Inizia

DAMO-YOLO vs EfficientDet

La ricerca sulla computer vision ha prodotto numerose architetture progettate per diverse esigenze del mondo reale. Alcuni framework privilegiano la scalabilità, mentre altri si concentrano sulla velocità di inferenza in tempo reale. Questo confronto esamina DAMO-YOLO ed EfficientDet, due modelli influenti che adottano approcci distinti al rilevamento degli oggetti. Analizza le loro architetture, ne confronta le prestazioni nei benchmark e spiega perché Ultralytics YOLO26 è un'ottima scelta per i deployment moderni in produzione.

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.

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:

DAMO-YOLO si basa su un backbone di ricerca dell'architettura neurale (NAS), ottimizzato sia per la velocità sia per l'accuratezza. Introduce RepGFPN (rete piramidale delle feature generalizzata riparametrizzata), che migliora la fusione delle feature mantenendo elevate velocità di inferenza. Inoltre, il design ZeroHead riduce al minimo l'overhead computazionale tipicamente associato alle head di rilevamento. Il modello utilizza anche AlignedOTA (assegnazione ottimale del trasporto allineato) per l'assegnazione delle etichette e la distillazione della conoscenza, così anche le varianti più piccole apprendono 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:

EfficientDet introduce BiFPN (rete piramidale delle feature bidirezionale), che consente una rapida fusione delle feature a più scale. A differenza dei metodi tradizionali, che ampliano le architetture aggiungendo arbitrariamente layer o canali, EfficientDet utilizza un metodo di scaling composto che scala uniformemente e simultaneamente risoluzione, profondità e larghezza del backbone, della rete delle feature e delle reti di predizione di box e classi. Questo gli ha permesso di raggiungere, al momento del rilascio, un'accuratezza all'avanguardia su 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#

Il confronto diretto rende evidente il compromesso tra accuratezza e velocità di inferenza. La tabella seguente presenta le principali metriche di prestazione e mostra come le capacità di inferenza di DAMO-YOLO si confrontano con la famiglia di modelli EfficientDet.

Modellodimensione
(pixel)
mAPval50-95Velocità
CPU ONNX
(ms)
Velocità
T4 TensorRT10
(ms)
parametri
(M)
FLOPs
(B)
DAMO-YOLOt64042.0-2.328.518.1
DAMO-YOLOs64046.0-3.4516.337.8
DAMO-YOLOm64049.2-5.0928.261.8
DAMO-YOLOl64050.8-7.1842.197.3
EfficientDet-d051234.6-3.923.92.54
EfficientDet-d164040.5-7.316.66.1
EfficientDet-d276843.0-10.928.111.0
EfficientDet-d389647.5-19.5912.024.9
EfficientDet-d4102449.7-33.5520.755.2
EfficientDet-d5128051.5-67.8633.7130.0
EfficientDet-d6128052.6-89.2951.9226.0
EfficientDet-d7153653.7-128.0751.9325.0

EfficientDet-d7 raggiunge l'accuratezza complessiva più elevata, risultando adatto alle applicazioni cloud più esigenti. La serie DAMO-YOLO offre un'accuratezza competitiva con una latenza molto inferiore su hardware GPU, risultando quindi una scelta migliore per i deployment 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:

  • Google Cloud e pipeline TPU: sistemi basati su TensorFlow nell’infrastruttura Google Cloud TPU, dove l’implementazione di riferimento di EfficientDet supporta l’addestramento su TPU.
  • 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 un’inferenza costante e a bassa latenza, senza la complessità della post-elaborazione con Non-Maximum Suppression (NMS).
  • Ambienti con sola CPU: dispositivi privi di accelerazione GPU dedicata, in cui l'inferenza su CPU di YOLO26n, fino al 43% più veloce rispetto a YOLO11n, offre un chiaro vantaggio.
  • 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 siano importanti traguardi accademici, il deployment nel mondo reale richiede spesso un approccio più equilibrato, ricco di funzionalità e intuitivo per gli sviluppatori. Ultralytics YOLO26 è progettato proprio a questo scopo.

Rilasciato a gennaio 2026, YOLO26 si basa sull'eredità dei predecessori, tra cui Ultralytics YOLO11 e YOLOv8, e semplifica l'addestramento e il deployment dei modelli di rilevamento degli oggetti.

Semplicità end-to-end

YOLO26 presenta un design end-to-end nativamente senza NMS (nms=False). Rimuovendo la soppressione non massima (NMS) dalla post-elaborazione, da tempo un collo di bottiglia nel deployment dei rilevatori di oggetti, YOLO26 offre una pipeline di deployment più semplice e rapida, soprattutto su hardware edge.

Prestazioni e versatilità#

YOLO26 migliora la stabilità e l'accuratezza dell'addestramento oltre alla velocità. Introduce l'ottimizzatore MuSGD, un ibrido di SGD e Muon ispirato all'addestramento degli LLM, per una convergenza più rapida e un addestramento più efficiente. A differenza di alternative più pesanti basate su Transformer come RT-DETR, YOLO26 mantiene bassi i requisiti di memoria e può quindi essere addestrato su hardware di fascia consumer.

YOLO26 integra anche ProgLoss + STAL, che migliora il riconoscimento degli oggetti piccoli 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 per YOLO26n un'inferenza su CPU fino al 43% più veloce rispetto a YOLO11n.

Ecosistema e facilità d’uso#

Una delle principali difficoltà dei modelli come EfficientDet è la complessità del processo di integrazione. La Ultralytics Platform offre invece un ecosistema end-to-end ben mantenuto. Grazie a un'API unificata, puoi passare facilmente dal rilevamento alla segmentazione di istanza, alla classificazione delle immagini, alla stima della posa e alle bounding box orientate (OBB).

Per addestrare ed eseguire l'inferenza con YOLO26 bastano poche righe con il pacchetto Python di Ultralytics:

from ultralytics import YOLO

# Carica il modello YOLO26 nano
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#

Il confronto tra DAMO-YOLO ed EfficientDet mette in luce i compromessi tra ricerca dell'architettura neurale e scaling composto, ma il lavoro in produzione richiede anche strumenti che colmino il divario tra ricerca accademica e deployment.

Per gli sviluppatori che danno priorità alla semplicità d'uso, a una community open source attiva e a un buon equilibrio tra velocità e accuratezza, Ultralytics YOLO26 è la scelta consigliata. L'architettura senza NMS, il basso overhead di addestramento e l'integrazione con l'ecosistema Ultralytics ne fanno una base pratica per il tuo prossimo progetto di computer vision.

Commenti2

Fai una domanda, condividi i tuoi risultati o aiuta qualcun altro.

  1. UltralyticsAssistantGitHubUltralytics

    👋 Hello, thank you for starting this discussion and for your interest in Ultralytics 🚀! For more details on model comparisons and best practices, we recommend checking out the Docs where you’ll find further insights on different architectures, metrics, and use cases.

    If this is a 🐛 Bug Report, please provide a minimum reproducible example to help us investigate.

    If you have a custom training ❓ Question, please include all relevant information such as dataset examples, training logs, and verify you are following our Tips for Best Training Results.

    Join our vibrant community! For real-time chat, visit Discord 🎧. For more in-depth discussions, check out Discourse, or join our Subreddit to connect with fellow users.

    Upgrade

    Please upgrade to the latest ultralytics package and all requirements in a Python>=3.8 environment with PyTorch>=1.8 to ensure you’re using the most up-to-date features:

    pip install -U ultralytics

    Environments

    YOLO runs in the following up-to-date verified environments (all dependencies including CUDA/CUDNN, Python, and PyTorch preinstalled):

    Status

    Ultralytics CI

    If this badge is green, all Ultralytics CI tests are currently passing. CI tests verify correct operation of all YOLO Modes and Tasks on macOS, Windows, and Ubuntu every 24 hours and on every commit.

    This is an automated response to help guide you. An Ultralytics engineer will also review your discussion and assist you soon! 😊

    1. Glenn JocherUltralytics(modificato)

      Welcome to the discussion about DAMO-YOLO vs. EfficientDet! This is a great place to ask questions or share your experiences with either model.

      The comparison highlights how DAMO-YOLO generally achieves higher mAP with faster TensorRT speeds, while EfficientDet offers strong CPU performance and parameter efficiency. For most users seeking a balance of performance, ease of use and versatility, Ultralytics models like YOLO26 provide significant advantages with our well-maintained ecosystem.

      If you have specific questions about implementation details, performance in certain scenarios, or need guidance choosing between these architectures for your specific use case, please drop them here. The Ultralytics team regularly monitors these discussions and is happy to provide insights.