Inizia

EfficientDet vs YOLO11

La scelta della giusta architettura di rete neurale è la base di qualsiasi applicazione di visione artificiale di successo. Questa guida propone un confronto tecnico tra EfficientDet di Google e Ultralytics YOLO11, analizzando le differenze architetturali, le metriche di prestazione e gli scenari di distribuzione più adatti.

Che tu voglia ottenere una latenza di pochi millisecondi sui dispositivi di IA edge o abbia bisogno di una precisione scalabile per l’inferenza basata su cloud, è utile capire in cosa differiscono questi modelli.

Profili dei modelli e dettagli tecnici#

Comprendere la genealogia e la filosofia progettuale alla base di ciascuna architettura aiuta a contestualizzarne le prestazioni nelle attività di rilevamento degli oggetti del mondo reale.

EfficientDet#

Sviluppato dai ricercatori di Google Brain, EfficientDet ha introdotto un approccio rigoroso allo scaling delle reti per il rilevamento degli oggetti, insieme alla nuova BiFPN (rete bidirezionale a piramide di feature).

Scopri di più su EfficientDet

YOLO11#

YOLO11 rappresenta un’evoluzione significativa nell’ecosistema Ultralytics, con miglioramenti alle prestazioni in tempo reale, all’efficienza dei parametri e all’apprendimento multi-task.

Confronto architetturale#

Le differenze architetturali tra questi due modelli evidenziano la divergenza delle strategie progettuali sviluppatesi nel corso degli anni.

EfficientDet usa EfficientNet come backbone e introduce BiFPN, che consente la fusione di caratteristiche multi-scala dall’alto verso il basso e dal basso verso l’alto. Usa un metodo di ridimensionamento composto che ridimensiona uniformemente risoluzione, profondità e larghezza di backbone, rete delle caratteristiche e reti di predizione di box e classi. Sebbene sia molto efficace per massimizzare la precisione media (mAP), l’instradamento complesso di BiFPN può talvolta creare colli di bottiglia nella larghezza di banda della memoria durante l’inferenza.

YOLO11, invece, usa un modulo C3k2 ottimizzato e una testa di rilevamento senza anchor. Questo approccio semplificato riduce al minimo il sovraccarico durante l’estrazione delle caratteristiche. Ultralytics ha progettato YOLO11 per sfruttare al massimo le GPU, ottenendo requisiti di memoria nettamente inferiori durante l’addestramento e l’inferenza rispetto alle architetture meno recenti o ai pesanti modelli Transformer.

Versatilità multi-task

Mentre EfficientDet è esclusivamente un rilevatore di oggetti, YOLO11 è molto versatile. Una singola architettura YOLO11 supporta nativamente la segmentazione delle istanze, la classificazione delle immagini, la stima della posa e i riquadri di delimitazione orientati (OBB).

Benchmark delle prestazioni#

La tabella seguente confronta le prestazioni delle due famiglie di modelli a diverse scale sul dataset COCO.

Modellodimensione
(pixel)
mAPval50-95Velocità
CPU ONNX
(ms)
Velocità
T4 TensorRT10
(ms)
parametri
(M)
FLOPs
(B)
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
YOLO11n64039.556.11.52.66.5
YOLO11s64047.090.02.59.421.6
YOLO11m64051.5183.24.720.168.1
YOLO11l64053.4238.66.225.387.2
YOLO11x64054.7462.811.356.9195.3

Analisi equilibrata: punti di forza e debolezze#

YOLO11 è all'avanguardia negli ambienti GPU. Per esempio, YOLO11m raggiunge un mAP del 51,5% in 4,7 ms su una GPU T4 usando TensorRT. Per ottenere la stessa accuratezza, EfficientDet-d5 impiega 67,86 ms, oltre 14 volte più lentamente. Questo dimostra l'equilibrio prestazionale dei modelli Ultralytics per le applicazioni in tempo reale.

Metodologia di addestramento ed ecosistema#

L’esperienza di sviluppo è spesso importante quanto le capacità teoriche del modello. È qui che l’ecosistema Ultralytics si distingue.

EfficientDet dipende fortemente dal vecchio ecosistema TensorFlow e da librerie AutoML complesse. Configurare una pipeline di addestramento personalizzata comporta una curva di apprendimento ripida, una gestione intricata delle dipendenze e la configurazione manuale degli anchor e delle funzioni di loss.

Ultralytics, invece, è progettato per essere facile da usare. Grazie a un ecosistema PyTorch ben mantenuto, bastano poche righe di codice per addestrare un modello YOLO. Il framework gestisce automaticamente fin da subito l’augmentation dei dati e la pianificazione del learning rate e include la regolazione degli iperparametri.

Esempio di codice: iniziare con Ultralytics#

Questo frammento mostra quanto siano semplici l’addestramento e l’inferenza con l’API Python.

from ultralytics import YOLO

# Carica un modello YOLO11 small preaddestrato
model = YOLO("yolo11s.pt")

# Addestra il modello sul tuo dataset personalizzato
train_results = model.train(data="coco8.yaml", epochs=50, imgsz=640, device=0)

# Esegui un'inferenza rapida su un'immagine
results = model.predict("https://ultralytics.com/images/bus.jpg")
results[0].show()

Casi d'uso ideali#

Quando usare EfficientDet: EfficientDet resta una scelta valida negli ambienti di ricerca che si basano ampiamente su pipeline TensorFlow.

Quando usare YOLO11: YOLO11 è un’ottima scelta per le moderne distribuzioni aziendali. La sua velocità lo rende adatto ai veicoli autonomi, all’analisi sportiva in tempo reale e al rilevamento ad alto throughput dei difetti di fabbricazione. Il minore utilizzo di memoria consente inoltre di distribuirlo con flessibilità su hardware con risorse limitate, come NVIDIA Jetson.

Uno sguardo al futuro: l'aggiornamento a YOLO26#

Sebbene YOLO11 sia molto valido, gli sviluppatori che avviano nuovi progetti dovrebbero valutare il nuovo YOLO26, mentre il collaudato YOLOv8 resta disponibile per le distribuzioni esistenti. Rilasciato a gennaio 2026, YOLO26 si basa su YOLO11 e introduce diverse innovazioni:

  • Design end-to-end senza NMS: basandosi su YOLOv10, YOLO26 può saltare completamente la soppressione dei massimi non (NMS) come fase di post-elaborazione grazie alla sua testa opzionale one-to-one (nms=False), riducendo la latenza e semplificando le pipeline di distribuzione.
  • Ottimizzatore MuSGD: un ottimizzatore ibrido che combina SGD standard e Muon (ispirato all’addestramento dei modelli linguistici di grandi dimensioni) e migliora la stabilità dell’addestramento.
  • Inferenza CPU fino al 43% più veloce: YOLO26n è fino al 43% più veloce di YOLO11n su CPU, rendendo YOLO26 adatto ai dispositivi edge senza GPU discrete.
  • ProgLoss + STAL: la Loss progressiva e l’assegnazione delle etichette consapevole degli oggetti piccoli migliorano il rilevamento degli oggetti piccoli, fondamentale per le immagini aeree e la robotica.

Scopri il panorama più ampio delle architetture di visione, inclusi i rilevatori basati su Transformer come RT-DETR, nella documentazione Ultralytics.

Commenti

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