Inizia

EfficientDet vs YOLOX

Quando progetti una pipeline moderna di computer vision, scegliere il modello giusto è una decisione cruciale, che determina sia la precisione sia la fattibilità in tempo reale. Questa guida tecnica confronta due importanti architetture per il rilevamento degli oggetti: EfficientDet di Google e YOLOX di Megvii. Analizza i loro approcci architetturali, valuta le prestazioni nei benchmark e spiega come si confrontano con il nuovo Ultralytics YOLO26.

Panoramica di EfficientDet#

Introdotto dal team Google Brain, EfficientDet ha aperto la strada a un approccio strutturato allo scaling dei modelli, dimostrando che è possibile raggiungere un'elevata precisione con un numero di parametri significativamente inferiore rispetto alle reti contemporanee con un numero elevato di parametri.

Dettagli su EfficientDet:

Punti salienti dell'architettura#

EfficientDet si basa sul backbone EfficientNet e applica un metodo di compound scaling che ridimensiona uniformemente risoluzione, profondità e larghezza della rete. La sua caratteristica distintiva è la Bi-directional Feature Pyramid Network (BiFPN), che consente una fusione rapida ed efficace delle feature multiscala. Grazie all'uso di pesi apprendibili per le diverse feature in ingresso, BiFPN garantisce che la rete dia priorità ai dati spaziali più importanti.

Sebbene i FLOPs teorici di EfficientDet siano molto bassi, la dipendenza dall'ecosistema TensorFlow e dalle configurazioni AutoML meno recenti può renderne macchinosa l'integrazione nei flussi di lavoro PyTorch moderni e in rapida evoluzione. Rispetto alle varianti YOLO moderne, la complessa rete multiramo può inoltre comportare un consumo di memoria durante l'addestramento superiore alle aspettative.

Scopri di più su EfficientDet

Panoramica di YOLOX#

Rilasciato due anni dopo, YOLOX mirava a colmare il divario tra ricerca accademica e distribuzione industriale, trasformando l'architettura YOLO tradizionale in un framework senza anchor.

Dettagli su YOLOX:

Punti salienti dell'architettura#

YOLOX ha semplificato notevolmente la progettazione del rilevamento degli oggetti. Passando a una progettazione senza anchor, YOLOX ha eliminato la necessità di ottimizzare complessi anchor box specifici per dataset, riducendo il ricorso a euristiche. Ha inoltre integrato una testa disaccoppiata, separando le attività di classificazione e localizzazione e migliorando notevolmente la velocità di convergenza. La strategia di assegnazione delle etichette SimOTA ha ottimizzato dinamicamente l'assegnazione dei campioni positivi durante l'addestramento.

Nonostante questi progressi, configurare il repository YOLOX può richiedere la compilazione di estensioni C++ e la gestione di dipendenze complesse, ostacolando il deployment rapido dei modelli per i team meno esperti.

Scopri di più su YOLOX

Confronto delle prestazioni#

Quando valuti i modelli per la produzione, è fondamentale bilanciare la precisione media media (mAP) con la velocità di inferenza. La tabella seguente confronta direttamente le famiglie EfficientDet e YOLOX sui benchmark COCO standard.

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
YOLOXnano41625.8--0.911.08
YOLOXtiny41632.8--5.066.45
YOLOXs64040.5-2.569.026.8
YOLOXm64046.9-5.4325.373.8
YOLOXl64049.7-9.0454.2155.6
YOLOXx64051.1-16.199.1281.9
Analisi delle prestazioni

Sebbene EfficientDet raggiunga un'elevata precisione nelle varianti più grandi d7, YOLOX offre una latenza molto inferiore su hardware GPU (tramite TensorRT), risultando quindi più adatto ad applicazioni con FPS elevati, come la guida autonoma o il tracciamento sportivo.

Casi d'uso e consigli#

La scelta tra EfficientDet e YOLOX dipende dai requisiti specifici del progetto, dai vincoli di distribuzione e dalle preferenze relative all'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 YOLOX#

YOLOX è consigliato per:

  • Ricerca sul rilevamento senza anchor: Ricerca accademica che usa l'architettura pulita e senza anchor di YOLOX come riferimento per sperimentare nuove head di rilevamento o funzioni di perdita.
  • Dispositivi edge ultraleggeri: deployment su hardware embedded o mobile legacy a basso consumo, dove le dimensioni estremamente ridotte della variante YOLOX-Nano (0.91M parametri) sono fondamentali.
  • Studi sull'assegnazione delle etichette SimOTA: Progetti di ricerca che analizzano le strategie di assegnazione delle etichette basate sul trasporto ottimale e il loro impatto sulla convergenza dell'addestramento.

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 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.

Il vantaggio di Ultralytics: ecco YOLO26#

EfficientDet e YOLOX hanno rappresentato progressi significativi nelle rispettive epoche, ma la computer vision moderna richiede maggiore versatilità, flussi di lavoro più snelli e alta velocità. Per gli sviluppatori che danno priorità alla facilità d'uso, a requisiti di memoria inferiori e a un ecosistema ben mantenuto, l'aggiornamento consigliato è Ultralytics YOLO26, rilasciato a gennaio 2026.

YOLO26 rappresenta un importante passo avanti nella famiglia YOLO e affronta i limiti dei modelli meno recenti, come YOLOX ed EfficientDet:

  • Progettazione end-to-end senza NMS: a differenza di EfficientDet e YOLOX, che richiedono la costosa post-elaborazione con Non-Maximum Suppression (NMS), YOLO26 supporta l'inferenza end-to-end nativa tramite la sua testa one-to-one facoltativa (nms=False). Questo elimina i colli di bottiglia di latenza dovuti a NMS e semplifica il deployment edge.
  • Inferenza su CPU fino al 43% più veloce: grazie alle ottimizzazioni architetturali e alla rimozione della DFL (Distribution Focal Loss), YOLO26 è ottimizzato per gli ambienti senza GPU dedicate. YOLO26n è fino al 43% più veloce su CPU di YOLO11n e offre prestazioni eccellenti su hardware per l'IA edge, come Raspberry Pi.
  • Ottimizzatore MuSGD: ispirato alle innovazioni nell'addestramento degli LLM, come Kimi K2 di Moonshot AI, YOLO26 usa un ibrido tra SGD e Muon. Questo assicura un addestramento stabile e una convergenza più rapida rispetto alle configurazioni di addestramento meno recenti.
  • ProgLoss + STAL: la loss progressiva e l'assegnazione delle etichette consapevole degli oggetti piccoli migliorano notevolmente il riconoscimento degli oggetti di piccole dimensioni, un punto debole storico sia di YOLOX sia di EfficientDet. Questo è fondamentale per l'analisi con droni e l'IoT.
  • Versatilità multitasking: mentre EfficientDet e YOLOX rilevano esclusivamente riquadri di delimitazione, YOLO26 supporta nativamente la segmentazione di istanze, la stima della posa (tramite Residual Log-Likelihood Estimation) e i riquadri di delimitazione orientati (OBB).

Esperienza utente semplificata ed efficienza dell'addestramento#

Uno dei principali ostacoli dei modelli come YOLOX è la configurazione dell'ambiente di addestramento. Con l'API Python unificata di Ultralytics, per addestrare un modello bastano poche righe di codice. I modelli YOLO includono anche caricatori di dati ottimizzati e architetture leggere, che riducono notevolmente l'uso della memoria CUDA rispetto ai modelli con molti Transformer o alle reti multiramo meno recenti.

from ultralytics import YOLO

# Carica il modello YOLO26n (inferenza senza NMS disponibile con nms=False)
model = YOLO("yolo26n.pt")

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

# Esporta il modello in ONNX o OpenVINO per la distribuzione su dispositivi edge
model.export(format="openvino")

Conclusione: fare la scelta giusta#

Se gestisci un sistema legacy strettamente integrato nell'ecosistema TensorFlow, EfficientDet resta una scelta stabile, soprattutto se le sue varianti con compound scaling sono già integrate. Se hai bisogno di velocità pura su codebase esistenti senza anchor, YOLOX è un rilevatore veloce e affidabile.

Per i nuovi progetti destinati alla produzione, tuttavia, la scelta consigliata è Ultralytics YOLO26 (oppure il collaudato YOLO11 per i deployment aziendali esistenti). Grazie all'inferenza end-to-end senza NMS facoltativa, alla maggiore velocità su CPU e a una pipeline di deployment semplice con formati come OpenVINO e TensorRT, YOLO26 mantiene le tue applicazioni di computer vision precise, aggiornate e facili da gestire.

Commenti

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