EfficientDet vs YOLOv5
Scegliere l'architettura di rete neurale giusta è un passaggio decisivo in qualsiasi progetto di visione artificiale. L'equilibrio tra latenza di inferenza, efficienza dei parametri e precisione di rilevamento determina le prestazioni di un modello nel mondo reale. Questa guida tecnica analizza due framework influenti per il rilevamento degli oggetti: EfficientDet di Google e Ultralytics YOLOv5.
Confrontando le innovazioni architetturali, le metodologie di addestramento e le capacità di deployment, gli sviluppatori possono prendere decisioni informate per i propri ambienti di deployment, sia che debbano scalare su server cloud sia che debbano eseguire i modelli su dispositivi edge con risorse limitate.
EfficientDet: architettura scalabile con BiFPN#
Introdotto da Google Research, EfficientDet è stato progettato per ridimensionare sistematicamente sia il backbone sia la rete di caratteristiche, così da ottenere un'elevata precisione con meno parametri rispetto ai modelli precedenti più avanzati.
Dettagli del modello#
- Autori: Mingxing Tan, Ruoming Pang e Quoc V. Le
- Organizzazione: Google Research
- Data: 20 novembre 2019
- arXiv: EfficientDet: rilevamento degli oggetti scalabile ed efficiente
- GitHub: google/automl/efficientdet
Innovazioni architetturali#
EfficientDet usa il modello di classificazione EfficientNet come backbone, con un metodo di compound scaling che ridimensiona uniformemente larghezza, profondità e risoluzione della rete. Il contributo più rilevante di EfficientDet al rilevamento degli oggetti è l'introduzione della rete piramidale di caratteristiche bidirezionale (BiFPN). A differenza delle reti piramidali di caratteristiche standard, che aggregano semplicemente le caratteristiche dall'alto verso il basso, BiFPN consente connessioni bidirezionali complesse tra scale diverse e introduce pesi apprendibili per determinare l'importanza delle diverse caratteristiche di input.
Sebbene sia molto accurato, EfficientDet dipende fortemente dall'ecosistema TensorFlow e da librerie specifiche di AutoML. Questa dipendenza può rendere talvolta complicata l'integrazione in pipeline di deployment personalizzate e leggere o in ambienti che privilegiano i grafi computazionali dinamici.
Ultralytics YOLOv5: democratizzare l'AI real-time#
Rilasciato a metà 2020, Ultralytics YOLOv5 ha reso YOLO molto più accessibile grazie a un'implementazione nativa dell'architettura in PyTorch. Ha fissato un nuovo standard per l'esperienza di sviluppo, l'efficienza di addestramento e la flessibilità del deployment in tempo reale.
Dettagli del modello#
- Autore: Glenn Jocher
- Organizzazione: Ultralytics
- Data: 26 giugno 2020
- GitHub: ultralytics/yolov5
- Documentazione: Documentazione di YOLOv5
Innovazioni architetturali#
YOLOv5 ha introdotto notevoli miglioramenti rispetto ai predecessori, utilizzando un backbone CSPDarknet (Cross-Stage Partial) che migliora il flusso del gradiente riducendo al contempo il numero totale di parametri. YOLOv5 integra anche box anchor ad apprendimento automatico, che calcolano automaticamente i priori dei box delimitatori a partire dai tuoi dati di addestramento personalizzati, eliminando la regolazione manuale degli anchor.
YOLOv5 si affida inoltre molto all'aumento dei dati Mosaic, che combina quattro immagini diverse in un'unica tessera di addestramento. Questo migliora la capacità del modello di rilevare gli oggetti piccoli e la comprensione del contesto, rendendolo robusto in ambienti diversi.
Prestazioni e benchmark#
Valutare i modelli su benchmark standard come il dataset COCO è fondamentale per comprendere i compromessi tra precisione e velocità. La tabella seguente mostra le prestazioni di diverse dimensioni di EfficientDet e YOLOv5 in condizioni standardizzate.
| Modello | dimensione (pixel) | mAPval50-95 | Velocità CPU ONNX (ms) | Velocità T4 TensorRT10 (ms) | parametri (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| EfficientDet-d0 | 512 | 34.6 | - | 3.92 | 3.9 | 2.54 |
| EfficientDet-d1 | 640 | 40.5 | - | 7.31 | 6.6 | 6.1 |
| EfficientDet-d2 | 768 | 43.0 | - | 10.92 | 8.1 | 11.0 |
| EfficientDet-d3 | 896 | 47.5 | - | 19.59 | 12.0 | 24.9 |
| EfficientDet-d4 | 1024 | 49.7 | - | 33.55 | 20.7 | 55.2 |
| EfficientDet-d5 | 1280 | 51.5 | - | 67.86 | 33.7 | 130.0 |
| EfficientDet-d6 | 1280 | 52.6 | - | 89.29 | 51.9 | 226.0 |
| EfficientDet-d7 | 1536 | 53.7 | - | 128.07 | 51.9 | 325.0 |
| YOLOv5n | 640 | 28.0 | - | 1.12 | 1.9 | 4.5 |
| YOLOv5s | 640 | 37.4 | - | 1.92 | 7.2 | 16.5 |
| YOLOv5m | 640 | 45.4 | - | 4.03 | 21.2 | 49.0 |
| YOLOv5l | 640 | 49.0 | - | 6.61 | 46.5 | 109.1 |
| YOLOv5x | 640 | 50.7 | - | 11.89 | 86.7 | 205.7 |
Analisi dei compromessi#
EfficientDet-d7 raggiunge un mAP massimo di 53,7, ma presenta una latenza di inferenza significativa sull'hardware GPU rispetto alle architetture YOLO. YOLOv5, invece, trae grandi vantaggi dall'accelerazione hardware. La variante YOLOv5n raggiunge un tempo di inferenza di 1,12 ms su una GPU T4 con NVIDIA TensorRT, risultando molto più adatta ad applicazioni in tempo reale come la guida autonoma o le linee di produzione ad alta velocità.
Durante l'addestramento, i modelli YOLOv5 richiedono inoltre molta meno memoria CUDA rispetto alle reti complesse con compound scaling o ai grandi modelli Transformer. Questa impronta di memoria ridotta rende l'AI moderna accessibile e permette ai ricercatori di addestrare modelli robusti su hardware consumer standard.
Per ottenere il massimo di frame al secondo (FPS) dal tuo modello YOLOv5 sui dispositivi edge, esporta i pesi PyTorch in TensorRT per le GPU NVIDIA o in OpenVINO per le CPU Intel. Questo passaggio può aumentare notevolmente la velocità di inferenza.
Ecosistema di addestramento ed esperienza per gli sviluppatori#
Il vantaggio principale dell'ecosistema Ultralytics è l'esperienza utente semplificata. EfficientDet richiede una conoscenza approfondita dell'API TensorFlow per il rilevamento degli oggetti, mentre YOLOv5 offre un'API Python coerente e semplice.
L'ecosistema Ultralytics, mantenuto con cura, offre agli sviluppatori aggiornamenti frequenti, supporto attivo della community e integrazioni con strumenti di monitoraggio degli esperimenti come Weights & Biases e ClearML.
Esempio di codice: iniziare con YOLOv5#
L'inferenza con un modello YOLOv5 preaddestrato richiede solo poche righe di codice tramite il pacchetto Python Ultralytics:
from ultralytics import YOLO
# Carica il modello YOLOv5s altamente efficiente
model = YOLO("yolov5su.pt") # YOLOv5u: pesi YOLOv5 anchor-free per il pacchetto ultralytics
# Esegui l'inferenza su un'immagine
results = model("https://ultralytics.com/images/zidane.jpg")
# Mostra i bounding box rilevati
results[0].show()Versatilità e applicazioni reali#
EfficientDet è un framework esclusivamente per il rilevamento degli oggetti, caratteristica che ne limita l'utilità nelle pipeline di visione complesse. YOLOv5, invece, si è evoluto per supportare più attività di visione artificiale. Le versioni recenti del modello supportano la segmentazione delle istanze e la classificazione delle immagini con un'elevata precisione, consentendo agli sviluppatori di consolidare lo stack di machine learning.
Casi d'uso ideali#
- EfficientDet: Ideale per l'elaborazione offline, la ricerca accademica e l'analisi basata su cloud, dove si dà priorità alla massima accuratezza rispetto alla latenza e sono disponibili TPU di classe server o GPU con molta memoria.
- YOLOv5: Una scelta valida per i deployment di AI edge. La combinazione di bassa latenza, ingombro ridotto dei parametri ed elevata precisione lo rende adatto all'analisi con droni, all'automazione del commercio al dettaglio in tempo reale e alle applicazioni mobili tramite CoreML o LiteRT.
La nuova generazione: passare a YOLO26#
YOLOv5 resta un modello robusto e ampiamente utilizzato, ma il settore dell'AI evolve rapidamente. Per i team che avviano nuovi progetti o cercano le migliori prestazioni moderne, Ultralytics ha introdotto YOLO26, rilasciato a gennaio 2026.
YOLO26 migliora il compromesso tra velocità e precisione grazie a modifiche architetturali che semplificano il deployment e velocizzano l'inferenza.
Principali progressi di YOLO26#
- Design end-to-end senza NMS: La head end-to-end opzionale di YOLO26 (
nms=False) elimina il post-processing con la soppressione dei massimi non locali (NMS). Questo semplifica la logica di deployment e riduce le variazioni di latenza, perfezionando un approccio introdotto per la prima volta in YOLOv10. - Inferenza su CPU fino al 43% più veloce: rispetto a YOLO11n, YOLO26n è fino al 43% più veloce su CPU, una soluzione adatta all'edge computing e ai dispositivi IoT a basso consumo che funzionano senza GPU dedicate.
- Ottimizzatore MuSGD: Ispirato alle tecniche di addestramento dei modelli linguistici di grandi dimensioni (come quelle alla base di Kimi K2 di Moonshot AI), questo ibrido di SGD e Muon porta nella visione artificiale le idee dell'addestramento degli LLM, consentendo una convergenza più rapida e dinamiche di addestramento stabili.
- ProgLoss + STAL: Una loss progressiva e una strategia di assegnazione di etichette sensibile agli oggetti di piccole dimensioni migliorano notevolmente il riconoscimento degli oggetti piccoli, fondamentale per le immagini aeree e la robotica.
- Rimozione della DFL: La rimozione della Distribution Focal Loss semplifica la head del modello e migliora la compatibilità con hardware edge più datato o soggetto a forti limitazioni.
Per i team che eseguono il deployment di pipeline multi-task, YOLO26 introduce anche miglioramenti specifici per ciascun task, come proto multi-scala per la segmentazione e una loss angolare specializzata per i bounding box orientati (OBB). Per esplorare altre alternative moderne nell'ecosistema, puoi consultare anche YOLO11 o l'architettura YOLOv8.
Conclusione#
La scelta tra EfficientDet e YOLOv5 dipende molto dal target di deployment. EfficientDet offre un approccio di scaling fondato su principi solidi, adatto all'inferenza soprattutto nel cloud. Tuttavia, l'esperienza di sviluppo di YOLOv5, i cicli di addestramento rapidi in PyTorch e le funzionalità ottimizzate per il deployment edge lo rendono la scelta preferita per la maggior parte delle applicazioni reali in tempo reale; YOLO26 è invece il punto di partenza consigliato per i nuovi progetti. Sfruttando gli strumenti completi offerti da Ultralytics, i team possono accelerare il time-to-market e realizzare sistemi AI altamente reattivi.
Commenti
Fai una domanda, condividi i tuoi risultati o aiuta qualcun altro.