Inizia

EfficientDet vs YOLOv8

Il campo della visione artificiale continua a evolversi, con nuove architetture che ampliano regolarmente ciò che è possibile fare. La scelta della giusta architettura di rete neurale è fondamentale per bilanciare precisione, latenza e consumo di risorse. Questa analisi tecnica confronta due modelli di rilevamento degli oggetti molto usati: EfficientDet di Google e Ultralytics YOLOv8.

Che tu voglia distribuire modelli su dispositivi di edge computing con risorse molto limitate o eseguire analisi su larga scala su server cloud, capire le differenze tra questi modelli ti aiuterà a scegliere quello giusto.

Panoramica e origini dei modelli#

Comprendere la filosofia architetturale alla base di ciascun modello fornisce un contesto fondamentale per interpretarne le caratteristiche prestazionali.

EfficientDet: precisione scalabile#

Sviluppato da ricercatori di Google, EfficientDet è stato introdotto come framework di rilevamento degli oggetti altamente scalabile. Si concentra sulla massimizzazione della precisione, gestendo attentamente le operazioni in virgola mobile (FLOPs) e il numero di parametri.

Scopri di più su EfficientDet

EfficientDet si basa sul backbone EfficientNet e introduce una rete piramidale delle caratteristiche bidirezionale (BiFPN). Questo consente una rapida fusione di caratteristiche multi-scala. Usa inoltre un metodo di ridimensionamento composto che ridimensiona uniformemente e simultaneamente risoluzione, profondità e larghezza di backbone, rete delle caratteristiche e reti di predizione di box e classi. Sebbene sia efficace, la forte dipendenza dall’ecosistema TensorFlow può talvolta complicare la distribuzione negli ambienti incentrati su PyTorch.

Ultralytics YOLOv8: lo standard versatile#

Rilasciato all’inizio del 2023, Ultralytics YOLOv8 ha segnato una svolta importante nella famiglia YOLO: è stato progettato non solo per rilevare riquadri di delimitazione, ma anche come framework unificato in grado di gestire numerosi compiti di visione.

YOLOv8 ha introdotto una testa di rilevamento senza anchor, eliminando la necessità di configurare manualmente gli anchor box in base alla distribuzione del dataset. Questo semplifica notevolmente l’addestramento. La sua architettura include un modulo C2f ottimizzato che migliora il flusso dei gradienti e consente al modello di apprendere rappresentazioni delle caratteristiche più ricche. Durante l’addestramento, YOLOv8 richiede anche molta meno memoria GPU rispetto ai pesanti modelli basati su Transformer, rendendo la ricerca avanzata sull’IA più accessibile.

Funzionalità multiattività

A differenza di EfficientDet, progettato esclusivamente per i riquadri di delimitazione, YOLOv8 offre ampia versatilità. È pronto all’uso per il rilevamento degli oggetti, la segmentazione delle istanze, la classificazione delle immagini, la stima della posa e i riquadri di delimitazione orientati (OBB).

Prestazioni e benchmark#

Quando valuti questi modelli su benchmark standard come il dataset COCO, i compromessi tra velocità e precisione diventano evidenti. La tabella seguente confronta la famiglia EfficientDet (d0-d7) con la serie YOLOv8 (n-x).

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
YOLOv8n64037.380.41.473.28.7
YOLOv8s64044.9128.42.6611.228.6
YOLOv8m64050.2234.75.8625.978.9
YOLOv8l64052.9375.29.0643.7165.1
YOLOv8x64053.9479.114.3768.2257.8

Analisi dei dati#

I dati dei benchmark evidenziano l'equilibrio prestazionale che gli ingegneri Ultralytics integrano nelle loro architetture. YOLOv8 è all'avanguardia negli ambienti con accelerazione GPU. Il modello YOLOv8n impiega 1,47 ms su una NVIDIA T4 usando TensorRT, risultando molto più adatto ai flussi di analisi video in tempo reale.

YOLOv8x raggiunge anche la massima precisione complessiva, con 53.9 mAP, superando EfficientDet-d7 con meno FLOPs (257.8B contro 325.0B). Questa efficienza computazionale si traduce direttamente in requisiti di memoria inferiori e costi energetici ridotti durante la distribuzione aziendale.

Ecosistema e facilità d’uso#

Per molti team di ingegneria moderni, ciò che fa davvero la differenza non è solo la velocità pura del modello, ma anche l’ecosistema che lo circonda.

L’implementazione di EfficientDet dipende fortemente da librerie AutoML obsolete, che possono comportare una curva di apprendimento ripida e catene di dipendenze fragili per gli sviluppatori abituati ai flussi di lavoro moderni con PyTorch.

Ultralytics, invece, mette al primo posto la facilità d’uso. Il suo ecosistema ben mantenuto offre un’API Python coerente che semplifica notevolmente il ciclo di vita dell’apprendimento automatico. Si integra con la piattaforma Ultralytics, che gestisce tutto, dall’annotazione automatica all’addestramento cloud e al monitoraggio in tempo reale.

Esempio di codice: training e inferenza con YOLOv8#

L'efficienza del training nell'ecosistema Ultralytics si apprezza al meglio attraverso il codice. Per iniziare bastano poche righe di Python:

from ultralytics import YOLO

# Carica un modello YOLOv8 nano preaddestrato
model = YOLO("yolov8n.pt")

# Addestra il modello sul dataset COCO8
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)

# Esegui l'inferenza su un'immagine remota
predictions = model("https://ultralytics.com/images/bus.jpg")

# Esporta in ONNX per il deployment in produzione
export_path = model.export(format="onnx")

Questo approccio semplificato gestisce automaticamente il download dei dataset, l'aumento dei dati e l'allocazione dell'hardware, consentendo ai ricercatori di concentrarsi sui risultati anziché sul codice ripetitivo.

Casi d'uso e consigli#

La scelta tra EfficientDet e YOLOv8 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 YOLOv8#

YOLOv8 è consigliato per:

  • Distribuzione versatile multi-task: progetti che richiedono un modello collaudato per rilevamento, segmentazione, classificazione e stima della posa nell'ecosistema Ultralytics.
  • Sistemi di produzione consolidati: ambienti di produzione esistenti già basati sull’architettura YOLOv8, con pipeline di distribuzione stabili e ben testate.
  • Ampio supporto della community e dell’ecosistema: applicazioni che traggono vantaggio dagli estesi tutorial di YOLOv8, dalle integrazioni di terze parti e dalle risorse della community attiva.

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 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 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.

Uno sguardo al futuro: i vantaggi di YOLO26#

YOLOv8 è un eccellente modello per uso generale, ma il panorama della visione artificiale ha continuato a evolversi. Per chi oggi valuta le architetture, il punto di partenza consigliato è il nuovo Ultralytics YOLO26.

Rilasciato a gennaio 2026, YOLO26 si basa sui successi dei predecessori (tra cui YOLO11 e YOLOv10) e introduce diverse nuove funzionalità:

  • Design end-to-end senza NMS: la testa one-to-one opzionale di YOLO26 (nms=False) elimina la necessità della soppressione dei massimi non (NMS) come fase di post-elaborazione, semplificando la logica di distribuzione e riducendo la variabilità della latenza.
  • Ottimizzatore MuSGD: integrando tecniche di addestramento dei modelli linguistici di grandi dimensioni (LLM), questo ottimizzatore ibrido offre un addestramento più stabile e una convergenza rapida.
  • Inferenza CPU fino al 43% più veloce: ottimizzato per gli scenari di IA edge senza GPU dedicate, YOLO26n è fino al 43% più veloce di YOLO11n su CPU.
  • ProgLoss + STAL: questi miglioramenti dell’addestramento offrono notevoli progressi nel riconoscimento degli oggetti piccoli, da sempre un punto debole di molti rilevatori in tempo reale.

Conclusione#

EfficientDet resta un’architettura rigorosa che ha introdotto tecniche di ridimensionamento composto. Per le applicazioni pronte per la produzione, tuttavia, Ultralytics YOLOv8 offre una migliore esperienza di sviluppo, maggiore versatilità tra i compiti di visione e un’inferenza molto più rapida sull’hardware GPU moderno.

Per i team che avviano nuovi progetti, l’ecosistema Ultralytics offre sviluppo attivo, documentazione completa e un percorso di aggiornamento chiaro verso i modelli più recenti come YOLO26.

Commenti1

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

  1. finfindaraGitHub(modificato)

    Insightful comparison! EfficientDet is well-regarded for its scalability and efficient use of computational resources, especially in mobile and low-power scenarios. That said, this YOLOv8 comparison highlights how v8 offers better real-time performance, a more user-friendly training pipeline, and greater flexibility across different vision tasks. Each model brings unique strengths depending on the deployment context.