DAMO-YOLO vs EfficientDet#

L'evoluzione della visione artificiale ha prodotto numerose architetture potenti, progettate per soddisfare esigenze diverse nel mondo reale. Alcuni framework privilegiano la scalabilità su larga scala, mentre altri puntano soprattutto sulla velocità di inferenza in tempo reale. In questo confronto tecnico analizziamo DAMO-YOLO ed EfficientDet, due modelli molto influenti che rappresentano approcci distinti al problema del rilevamento degli oggetti. Esamineremo nel dettaglio le loro architetture, confronteremo le prestazioni nei benchmark e vedremo perché il nuovo Ultralytics YOLO26 è la scelta ottimale per i deployment di produzione moderni.

Panoramica dell'architettura#

Entrambi i modelli sono stati progettati per affrontare il compromesso tra efficienza e accuratezza, ma si affidano a meccanismi fondamentalmente diversi per raggiungere i propri obiettivi.

DAMO-YOLO: velocità grazie alla ricerca di architetture neurali#

Sviluppato per superare i limiti del rilevamento in tempo reale, DAMO-YOLO sfrutta tecniche di ricerca automatizzata per creare reti altamente efficienti, pensate per gli ambienti a bassa latenza.

Dettagli su DAMO-YOLO:

• Autori: Xianzhe Xu, Yiqi Jiang, Weihua Chen, Yilun Huang, Yuan Zhang e Xiuyu Sun
• Organizzazione: Alibaba Group
• Data: 2022-11-23
• Arxiv: https://arxiv.org/abs/2211.15444v2
• GitHub: https://github.com/tinyvision/DAMO-YOLO

DAMO-YOLO si basa su un backbone di ricerca di architetture neurali (NAS), ottimizzato sia per la velocità sia per l'accuratezza. Introduce RepGFPN (rete piramidale di caratteristiche generalizzata riparametrizzata), che migliora la fusione delle caratteristiche mantenendo velocità di inferenza elevate. Inoltre, il design ZeroHead riduce al minimo il sovraccarico computazionale tipicamente associato alle head di rilevamento. Il modello beneficia anche di AlignedOTA (assegnazione ottimale del trasporto allineata) e del miglioramento tramite distillazione, che consentono anche alle varianti più piccole di apprendere rappresentazioni ricche dai modelli più grandi.

Scopri di più su DAMO-YOLO

EfficientDet: scalabilità grazie allo scaling composto#

A differenza dell'approccio che privilegia la velocità, EfficientDet si concentra sulla scalabilità sistematica in base ai diversi budget di calcolo.

Dettagli su EfficientDet:

• Autori: Mingxing Tan, Ruoming Pang e Quoc V. Le
• Organizzazione: Google Brain
• Data: 2019-11-20
• Arxiv: https://arxiv.org/abs/1911.09070
• GitHub: https://github.com/google/automl/tree/master/efficientdet

EfficientDet introduce BiFPN (rete piramidale di caratteristiche bidirezionale), che consente una fusione delle caratteristiche multiscala semplice e rapida. A differenza dei metodi tradizionali, che ampliano le architetture aggiungendo arbitrariamente layer o canali, EfficientDet usa un metodo di scaling composto che aumenta uniformemente e simultaneamente risoluzione, profondità e larghezza del backbone, della rete delle caratteristiche e delle reti di predizione di box e classi. In questo modo raggiunge un'accuratezza all'avanguardia sull'hardware di fascia alta, offrendo al contempo varianti più piccole per gli ambienti con risorse limitate.

Scopri di più su EfficientDet

Confronto delle prestazioni e delle metriche#

Confrontando questi modelli fianco a fianco, emerge chiaramente il compromesso tra accuratezza pura e velocità di inferenza. La tabella seguente illustra le principali metriche di prestazione e mostra come le capacità di inferenza di DAMO-YOLO si confrontano con la famiglia di modelli EfficientDet.

Come mostrato sopra, EfficientDet-d7 raggiunge l'accuratezza complessiva più elevata, risultando adatto alle applicazioni cloud più impegnative. La serie DAMO-YOLO, invece, offre un'accuratezza molto competitiva con una latenza notevolmente inferiore sull'hardware GPU, rendendola una scelta più indicata per le implementazioni edge in tempo reale.

Casi d'uso e consigli#

La scelta tra DAMO-YOLO ed EfficientDet dipende dai requisiti specifici del tuo progetto, dai vincoli di implementazione e dalle preferenze relative all'ecosistema.

Quando scegliere DAMO-YOLO#

DAMO-YOLO è un'ottima scelta per:

• Analisi video ad alto throughput: elaborazione di flussi video ad alto FPS su infrastrutture GPU NVIDIA fisse, dove il throughput con batch di dimensione 1 è la metrica principale.
• Linee di produzione industriale: scenari con rigidi vincoli di latenza GPU su hardware dedicato, come l'ispezione della qualità in tempo reale sulle linee di assemblaggio.
• Ricerca sulla ricerca di architetture neurali: studio degli effetti della ricerca automatizzata delle architetture (MAE-NAS) e dei backbone efficienti riparametrizzati sulle prestazioni di rilevamento.

Quando scegliere EfficientDet#

EfficientDet è consigliato per:

• Pipeline Google Cloud e TPU: Sistemi strettamente integrati con le API Google Cloud Vision o con infrastrutture TPU, per le quali EfficientDet dispone di un'ottimizzazione nativa.
• Ricerca sullo scaling composto: Benchmark accademici incentrati sugli effetti di uno scaling bilanciato di profondità, larghezza e risoluzione della rete.
• Implementazione mobile con LiteRT: Progetti che richiedono specificamente l'esportazione in LiteRT (in precedenza TensorFlow Lite) per Android o dispositivi Linux embedded.

Quando scegliere Ultralytics (YOLO26)#

Per la maggior parte dei nuovi progetti, Ultralytics YOLO26 offre la combinazione migliore di prestazioni ed esperienza per gli sviluppatori:

• Distribuzione edge senza NMS: applicazioni che richiedono inferenza costante a bassa latenza senza la complessità della post-elaborazione con soppressione non massima.
• Ambienti con sola CPU: dispositivi senza accelerazione GPU dedicata, sui quali l'inferenza su CPU di YOLO26, fino al 43% più veloce, offre un vantaggio decisivo.
• Rilevamento di oggetti di piccole dimensioni: scenari complessi come le immagini aeree acquisite da droni o l'analisi dei sensori IoT, in cui ProgLoss e STAL migliorano notevolmente la precisione sugli oggetti molto piccoli.

L'alternativa moderna: Ultralytics YOLO26#

Sebbene DAMO-YOLO ed EfficientDet rappresentino importanti traguardi accademici, le implementazioni nel mondo reale richiedono spesso un approccio più equilibrato, completo e intuitivo per gli sviluppatori. È qui che Ultralytics YOLO26 stabilisce un nuovo standard di settore.

Rilasciato a gennaio 2026, YOLO26 si basa sull'eredità dei suoi predecessori, tra cui Ultralytics YOLO11 e YOLOv8, e cambia radicalmente il modo in cui affrontiamo il rilevamento degli oggetti.

Prestazioni e versatilità senza pari#

YOLO26 non migliora soltanto la velocità: ridefinisce la stabilità dell'addestramento e l'accuratezza. Introduce l'ottimizzatore MuSGD, un ibrido di SGD e Muon ispirato alle innovazioni nell'addestramento degli LLM, che consente una convergenza notevolmente più rapida e un'efficienza di addestramento superiore. A differenza delle alternative basate su Transformer più pesanti, come RT-DETR, YOLO26 richiede pochissima memoria e può quindi essere addestrato su hardware di fascia consumer.

Inoltre, YOLO26 integra ProgLoss + STAL, migliorando notevolmente il riconoscimento degli oggetti piccoli, essenziale in casi d'uso come le immagini aeree acquisite da droni e la robotica. Per ottimizzare il modello per i dispositivi a basso consumo, YOLO26 ha rimosso la Distribution Focal Loss (DFL), ottenendo un'inferenza su CPU fino al 43% più veloce rispetto alle generazioni precedenti.

Ecosistema e facilità d’uso#

Una delle principali difficoltà dei modelli come EfficientDet è la complessità del processo di integrazione. Al contrario, la piattaforma Ultralytics offre un ecosistema end-to-end ben mantenuto. Grazie a un'API unificata, puoi passare facilmente dal rilevamento alla segmentazione di istanze, alla classificazione di immagini, alla stima della posa e ai box di delimitazione orientati (OBB).

Ecco quanto è semplice addestrare YOLO26 ed eseguire l'inferenza con il pacchetto Python di Ultralytics:

from ultralytics import YOLO

# Carica il modello nano YOLO26 all'avanguardia
model = YOLO("yolo26n.pt")

# Addestra il modello sul tuo dataset personalizzato con un ingombro minimo in memoria
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

# Esegui un'inferenza NMS-free ultrarapida
predictions = model.predict("https://ultralytics.com/images/bus.jpg", nms=False)

Conclusione#

Esplorare il confronto tra DAMO-YOLO ed EfficientDet offre ottimi spunti sui compromessi tra ricerca di architetture neurali e scaling composto, ma gli sviluppatori di oggi hanno bisogno di strumenti che colmino il divario tra la ricerca accademica e le esigenze della produzione.

Per gli sviluppatori che privilegiano la semplicità d'uso, una community open source attiva e un equilibrio senza compromessi tra velocità e accuratezza, Ultralytics YOLO26 è la scelta ideale. L'architettura senza NMS, il basso sovraccarico di addestramento e la perfetta integrazione con il completo ecosistema Ultralytics ne fanno il framework definitivo per il tuo prossimo progetto di visione artificiale.