Inizia

EfficientDet vs YOLOv7

Scegliere l'architettura di rete neurale più efficace è fondamentale per il successo di qualsiasi progetto di visione artificiale. Confrontare modelli affermati come EfficientDet e YOLOv7 aiuta gli sviluppatori a ottimizzare sia la precisione sia l'efficienza computazionale.

Questa analisi tecnica esamina i dettagli architetturali, le metriche di prestazioni e gli scenari di deployment più adatti a entrambi i modelli. Spiega inoltre perché l'ecosistema integrato Ultralytics, che include il più recente Ultralytics YOLO26, è un'alternativa valida per le moderne attività di visione artificiale.

Conoscere EfficientDet#

EfficientDet è stato progettato per massimizzare la precisione gestendo sistematicamente i costi computazionali in presenza di diversi vincoli di risorse. Ci è riuscito con un nuovo approccio allo scaling e alla fusione delle feature.

Dettagli su EfficientDet:

Architettura e innovazioni#

Alla base, EfficientDet utilizza una rete piramidale di caratteristiche bidirezionale (BiFPN). A differenza delle FPN tradizionali, BiFPN consente una rapida fusione di caratteristiche a più scale introducendo pesi apprendibili per stabilire l'importanza delle diverse caratteristiche di input. A questo si affianca un metodo di compound scaling che ridimensiona uniformemente e simultaneamente la risoluzione, la profondità e la larghezza del backbone, della rete di caratteristiche e delle reti di previsione di box e classi.

Punti di forza e debolezze#

EfficientDet è altamente scalabile. Le varianti più piccole (d0-d2) sono estremamente efficienti in termini di parametri, risultando adatte ad ambienti con rigidi limiti di archiviazione. Le varianti più grandi (come d7) spingono oltre i limiti della precisione media media (mAP) nell'elaborazione offline di fascia alta.

Tuttavia, EfficientDet dipende fortemente dalle vecchie implementazioni TensorFlow e da pipeline AutoML complesse. Questa infrastruttura obsoleta rende difficile l'integrazione nei moderni workflow incentrati su PyTorch. Inoltre, quando si passa a varianti più accurate, presenta una latenza di inferenza significativa sui dispositivi edge.

Scopri di più su EfficientDet

Conoscere YOLOv7#

Introdotto nel 2022, YOLOv7 ha apportato un notevole miglioramento in termini di velocità e precisione per le applicazioni in tempo reale, stabilendo all'epoca un nuovo riferimento per la famiglia YOLO.

Dettagli di YOLOv7:

Architettura e innovazioni#

YOLOv7 ha introdotto la rete estesa di aggregazione efficiente dei livelli (E-ELAN). Questo miglioramento architetturale potenzia la capacità di apprendimento della rete senza compromettere il percorso originale del gradiente, consentendo al modello di apprendere in modo efficiente feature più diversificate. Inoltre, implementa un "bag-of-freebies addestrabile", sfruttando tecniche come la riparametrizzazione pianificata e l'assegnazione dinamica delle etichette per aumentare la precisione senza incrementare il costo di inferenza.

Punti di forza e debolezze#

YOLOv7 offre buone prestazioni negli scenari in tempo reale, come l'analisi video e la navigazione robotica ad alta velocità. Si adatta bene alle GPU di livello server e offre un'implementazione nativa PyTorch, rendendolo accessibile ai ricercatori accademici.

Nonostante la velocità, YOLOv7 si affida ancora alla soppressione dei massimi non locali (NMS) per il post-processing, che può introdurre una latenza variabile nelle scene affollate. Durante l'addestramento, l'impronta di memoria è sensibilmente maggiore rispetto a quella delle generazioni più recenti e richiede hardware più potente per gestire batch di grandi dimensioni.

Scopri di più su YOLOv7

Confronto delle prestazioni e delle metriche#

Quando confronti questi modelli, è fondamentale esaminare i compromessi tra precisione, velocità di inferenza e dimensione dei parametri. La tabella seguente valuta diverse configurazioni di EfficientDet e YOLOv7.

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
YOLOv7l64051.4-6.8436.9104.7
YOLOv7x64053.1-11.5771.3189.9
Conclusioni sulle prestazioni

EfficientDet-d7 raggiunge il mAP più alto, ma richiede circa 128 ms su una GPU T4. YOLOv7x raggiunge un mAP comparabile di 53,1 in 11,57 ms, con un ordine di grandezza in più di efficienza computazionale per i deployment in tempo reale.

Casi d'uso e consigli#

La scelta tra EfficientDet e YOLOv7 dipende dai requisiti specifici del tuo progetto, dai vincoli di deployment e dalle tue preferenze per l'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 YOLOv7#

YOLOv7 è consigliato per:

  • Benchmark accademici: riprodurre i risultati dello stato dell'arte del 2022 o studiare gli effetti di E-ELAN e delle tecniche del bagaglio di tecniche gratuite addestrabile.
  • Ricerca sulla riparametrizzazione: esaminare convoluzioni riparametrizzate pianificate e strategie di scalabilità composta dei modelli.
  • Pipeline personalizzate esistenti: progetti con pipeline ampiamente personalizzate e basate sull'architettura specifica di YOLOv7, difficili da ristrutturare.

Quando scegliere Ultralytics (YOLO26)#

Per la maggior parte dei nuovi progetti, Ultralytics YOLO26 offre la migliore combinazione 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 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.

I vantaggi di Ultralytics#

Scegliere l'architettura giusta non significa considerare solo le metriche grezze: occorre valutare l'intero ciclo di vita del machine learning. L'ecosistema Ultralytics offre un'esperienza di sviluppo efficace e riduce notevolmente la barriera d'ingresso per deployment AI robusti.

  • Facilità d'uso: Ultralytics offre un'API Python unificata. Gli sviluppatori possono addestrare, convalidare ed esportare modelli con poche righe di codice, senza dover gestire le codebase complesse e frammentate tipiche di EfficientDet.
  • Ecosistema ben mantenuto: grazie ad aggiornamenti frequenti, a una documentazione completa e a una community attiva, Ultralytics assicura la compatibilità con i più recenti framework di deployment, come TensorRT e OpenVINO.
  • Requisiti di memoria: Grazie ai data loader PyTorch ottimizzati e alle strutture di rete semplificate, i modelli Ultralytics YOLO richiedono durante l'addestramento molta meno memoria CUDA rispetto alle reti multi-ramo e ai modelli che fanno ampio uso dei Transformer.
  • Versatilità: A differenza delle architetture meno recenti, limitate al rilevamento di box, i modelli Ultralytics sono framework multi-task che supportano la segmentazione delle istanze, la stima della posa e i box delimitatori orientati (OBB).

Efficienza dell'addestramento con Ultralytics#

Il codice seguente mostra quanto sia semplice addestrare un modello con il pacchetto Python Ultralytics, rispetto alla configurazione di vecchie pipeline TensorFlow.

from ultralytics import YOLO

# Carica il modello YOLO26 altamente consigliato
model = YOLO("yolo26s.pt")

# Addestra il modello con l'aumento dei dati integrato
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Esporta il modello in TensorRT per il deployment
model.export(format="engine")

Il nuovo standard: YOLO26#

YOLOv7 ed EfficientDet hanno gettato le basi della visione artificiale moderna, ma il panorama è cambiato notevolmente con l'introduzione di Ultralytics YOLO26 nel gennaio 2026. Progettato per offrire sia un'elevata precisione sia prestazioni edge rapide, YOLO26 è il modello consigliato per i nuovi progetti di visione.

Principali innovazioni di YOLO26#

  • Design end-to-end senza NMS: Sulla base delle fondamenta gettate da YOLOv10, YOLO26 offre una head nativa end-to-end (nms=False). Eliminando completamente il post-processing NMS, garantisce una latenza inferiore e più uniforme, fondamentale per i sistemi critici per la sicurezza, come la guida autonoma.
  • Inferenza su CPU fino al 43% più veloce: Grazie alla rimozione della Distribution Focal Loss (DFL), YOLO26 semplifica il processo di esportazione e offre un'inferenza rapida sui dispositivi edge come Raspberry Pi (YOLO26n è fino al 43% più veloce di YOLO11n su CPU), risultando ideale per l'edge computing.
  • Ottimizzatore MuSGD: YOLO26 integra l'ottimizzatore MuSGD, un ibrido di SGD e Muon ispirato alle tecniche di addestramento degli LLM di Moonshot AI. Ne derivano dinamiche di addestramento stabili e una convergenza più rapida.
  • ProgLoss + STAL: La perdita progressiva e l'assegnazione di etichette sensibile agli oggetti di piccole dimensioni migliorano la capacità del modello di rilevare oggetti minuscoli, una difficoltà comune nelle immagini riprese da droni e nei sistemi di allarme di sicurezza.
  • Miglioramenti specifici per attività: YOLO26 è più di un rilevatore. Integra una loss per la segmentazione semantica e proto multi-scala per una segmentazione delle istanze di qualità superiore, la stima della log-verosimiglianza residua (RLE) per una stima della posa più precisa e una loss angolare specializzata per risolvere le ambiguità dei bordi degli OBB.

Esplorare modelli alternativi#

YOLO26 è il modello predefinito consigliato, ma l'ecosistema Ultralytics supporta diversi modelli pensati per casi d'uso differenti.

Per gli sviluppatori che gestiscono sistemi esistenti, YOLO11 resta un'opzione robusta e ben supportata sulla Ultralytics Platform. Negli scenari che richiedono esplicitamente architetture basate su Transformer, RT-DETR offre un rilevamento in tempo reale con un encoder-decoder Transformer, colmando il divario tra i meccanismi di attenzione e le velocità di esecuzione in tempo reale.

In conclusione, EfficientDet offre spunti accademici sul compound scaling e YOLOv7 garantisce solide prestazioni di riferimento in tempo reale, ma le aziende moderne traggono il massimo dall'adozione della Ultralytics Platform. Con YOLO26, i team ottengono prestazioni elevate, un addestramento senza complicazioni e un percorso di deployment mantenuto attivamente.

Commenti

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