporzionalmente il carico computazionale.<\/p>\n<p>La conclusione onesta \u00e8 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\u2019addestramento sia l\u2019inferenza 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.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"FAQ\"><\/span>Domande frequenti<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<h3>Che cos\u2019\u00e8 YOLO nel contesto del rilevamento di oggetti?<\/h3>\n<p>YOLO (\u2018You Only Look Once\u2019) \u00e8 un sistema di rilevamento di oggetti in tempo reale. Identifica pi\u00f9 oggetti all\u2019interno di un\u2019immagine 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.<\/p>\n<h3>Perch\u00e9 YOLO \u00e8 cos\u00ec veloce?<\/h3>\n<p>YOLO analizza l\u2019intera immagine in un unico passaggio attraverso una rete neurale, prevedendo simultaneamente tutti gli oggetti e i relativi bounding box. I sistemi di rilevamento pi\u00f9 vecchi esaminavano separatamente migliaia di regioni dell\u2019immagine, risultando molto lenti. \u00c8 proprio questa architettura \u2018a singola occhiata\u2019 a rendere possibile il rilevamento in tempo reale.<\/p>\n<h3>YOLO \u00e8 adatto ai principianti?<\/h3>\n<p>S\u00ec. 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. \u00c8 uno dei modi pi\u00f9 accessibili per iniziare con la visione artificiale applicata.<\/p>\n<h3>Cosa pu\u00f2 rilevare YOLO?<\/h3>\n<p>Un modello YOLO pu\u00f2 rilevare qualsiasi cosa su cui \u00e8 stato addestrato. I modelli pre-addestrati riconoscono gi\u00e0 decine di categorie comuni \u2014 persone, veicoli, animali, oggetti di uso quotidiano \u2014 senza ulteriore configurazione. Per rilevare oggetti specifici o personalizzati, \u00e8 sufficiente eseguire un fine-tuning di YOLO sulle proprie immagini etichettate.<\/p>\n<h3>Quale versione di YOLO dovrei utilizzare?<\/h3>\n<p>Utilizza una versione recente e ben supportata. YOLO si \u00e8 evoluto attraverso numerose release, ciascuna pi\u00f9 veloce e accurata della precedente, e le versioni pi\u00f9 recenti includono strumenti maturi. Piuttosto che concentrarsi sul numero esatto della versione, scegli una release attuale dotata di buona documentazione.<\/p>\n<h3>Posso utilizzare YOLO in un prodotto commerciale gratuitamente?<\/h3>\n<p>No, non automaticamente: la licenza \u00e8 la trappola pi\u00f9 trascurata. Il repository originale YOLOv9 \u00e8 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\u2019intera 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\u2019ambito di applicazione, quindi verifica i termini di licenza prima di iniziare a sviluppare, non dopo.<\/p>\n<h3>Quante immagini etichettate mi servono per addestrare YOLO sui miei oggetti specifici?<\/h3>\n<p>Molto meno che partendo da zero, grazie al transfer learning. Partendo dai pesi pre-addestrati su COCO, spesso \u00e8 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 qualit\u00e0 e la diversit\u00e0 delle etichette \u2014 variazioni di illuminazione, angolazioni, sfondi e occlusioni \u2014 contano pi\u00f9 del semplice numero totale, e l\u2019augmentazione integrata consente di estendere ulteriormente un dataset limitato.<\/p>\n<h3>Devo conoscere il deep learning per effettuare il fine-tuning di YOLO?<\/h3>\n<p>No. Il fine-tuning su un dataset personalizzato consiste principalmente nella preparazione dei dati e nell\u2019esecuzione di alcuni comandi, non nella teoria delle reti neurali. Il lavoro pi\u00f9 impegnativo \u00e8 la raccolta e l\u2019annotazione accurata delle immagini; la fase di addestramento vera e propria \u00e8 invece largamente automatizzata. Una conoscenza basilare di Python e della riga di comando \u00e8 sufficiente per far partire un rilevatore personalizzato.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Bottom_line\"><\/span>Conclusione<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>YOLO ha reso pratico il rilevamento in tempo reale di oggetti sostituendo lenti pipeline multi-stadio con un\u2019unica, rapida analisi dell\u2019intera immagine. Quell\u2019unica idea \u2014 \u00abyou only look once\u00bb (\u00abguardi una sola volta\u00bb) \u2014 \u00e8 il motivo per cui alimenta sistemi di sicurezza, veicoli autonomi, analisi al dettaglio, robotica e innumerevoli altre applicazioni.<\/p>\n<p>Non \u00e8 il rilevatore pi\u00f9 accurato in assoluto esistente, ma offre il miglior <em>equilibrio<\/em> tra velocit\u00e0 e accuratezza, ed \u00e8 proprio questo equilibrio ci\u00f2 di cui hanno bisogno le applicazioni reali. Il meglio di tutto \u00e8 che \u00e8 davvero accessibile: scegli una versione recente, inizia con un modello pre-addestrato e puoi far partire il rilevamento di oggetti gi\u00e0 oggi. Per un quadro pi\u00f9 ampio del settore, vedi come il rilevamento si inserisce nella <a href=\"\/it\/computer-vision-self-driving-cars\/\">visione artificiale per veicoli a guida autonoma<\/a>.<\/p>\n<p><!--related-block--><\/p>\n<div class=\"convly-related\">\n<h2><span class=\"ez-toc-section\" id=\"Related_articles\"><\/span>Articoli correlati<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<ul>\n<li><a href=\"https:\/\/convly.ai\/it\/computer-vision-self-driving-cars\/\">Come la visione artificiale guida le auto a guida autonoma (Guida 2026)<\/a><\/li>\n<li><a href=\"https:\/\/convly.ai\/it\/claude-5-new-ai-models-june-2026\/\">Esiste un Claude 5? Claude Fable 5 e tutti i principali modelli IA di giugno 2026<\/a><\/li>\n<li><a href=\"https:\/\/convly.ai\/it\/veo-3-vs-kling-3-for-ai-video-2026\/\">Veo 3.1 vs Kling 3.0 per i video AI nel 2026: quale vince in termini di realismo?<\/a><\/li>\n<\/ul>\n<\/div>","protected":false},"excerpt":{"rendered":"<p>YOLO is the most popular real-time object detection system in computer vision. This guide explains how it works, why it&#8217;s so fast, and how to start using it.<\/p>","protected":false},"author":0,"featured_media":2033,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"site-sidebar-layout":"default","site-content-layout":"","ast-site-content-layout":"default","site-content-style":"default","site-sidebar-style":"default","ast-global-header-display":"","ast-banner-title-visibility":"","ast-main-header-display":"","ast-hfb-above-header-display":"","ast-hfb-below-header-display":"","ast-hfb-mobile-header-display":"","site-post-title":"","ast-breadcrumbs-content":"","ast-featured-img":"","footer-sml-layout":"","ast-disable-related-posts":"","theme-transparent-header-meta":"","adv-header-id-meta":"","stick-header-meta":"","header-above-stick-meta":"","header-main-stick-meta":"","header-below-stick-meta":"","astra-migrate-meta-layouts":"default","ast-page-background-enabled":"default","ast-page-background-meta":{"desktop":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"tablet":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"mobile":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""}},"ast-content-background-meta":{"desktop":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"tablet":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"mobile":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""}},"footnotes":""},"categories":[4],"tags":[488,498,499,497,500],"class_list":["post-73","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-computer-vision","tag-computer-vision","tag-object-detection","tag-real-time-detection","tag-yolo","tag-yolo-guide"],"_links":{"self":[{"href":"https:\/\/convly.ai\/it\/wp-json\/wp\/v2\/posts\/73","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/convly.ai\/it\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/convly.ai\/it\/wp-json\/wp\/v2\/types\/post"}],"replies":[{"embeddable":true,"href":"https:\/\/convly.ai\/it\/wp-json\/wp\/v2\/comments?post=73"}],"version-history":[{"count":3,"href":"https:\/\/convly.ai\/it\/wp-json\/wp\/v2\/posts\/73\/revisions"}],"predecessor-version":[{"id":1035,"href":"https:\/\/convly.ai\/it\/wp-json\/wp\/v2\/posts\/73\/revisions\/1035"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/convly.ai\/it\/wp-json\/wp\/v2\/media\/2033"}],"wp:attachment":[{"href":"https:\/\/convly.ai\/it\/wp-json\/wp\/v2\/media?parent=73"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/convly.ai\/it\/wp-json\/wp\/v2\/categories?post=73"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/convly.ai\/it\/wp-json\/wp\/v2\/tags?post=73"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}