Migliori alternative a Ultralytics nel 2026: librerie YOLO open source

Nota: LibreYOLO è il nostro progetto ed è al primo posto nell'elenco. Gli altri strumenti qui sono tutti usati nel nostro lavoro, e segnaliamo i casi in cui superano LibreYOLO.

La maggior parte dei team abbandona Ultralytics per uno di tre motivi:

• Licenza. I modelli YOLO di Ultralytics sono soggetti ad AGPL-3.0 (YOLOv5 dal 2023, e v8 in poi). Lo schema è noto: sviluppi un prodotto, lo distribuisci, poi una revisione legale o un cliente solleva un dubbio sul modello e ti trovi a dover scegliere se rendere open source l'intera applicazione o acquistare una licenza commerciale. Il copyleft di AGPL si estende al tuo codice non appena distribuisci il prodotto o fornisci un servizio. È un motivo comune per cercare un'alternativa.
• Apertura. Un unico fornitore controlla i modelli, il codice di addestramento e le condizioni. Alcuni team vogliono pesi e codice con licenze permissive su cui poter costruire senza chiedere il permesso.
• Il modello. YOLO non è sempre l'architettura migliore per il task. I detector transformer real-time come RT-DETR, RF-DETR e D-FINE possono essere più accurati a parità di latenza. Il problema è che sono sparsi in repository di ricerca e, come vedrai, LibreYOLO li esegue tutti e tre con un'unica API. Questo è un motivo per cambiare libreria, non per abbandonarla.

Valutiamo ogni strumento qui sotto in base a tre criteri: una licenza che consenta di distribuirlo, la possibilità di installarlo e usarlo con una versione attuale di PyTorch e l'esportazione sull'hardware su cui esegui davvero il deployment.

Leggendo, noterai uno schema ricorrente: ogni alternativa è valida, ma usarla da sola è spesso frustrante. YOLOX si installa a fatica, MMDetection ti intrappola tra le versioni dei wheel, la famiglia RT-DETR è composta da codice di ricerca senza un canale di supporto e Detectron2 è fermo dal 2021. LibreYOLO è al primo posto perché integra già la maggior parte di questi modelli, è mantenuto, usa MIT e uno stack aggiornato, e offre un'unica API familiare. Più che una voce dell'elenco, è il livello che le riunisce.

In breve

1. LibreYOLO

Licenza: MIT (codice). Ideale per la libreria YOLO con licenza MIT più completa e come alternativa drop-in a Ultralytics.

LibreYOLO è la libreria YOLO con licenza MIT che esegue ogni modello tramite un'unica API. È il nostro progetto e, dopo aver visto il resto dell'elenco, il suo ruolo dovrebbe essere chiaro: è l'hub che esegue le alternative. LibreYOLO integra già quasi tutti i repository difficili da usare citati sopra, YOLOX, RTMDet, RF-DETR, D-FINE, DEIM e la linea RT-DETR, in un'unica API familiare e mantenuta. Così hai a disposizione i modelli senza dover ricostruire come installarli o affrontare i problemi di licenza.

C'è anche un motivo che va oltre la praticità. YOLO è nato come ricerca aperta: Darknet di Joseph Redmon, dalla v1 alla v3, era gratuito e chiunque poteva usarlo e svilupparci sopra. L'era AGPL lo ha chiuso. LibreYOLO esiste per rendere di nuovo accessibile quel lavoro, come volevano i suoi creatori: con una licenza permissiva, gestito dalla community e senza inviare dati a casa. Ci sono quindi due aspetti.

Primo: è l'alternativa a Ultralytics YOLO con licenza MIT. Mantiene l'API che già conosci, così puoi trasferire i tuoi dataset e script in formato YOLO con poche modifiche, ma usa MIT invece di AGPL: nessun copyleft che si estende al tuo codice, nessuna licenza commerciale da acquistare e nessuna telemetria che invia dati a casa, come fa Ultralytics per impostazione predefinita. Se sei qui per la licenza, il punto è tutto qui. YOLO9 e RF-DETR sono le opzioni predefinite, testate a fondo e pronte per la produzione; lo zoo più ampio è più recente ed è chiaramente indicato come sperimentale. Preferiamo dirlo apertamente invece di fingere che ogni modello sia stato collaudato a fondo.

from libreyolo import LibreYOLO

model = LibreYOLO("LibreYOLO9c.pt")   # or LibreRFDETRl.pt, LibreDFINEl.pt, ...
results = model("image.jpg", save=True)

Secondo: copre molto più di Ultralytics. Una singola API include oltre 20 famiglie di modelli: YOLO basati su CNN, DETR transformer, backbone ViT, SAM e altro ancora, non solo la gamma di un singolo fornitore. E non offre solo detector:

• Task: segmentazione di istanze e semantica, posa, classificazione e box orientati, oltre a due task che Ultralytics non supporta affatto: la stima della profondità monoculare (Depth Anything V2) e la stima dello sguardo (L2CS).
• Strumenti pratici: tracking multi-oggetto con ID persistenti (ByteTrack e OC-SORT), inferenza video con sottocampionamento dei frame e anteprima dal vivo, inferenza a tasselli per immagini da droni e satelliti, un'interfaccia browser drag-and-drop (libreyolo ui) e un comando doctor che controlla il dataset prima di avviare un addestramento.
• Addestramento avanzato: accumulo del gradiente, congelamento dei layer, ripresa dell'addestramento, test-time augmentation, fine-tuning LoRA/DoRA, multi-GPU e logging con TensorBoard/MLflow/Weights & Biases.
• Esportazione: sette formati (ONNX, TorchScript, TensorRT, OpenVINO, NCNN, CoreML, TFLite), con quantizzazione INT8/FP16, NMS integrato e metadati del modello incorporati.
• Funziona ovunque: accetta percorsi, URL, PIL, NumPy, tensori o byte grezzi, ed esegue su CUDA, Apple Silicon (MPS) o una normale CPU senza modifiche al codice.

Quando il repository di un detector valido è abbandonato o difficile da installare, LibreYOLO ne esegue i pesi su uno stack aggiornato e mantenuto.

2. RF-DETR

Licenza: Apache-2.0 (Nano, Small, Medium, Large). Ideale per rilevamento e segmentazione in produzione.

RF-DETR, di Roboflow e presentato a ICLR 2026, è il modello più pronto per la produzione di questo elenco. È progettato bene, viene da un team che porta i prodotti sul mercato e, quando ti serve un modello affidabile per il rilevamento o la segmentazione in un sistema reale, è un'ottima prima scelta. Il pacchetto rfdetr e i pesi da Nano a Large usano Apache-2.0. I pesi più grandi, XL e 2XL, usano la licenza PML di Roboflow.

3. Lightly

Ideale per dati senza etichette, pretraining self-supervised e distillazione di un backbone DINO.

Lightly non è un detector. Serve a sfruttare i dati che non hai etichettato e si compone di due parti con licenze diverse.

• lightly (LightlySSL), MIT. Un framework di componenti per il self-supervised learning: loss, head, data augmentation, memory bank e implementazioni di riferimento di oltre venti metodi (SimCLR, MoCo, BYOL, DINO, DINOv2, MAE e altri). Scrivi tu il loop di addestramento; il framework ti fornisce tutto il necessario per preaddestrare da zero una rappresentazione usando immagini senza etichette.
• LightlyTrain, AGPL-3.0 (con opzioni commerciali e gratuite per la community). La soluzione pronta all'uso, ovvero il workflow a cui si riferisce la maggior parte delle persone. Indica un foundation model come DINOv2 o DINOv3 e i tuoi dati senza etichette, poi distilla quel backbone in un modello più piccolo che puoi mettere in produzione (YOLO, RT-DETR, ViT o una rete personalizzata) con poche righe e senza etichette. Tieni presente la licenza: AGPL-3.0 impone lo stesso copyleft che spinge le persone a cercare alternative a Ultralytics. Leggi le condizioni se vuoi distribuire software a codice chiuso, oppure scegli la licenza commerciale.

Scegli Lightly quando il collo di bottiglia è avere un buon backbone ma non le etichette. Si abbina ai detector di questo elenco, non compete con loro. Anche le novità lo dimostrano: RT-DETRv4 integra la distillazione di un vision foundation model nell'addestramento e DEIMv2 incorpora direttamente i backbone DINOv3 nel detector.

4. YOLOX

Licenza: Apache-2.0. Ideale per il rilevamento real-time anchor-free, una volta installato.

Il repository originale è fermo dall'ultima release, la v0.3.0 di aprile 2022, e ha oltre 700 issue aperte. Inoltre, è difficile da installare con uno stack del 2026. Non c'è un pyproject.toml e requirements.txt fissa onnx-simplifier==0.4.10, che non offre wheel precompilati per versioni di Python successive alla 3.10. Con un interprete moderno il pacchetto viene quindi compilato dai sorgenti e richiede cmake e una toolchain C++. Anche NumPy non è vincolato a una versione, con il rischio di incompatibilità ABI tra NumPy 2.0 e le versioni più vecchie di pycocotools e torch. Una volta risolte le dipendenze, il rilevamento funziona, ma arrivarci ha un costo.

Il modello in sé è ancora valido: un detector real-time anchor-free di Megvii, con licenza Apache-2.0 sia per il codice sia per i pesi, e una baseline ragionevole anche se nel frattempo detector più recenti lo hanno superato. Rimettere in sesto un repository abbandonato ma valido è il tipo di lavoro che oggi un agente di coding può fare in un pomeriggio, quindi l'installazione è un ostacolo meno insormontabile di quanto sembri. Anche LibreYOLO esegue direttamente i pesi YOLOX su uno stack aggiornato. In entrambi i casi, vale la pena usare l'architettura. Abbiamo scritto una guida più completa qui.

5. L'universo MMDetection

Licenza: per lo più Apache-2.0. Ideale per l'ampia scelta di architetture e per riprodurre i paper.

Per anni MMDetection ha ospitato l'implementazione ufficiale di quasi tutti i paper sul rilevamento: Faster R-CNN, DINO, Grounding-DINO, RTMDet, Mask R-CNN e centinaia di configurazioni. Nel 2026, OpenMMLab ha dismesso la serie mm. L'ultima release di MMDetection è la v3.3.0, di gennaio 2024; le issue restano senza risposta e lo stack è bloccato al vincolo di versione di mmcv, i cui wheel precompilati non sono al passo con le versioni attuali di PyTorch e CUDA. Una nuova installazione tende quindi a rompersi, finché non si fa il downgrade di tutto. Abbiamo parlato di questi problemi qui.

Un'azienda olandese, VBTI, lo tiene in vita. Il suo fork OneDL ripubblica l'intero stack con il prefisso onedl- (onedl-mmdetection, onedl-mmcv, onedl-mmengine e gli altri), ricostruito per PyTorch 2.x, CUDA e Python 3.10+ attuali, risolvendo il vincolo di versione. Usa Apache-2.0 ed è mantenuto attivamente; la versione v3.5.1 è uscita a maggio 2026. Se vuoi tutta la varietà di MMDetection senza il lavoro di installazione, usa questo fork. È mantenuto da un piccolo team, quindi contribuisci se fai affidamento su di esso.

Due strumenti correlati:

• Detectron2 (Meta, Apache-2.0) è in modalità manutenzione e non ha una release taggata dalla v0.6 del 2021, ma è affidabile e resta la fonte più pulita per Mask R-CNN e la famiglia R-CNN, per la segmentazione di istanze e panottica.
• TorchVision (BSD-3-Clause, mantenuto attivamente) include Faster R-CNN, RetinaNet, FCOS, SSD, Mask R-CNN e Keypoint R-CNN. Non include YOLO o DETR moderni e devi scrivere il tuo loop di addestramento, ma è la baseline senza dipendenze aggiuntive.

Una nota sull'uso commerciale: MMYOLO, l'hub di OpenMMLab che reimplementa YOLO, usa GPL-3.0 invece di Apache-2.0 ed è fermo da agosto 2023.

6. La famiglia RT-DETR

Licenza: Apache-2.0 per tutti. Ideale per il rilevamento real-time all'avanguardia con codice di livello ricerca.

L'attuale frontiera del rilevamento real-time è un gruppo di detector transformer correlati, non un modello YOLO. La maggior parte deriva da RT-DETR, condivide gran parte del codice del backbone e dell'encoder, e quasi tutti usano Apache-2.0, quindi passare da un modello all'altro è semplice. Quasi tutti supportano solo il rilevamento, con un'eccezione: EdgeCrafter applica le stesse idee di distillazione anche alla segmentazione e alla posa. Il limite comune è che questi sono repository di ricerca: addestramento tramite file di configurazione, ergonomia diversa da Ultralytics e nessun canale di supporto. I modelli sono validi e in genere l'esportazione ONNX e TensorRT è supportata in modo completo.

• D-FINE (USTC, ICLR 2025 Spotlight). Riformula la regressione dei box come raffinamento della distribuzione con self-distillation. Offre un buon rapporto tra accuratezza e latenza (D-FINE-X raggiunge circa 55.8 AP in circa 13 ms su una T4), è disponibile nelle dimensioni da N a X ed è integrato in Hugging Face Transformers. Questo lo rende il più facile da caricare e sottoporre a fine-tuning al di fuori del suo repository.
• DEIM e DEIMv2 (Intellindust AI Lab). DEIM (CVPR 2025) è una ricetta di addestramento (matching Dense O2O) che si aggiunge a D-FINE o RT-DETRv2 e dimezza circa i tempi di addestramento. DEIMv2 aggiunge le feature DINOv3 e arriva a una variante Atto con meno di 1M di parametri per dispositivi mobili; DEIMv2-S è il primo modello con meno di 10M di parametri a superare 50 AP. È mantenuto attivamente e aggiornato nel 2026.
• EdgeCrafter (Intellindust AI Lab, 2026). Il lavoro più recente dello stesso gruppo e l'unica voce dell'elenco che va oltre il rilevamento: copre il rilevamento (ECDet), la segmentazione di istanze (ECSeg) e la posa (ECPose), ognuno nelle dimensioni S/M/L/X e tutti con licenza Apache-2.0. Adatta un ViT di grandi dimensioni preaddestrato con DINOv3 come teacher specializzato per task e lo distilla in backbone student compatti pensati per l'edge. I risultati sono notevoli per modelli di queste dimensioni: ECDet-S raggiunge 51.7 AP con meno di 10M di parametri sul solo COCO, ECPose-X arriva a 74.8 AP (superando YOLO26Pose-X, a 71.6) e la segmentazione di istanze è competitiva con RF-DETR. È appena uscito, quindi consideralo una release di ricerca, ma è raro trovare un modello compatto che copra tutti e tre i task.
• RT-DETR e RT-DETRv2 (Baidu). Il lavoro originale che sostiene che i "DETR superano YOLO nel rilevamento real-time" (CVPR 2024) e il capostipite della famiglia: senza NMS, end-to-end e facile da esportare. v2 è un aggiornamento del 2024 con una raccolta di miglioramenti gratuiti, un upgrade drop-in con la stessa latenza. Lo stesso repository contiene l'originale Paddle e il port PyTorch canonico, ed è integrato in HF Transformers.
• RT-DETRv3 (Baidu, WACV 2025 Oral) e RT-DETRv4 (Peking University e Tsinghua, fine 2025). v3 è disponibile solo per PaddlePaddle. v4 è il migliore della linea attuale (X si avvicina a 57 AP), usa PyTorch e distilla un vision foundation model in un detector leggero senza costi aggiuntivi in inferenza. La sua codebase riproduce anche D-FINE, DEIM e RT-DETRv2 modificando le configurazioni.
• LW-DETR (Baidu). Un DETR basato su ViT puro, presentato come alternativa transformer a YOLO, disponibile da tiny a xlarge e con esportazione ONNX e TensorRT. È anche alla base di OVLW-DETR a vocabolario aperto. L'attività recente è diminuita; consideralo una release di ricerca stabile.

LibreYOLO integra già molti di questi modelli (D-FINE, DEIM, DEIMv2, RT-DETRv2, RT-DETRv4, RTMDet, EdgeCrafter) con un'unica API; YOLO9 e RF-DETR sono quelli testati più a fondo. Per le implementazioni di riferimento e i checkpoint di ricerca più recenti, i repository originali sopra sono la fonte canonica.

FAQ

Ultralytics YOLO è gratuito per uso commerciale? Solo con AGPL-3.0, che richiede di rilasciare il codice sorgente dell'applicazione che ci costruisci sopra, compresi i servizi di rete. Per l'uso commerciale a codice chiuso serve la licenza commerciale a pagamento di Ultralytics. Le alternative permissive (MIT, Apache-2.0) evitano questo obbligo.

Qual è l'alternativa a Ultralytics con la licenza più semplice? Per uno stack permissivo distribuibile ovunque: LibreYOLO (codice MIT), RF-DETR (Apache-2.0) e YOLOX (Apache-2.0). Nessuno impone il copyleft di AGPL.

Cosa sta sostituendo YOLO nel 2026? Sempre più spesso, i detector transformer real-time: RT-DETR, RF-DETR e la linea D-FINE e DEIM. Su hardware adeguato e con una latenza simile, eguagliano o superano l'accuratezza di YOLO. Le CNN in stile YOLO restano vincenti sui piccoli dispositivi edge, dove quei transformer funzionano male e non hanno un percorso maturo per NCNN o CPU.

Questi modelli funzionano su Raspberry Pi o su un NPU? Dipende dall'esportazione. I detector CNN come YOLOX e RTMDet si esportano in NCNN e funzionano su un Pi; alcuni, come YOLOX, funzionano anche sul NPU Hailo. I detector transformer come RF-DETR no: richiedono una GPU o una CPU potente.

Provalo

pip install libreyolo

from libreyolo import LibreYOLO

model = LibreYOLO("LibreRFDETRl.pt")
results = model("image.jpg", save=True)
print(results[0].boxes.xyxy)
print(results[0].boxes.conf)

LibreYOLO usa la licenza MIT, funziona su Linux, Mac e Windows, e gira su GPU, Apple Silicon e una normale CPU senza modifiche al codice. Un'unica API copre RF-DETR, D-FINE, DEIM, YOLOX, YOLO-NAS, RTMDet, RT-DETR, EdgeCrafter e altri, per rilevamento, segmentazione, posa, classificazione, profondità, gaze e tracking.

Aggiungilo ai preferiti su GitHub: github.com/LibreYOLO/libreyolo | Documentazione: libreyolo.com/docs