EfficientDet vs YOLOv9
La visione artificiale è stata plasmata dai progressi costanti nella progettazione delle reti neurali. Trovare il giusto equilibrio tra efficienza computazionale e precisione di rilevamento è fondamentale nella scelta di un modello. Nel 2019, EfficientDet di Google ha stabilito un solido riferimento introducendo architetture scalabili, mentre YOLOv9, rilasciato nel 2024, ha fatto progredire il rilevamento degli oggetti usando le informazioni sul gradiente programmabili (PGI).
Questa guida offre un confronto tecnico tra i due modelli e presenta Ultralytics YOLO26, una soluzione robusta end-to-end ottimizzata per gli ambienti di produzione.
Architetture e innovazioni dei modelli#
Comprendere i meccanismi alla base di EfficientDet e YOLOv9 è essenziale per individuare i casi d’uso più adatti.
EfficientDet: scaling composto e BiFPN#
Sviluppato da Google Research, EfficientDet punta sul ridimensionamento sistematico e sulla fusione efficiente delle caratteristiche. Usa EfficientNet come backbone e introduce una nuova architettura per la rete delle caratteristiche.
- Autori: Mingxing Tan, Ruoming Pang e Quoc V. Le
- Organizzazione: Google
- Data: 20 novembre 2019
- Link: arXiv, GitHub
Caratteristiche architetturali principali: EfficientDet si affida fortemente a una rete piramidale bidirezionale delle caratteristiche (BiFPN), che consente una rapida fusione di caratteristiche multi-scala. Usa inoltre un metodo di ridimensionamento composto che ridimensiona uniformemente risoluzione, profondità e larghezza della rete. Sebbene fosse molto preciso per la sua epoca, EfficientDet è strettamente legato ai vecchi ambienti TensorFlow, complicando le pipeline di distribuzione moderne.
YOLOv9: risolvere il collo di bottiglia informativo#
Sviluppato dai ricercatori dell'Academia Sinica, YOLOv9 affronta il deterioramento delle informazioni che si verifica quando i dati attraversano reti neurali profonde.
- Autori: Chien-Yao Wang e Hong-Yuan Mark Liao
- Organizzazione: Institute of Information Science, Academia Sinica
- Data: 21 febbraio 2024
- Link: arXiv, GitHub, Documentazione
Caratteristiche architetturali principali: YOLOv9 introduce le informazioni sul gradiente programmabili (PGI) per fornire una supervisione ausiliaria e garantire la conservazione dei dati cruciali per aggiornare i pesi della rete in modo affidabile. Include inoltre la rete generalizzata di aggregazione efficiente dei livelli (GELAN) per massimizzare l’efficienza dei parametri. Nonostante questi progressi, YOLOv9 richiede ancora la soppressione dei massimi non (NMS) durante la post-elaborazione, con conseguente aumento della latenza.
Confronto delle prestazioni#
Nella valutazione di questi modelli, l’analisi delle metriche di prestazione empiriche aiuta a determinare quale architettura offra il miglior compromesso per il tuo hardware.
| 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 |
| YOLOv9t | 640 | 38.3 | - | 2.3 | 2.0 | 7.7 |
| YOLOv9s | 640 | 46.8 | - | 3.54 | 7.2 | 26.7 |
| YOLOv9m | 640 | 51.4 | - | 6.43 | 20.1 | 76.8 |
| YOLOv9c | 640 | 53.0 | - | 7.16 | 25.5 | 102.8 |
| YOLOv9e | 640 | 55.6 | - | 16.77 | 58.1 | 192.5 |
Analisi critica#
A parità di precisione, YOLOv9 è molto più veloce. Per esempio, YOLOv9e raggiunge un mAP del 55.6% con una latenza TensorRT di 16.77ms. EfficientDet-d7 offre un mAP inferiore, pari al 53.7%, con una latenza molto più elevata (128.07ms), rendendone difficile la distribuzione per i flussi video in tempo reale.
Casi d'uso e consigli#
La scelta tra EfficientDet e YOLOv9 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 YOLOv9#
YOLOv9 è consigliato per:
- Ricerca sui colli di bottiglia informativi: progetti accademici che studiano le informazioni di gradiente programmabili (PGI) e le architetture di rete di aggregazione efficiente generalizzata dei livelli (GELAN).
- Studi sull'ottimizzazione del flusso del gradiente: ricerche incentrate sulla comprensione e sulla riduzione della perdita di informazioni nei livelli delle reti profonde durante l'addestramento.
- Benchmark di rilevamento ad alta precisione: scenari in cui le prestazioni di YOLOv9 nei benchmark COCO servono come riferimento per confrontare le architetture.
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.
Il vantaggio di Ultralytics: scegliere YOLO26#
YOLOv9 ed EfficientDet hanno aperto la strada, ma gli sviluppatori che cercano un framework moderno e pronto per la produzione dovrebbero valutare i modelli YOLO di Ultralytics, in particolare il nuovo YOLO26.
La piattaforma Ultralytics è progettata per essere facile da usare e combina script di addestramento locali con un’interfaccia abilitata per il cloud. YOLO26 è una riprogettazione sostanziale che supera le architetture meno recenti in molte applicazioni commerciali.
Punti salienti tecnici di YOLO26#
- Design end-to-end senza NMS: la testa end-to-end opzionale di YOLO26 (
nms=False) elimina i colli di bottiglia della post-elaborazione. Rimuovendo NMS, i grafi di distribuzione diventano unificati e più veloci sui chip di IA edge. - Inferenza CPU fino al 43% più veloce: ottimizzato per i dispositivi embedded, YOLO26n è fino al 43% più veloce di YOLO11n su CPU con ONNX quando non sono disponibili GPU.
- Ottimizzatore MuSGD: trasferendo le tecniche di addestramento degli LLM all’IA di visione, questo ottimizzatore ibrido stabilizza l’addestramento e permette ai modelli di convergere più rapidamente con meno risorse.
- Requisiti di memoria ridotti: a differenza delle architetture basate pesantemente su Transformer o delle CNN non ottimizzate, YOLO26 riduce al minimo il consumo di memoria CUDA durante il training, permettendoti di usare batch di dimensioni maggiori su hardware di fascia consumer.
- ProgLoss + STAL: la Loss progressiva e l’assegnazione delle etichette consapevole degli oggetti piccoli migliorano notevolmente la precisione nel rilevamento degli oggetti piccoli, rendendo YOLO26 adatto alle immagini aeree e alle reti IoT.
- Rimozione di DFL: un design strutturale semplificato consente una conversione agevole nei formati per la distribuzione su dispositivi mobili.
Altre opzioni nell’ecosistema Ultralytics includono YOLO11 e YOLOv8, che offrono anch’essi versatilità multi-task, come la segmentazione delle istanze e la stima della posa.
Training semplificato con l'SDK Python#
I modelli Ultralytics mettono al primo posto l’esperienza degli sviluppatori. Per addestrare un modello bastano poche righe di Python.
from ultralytics import YOLO
# Initialize the YOLO26 model
model = YOLO("yolo26n.pt")
# Train with optimized memory usage and built-in augmentations
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Validate the model's performance easily
metrics = model.val()
print(f"Validation mAP: {metrics.box.map}")Applicazioni nel mondo reale#
La scelta tra queste architetture dipende molto dalla destinazione di distribuzione.
- Distribuzioni cloud legacy: EfficientDet era popolare per l’elaborazione batch offline basata su cloud, quando serviva un’elevata precisione e non si applicavano vincoli rigorosi di tempo reale.
- Ricerca accademica: YOLOv9 resta interessante per i ricercatori che esplorano i limiti della progettazione delle CNN e analizzano i flussi dei gradienti attraverso i livelli della rete.
- Edge computing e IoT: YOLO26 è adatto alle applicazioni edge del mondo reale. La pipeline senza NMS e le funzionalità di riquadri di delimitazione orientati (OBB) lo rendono un’ottima scelta per l’analisi del traffico nelle città intelligenti, il monitoraggio delle scorte nella vendita al dettaglio e le ispezioni con droni, con un buon equilibrio tra elevata precisione e rapidità di inferenza.
Commenti
Fai una domanda, condividi i tuoi risultati o aiuta qualcun altro.