Inizia

EfficientDet vs YOLO26

Scegliere l'architettura di visione artificiale giusta è un passaggio fondamentale per costruire sistemi AI scalabili ed efficienti. Questa guida offre un confronto tecnico tra EfficientDet di Google, rilasciato nel 2019, e Ultralytics YOLO26, rilasciato a gennaio 2026. Valuta le architetture sottostanti, le metriche di prestazione e i metodi di addestramento per aiutarti a selezionare il modello migliore in base ai vincoli della tua distribuzione.

Origini e autori dei modelli#

Conoscere le origini di queste architetture offre un contesto prezioso sulle rispettive filosofie di progettazione e sui casi d'uso previsti.

EfficientDet

Scopri di più su EfficientDet

YOLO26

Innovazioni architetturali#

Le differenze architetturali tra questi due modelli sono marcate e riflettono i rapidi progressi del deep learning degli ultimi anni.

EfficientDet è stato progettato attorno a BiFPN (rete piramidale delle caratteristiche bidirezionale) e usa un metodo di ridimensionamento composto per risoluzione, profondità e larghezza. Sebbene nel 2019 abbia raggiunto un'eccellente efficienza, dipende fortemente da framework TensorFlow meno recenti e da complessi algoritmi di ricerca AutoML, spesso difficili da adattare ai dataset personalizzati.

Al contrario, Ultralytics YOLO26 è il modello Ultralytics più recente per la visione artificiale in tempo reale. Introduce diversi miglioramenti architetturali progettati per le moderne pipeline di distribuzione:

  • Design end-to-end senza NMS: YOLO26 offre una testa nativa end-to-end uno-a-uno (nms=False) che elimina la necessità della post-elaborazione con soppressione dei massimi non locali (NMS). Questo approccio, introdotto per la prima volta in YOLOv10, semplifica e velocizza la logica di distribuzione e riduce la variabilità della latenza sui chip edge.
  • Rimozione di DFL: eliminando la Loss focale di distribuzione (DFL), YOLO26 semplifica la testa di output, migliorando la compatibilità con l’edge computing e i dispositivi a basso consumo.
  • Ottimizzatore MuSGD: ispirato alle tecniche di addestramento dei modelli linguistici di grandi dimensioni, come quelle alla base di Kimi K2 di Moonshot AI, YOLO26 usa l’ottimizzatore MuSGD, un ibrido di SGD e Muon. Questo offre un addestramento più stabile e una convergenza più rapida rispetto agli ottimizzatori standard.
  • ProgLoss + STAL: la Loss progressiva (ProgLoss), combinata con l’assegnazione delle etichette consapevole degli oggetti piccoli (STAL), migliora notevolmente il riconoscimento degli oggetti piccoli, fondamentale per le immagini aeree e la robotica.
Consiglio: distribuzione senza NMS

Selezionando la testa senza NMS (nms=False), è possibile eseguire l’intero modello come un unico grafo di calcolo continuo. Questo semplifica l’esportazione in formati come ONNX o TensorRT e migliora l’utilizzo di NPU/GPU.

Metriche di prestazione e benchmark#

La vera prova di qualsiasi modello di rilevamento degli oggetti è il suo rendimento nel mondo reale. La tabella seguente confronta la precisione, misurata con la precisione media (mAP), con le velocità di inferenza e i requisiti computazionali.

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
YOLO26n64040.938.91.72.45.5
YOLO26s64048.687.22.59.520.9
YOLO26m64053.1220.04.720.468.4
YOLO26l64055.0286.26.224.886.8
YOLO26x64057.5525.811.855.7194.4

Come mostrato sopra, YOLO26 offre un equilibrio tra prestazioni nettamente migliore. Sebbene le varianti più piccole di EfficientDet abbiano pochissimi FLOPs, YOLO26 garantisce un’inferenza GPU decisamente più rapida a ogni livello di precisione. Per esempio, YOLO26x raggiunge 57.5 mAP ed è oltre 10 volte più veloce su T4 con TensorRT rispetto a EfficientDet-d7. YOLO26n offre inoltre un’inferenza CPU fino al 43% più veloce di YOLO11n, rendendo YOLO26 un’ottima scelta per l’IA edge.

I vantaggi dell’ecosistema Ultralytics#

La scelta di un’architettura raramente dipende solo dai FLOPs teorici; è fortemente legata ai flussi di lavoro di ingegneria. Molti sviluppatori scelgono Ultralytics per la sua facilità d’uso.

L’addestramento di EfficientDet spesso richiede una gestione complessa delle dipendenze, la regolazione manuale degli iperparametri e configurazioni TensorFlow obsolete. Al contrario, i modelli Ultralytics offrono un’API semplice. La stessa esperienza è disponibile sulla piattaforma Ultralytics, che include fin da subito addestramento cloud, annotazione dei dati e monitoraggio degli esperimenti in tempo reale.

Anche i rilevatori basati su Transformer e i complessi modelli AutoML tendono a consumare molta memoria. I modelli Ultralytics sono noti per i loro requisiti di memoria contenuti: puoi quindi addestrare modelli robusti su hardware consumer senza incorrere in errori di memoria esaurita (OOM).

Versatilità e supporto delle attività#

EfficientDet è esclusivamente una rete di rilevamento degli oggetti. YOLO26 è un modello unificato di apprendimento multi-task. Integra nativamente nell'architettura innovazioni specifiche per ciascun task:

  • Loss di segmentazione semantica e proto multi-scala per maschere di segmentazione delle istanze di qualità superiore.
  • Stima della verosimiglianza logaritmica residua (RLE) per migliorare la precisione della stima della posa.
  • Procedure specializzate per la funzione di perdita angolare, utili a risolvere i problemi ai bordi nelle bounding box orientate (OBB).
Supporto per sistemi legacy

Se gestisci sistemi meno recenti, Ultralytics continua a supportare completamente YOLO11 e le versioni precedenti tramite la stessa API. Per tutti i nuovi sviluppi, tuttavia, YOLO26 offre il miglior rapporto tra risorse impiegate e precisione.

Casi d'uso e consigli#

La scelta tra EfficientDet e YOLO26 dipende dai requisiti specifici del tuo progetto, dai vincoli di distribuzione e dalle tue preferenze in termini di ecosistema.

Quando scegliere EfficientDet#

EfficientDet è una scelta valida 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 YOLO26#

YOLO26 è consigliato per:

  • Distribuzione edge senza NMS: applicazioni che richiedono inferenza costante a bassa latenza senza la complessità della post-elaborazione con soppressione non massima.
  • Ambienti solo CPU: dispositivi senza accelerazione GPU dedicata, in cui l'inferenza CPU fino al 43% più veloce di YOLO26 (YOLO26n rispetto a YOLO11n) offre un chiaro vantaggio.
  • Rilevamento di oggetti piccoli: 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 minuscoli.

Esempio di implementazione: addestrare YOLO26#

Con il pacchetto Python Ultralytics, bastano poche righe di codice per avviare un addestramento ottimizzato. Il framework gestisce nativamente il ridimensionamento a precisione mista, l’orchestrazione multi-GPU tramite PyTorch e le pipeline di augmentation.

from ultralytics import YOLO

# Load the lightweight, end-to-end YOLO26n model
model = YOLO("yolo26n.pt")

# Train on the COCO8 dataset
results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    device=0,  # Train on the first CUDA GPU
)

# Export the NMS-free end-to-end head to ONNX
exported_path = model.export(format="onnx", nms=False)
print(f"Model seamlessly exported to: {exported_path}")

Conclusione: quale modello scegliere?#

EfficientDet rimane una tappa importante nella ricerca sul ridimensionamento composto. Per le applicazioni moderne, tuttavia, sia che vengano distribuite su cluster cloud o su dispositivi Raspberry Pi con risorse limitate, il confronto favorisce Ultralytics YOLO26.

Eliminando NMS, riducendo i requisiti di VRAM e integrandosi con un ecosistema per sviluppatori maturo, YOLO26 è l’architettura consigliata per una visione artificiale robusta e pronta per la produzione. Che tu debba rilevare difetti di fabbricazione o mappare le rese agricole, la piattaforma Ultralytics ti aiuta a passare rapidamente dal dataset alla distribuzione.

Commenti

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