Inizia

PP-YOLOE+ vs EfficientDet

Scegliere l'architettura giusta è un passaggio fondamentale per realizzare applicazioni di visione artificiale robuste. Questa guida tecnica analizza i compromessi tra due noti modelli di rilevamento degli oggetti: PP-YOLOE+ ed EfficientDet. Ne illustra le architetture, analizza le metriche di prestazione e presenta gli scenari di deployment più adatti.

Sebbene entrambi i modelli abbiano contribuito in modo significativo al settore, questa guida illustra anche come le alternative moderne, come Ultralytics YOLO26, offrano maggiore efficienza in termini di memoria, inferenza più rapida e un'esperienza di sviluppo semplificata.

Panoramica dell'architettura: PP-YOLOE+#

PP-YOLOE+ è una versione migliorata di PP-YOLOE, a sua volta evoluzione della serie PP-YOLO, realizzata per ottimizzare le prestazioni sulle GPU lato server nell'ecosistema PaddlePaddle. Introduce diversi miglioramenti all'architettura di base, puntando su un paradigma anchor-free.

Scopri di più su PP-YOLOE+

PP-YOLOE+ include un backbone CSPRepResNet e una head Efficient Task-aligned (ET-head), e si affida in larga misura alla varifocal loss per la classificazione e alla distribution focal loss per la regressione dei box di delimitazione. Il passaggio a un design da rilevatore anchor-free ha semplificato la pipeline di post-processing, rendendolo molto competitivo al momento del rilascio.

Vantaggi dell'integrazione

I team che hanno già investito a fondo nel framework PaddlePaddle di Baidu trovano spesso PP-YOLOE+ più facile da adottare nelle pipeline esistenti, anche se manca dell'ampio supporto multi-framework offerto dagli strumenti più recenti.

Panoramica architetturale: EfficientDet#

EfficientDet adotta un approccio diverso al rilevamento degli oggetti: parte da un backbone individuato tramite neural architecture search e applica principi di scaling composto.

Scopri di più su EfficientDet

Il fulcro di EfficientDet è la sua rete piramidale di feature bidirezionale (BiFPN). A differenza delle FPN tradizionali, BiFPN consente una rapida fusione di feature a più scale introducendo pesi apprendibili per determinare l'importanza delle diverse feature di input. In combinazione con un backbone EfficientNet, EfficientDet scala sistematicamente e simultaneamente larghezza, profondità e risoluzione della rete.

Nonostante l'elevata efficienza in termini di FLOPs, i modelli EfficientDet possono avere difficoltà a tradurre l'efficienza teorica in velocità effettiva sui dispositivi edge, a causa dei complessi schemi di accesso alla memoria, a differenza dei modelli basati su YOLO, che richiedono meno memoria.

Analisi delle prestazioni e benchmark#

La tabella seguente mette a confronto le metriche principali sui dataset standard come COCO. Il confronto tra precisione media (mAP) e velocità di inferenza mostra la posizione di ciascun modello sulla frontiera di Pareto tra velocità e precisione.

Modellodimensione
(pixel)
mAPval50-95Velocità
CPU ONNX
(ms)
Velocità
T4 TensorRT10
(ms)
parametri
(M)
FLOPs
(B)
PP-YOLOE+t64039.9-2.844.8519.15
PP-YOLOE+s64043.7-2.627.9317.36
PP-YOLOE+m64049.8-5.5623.4349.91
PP-YOLOE+l64052.9-8.3652.2110.07
PP-YOLOE+x64054.7-14.398.42206.59
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

Come mostrato, PP-YOLOE+ si adatta in genere meglio in termini di mAP grezzo sulle GPU di fascia alta, mentre EfficientDet cerca di ridurre al minimo il numero di parametri. Tuttavia, entrambi non raggiungono le prestazioni in tempo reale richieste dalle moderne applicazioni di edge AI.

Casi d'uso e consigli#

La scelta tra PP-YOLOE+ ed EfficientDet dipende dai requisiti specifici del tuo progetto, dai vincoli di distribuzione e dalle preferenze in termini di ecosistema.

Quando scegliere PP-YOLOE+#

PP-YOLOE+ è una scelta valida per:

  • Integrazione con l'ecosistema PaddlePaddle: Organizzazioni che dispongono già di un'infrastruttura basata sul framework e sugli strumenti PaddlePaddle di Baidu.
  • Distribuzione edge con Paddle Lite: Distribuzione su hardware con kernel di inferenza altamente ottimizzati specificamente per Paddle Lite o per il motore di inferenza Paddle.
  • Rilevamento lato server ad alta accuratezza: Scenari che privilegiano la massima accuratezza di rilevamento su potenti server GPU, dove la dipendenza dal framework non è un problema.

Quando scegliere EfficientDet#

EfficientDet è consigliato 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 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.

L'alternativa moderna: Ultralytics YOLO26#

Sebbene PP-YOLOE+ ed EfficientDet rappresentino traguardi importanti, gli sviluppatori che cercano elevata precisione, minore consumo di memoria e un'esperienza d'uso semplificata dovrebbero orientarsi su Ultralytics YOLO26.

YOLO26 rappresenta un importante passo avanti nel rilevamento di oggetti e introduce diverse innovazioni importanti:

  • Progettazione end-to-end senza NMS: basandosi su YOLOv10, la head end-to-end opzionale di YOLO26 (nms=False) elimina la soppressione non massima (NMS) durante l'inferenza. Ne conseguono una latenza notevolmente inferiore e l'eliminazione dei complessi colli di bottiglia del post-processing.
  • Ottimizzatore MuSGD: ispirato alle innovazioni nell'addestramento degli LLM, YOLO26 utilizza un ottimizzatore ibrido SGD e Muon che migliora la stabilità dell'addestramento e riduce i tempi di convergenza.
  • Inferenza CPU più veloce: YOLO26n offre un'inferenza CPU fino al 43% più veloce di YOLO11n, rendendolo un'ottima scelta per i dispositivi edge alimentati a batteria o basati esclusivamente su CPU.
  • Tecniche di addestramento avanzate: ProgLoss e STAL migliorano notevolmente il riconoscimento degli oggetti di piccole dimensioni, fondamentale per attività come l'analisi con droni e la robotica.
Versatilità multi-task

A differenza di EfficientDet, che si concentra esclusivamente sul rilevamento, YOLO26 gestisce nativamente la segmentazione di istanze, la classificazione delle immagini, la stima della posa e le oriented bounding box (OBB), il tutto all'interno dello stesso ecosistema ben mantenuto.

Facilità d'uso e integrazione nell'ecosistema#

Uno dei principali svantaggi dei modelli legacy come EfficientDet è la complessità delle pipeline di addestramento e delle configurazioni di apprendimento automatico automatizzato. Al contrario, la Ultralytics Platform offre un'esperienza di sviluppo semplificata.

Con Ultralytics bastano poche righe di codice per addestrare e utilizzare un modello, a differenza delle verbose configurazioni richieste dai framework più datati.

from ultralytics import YOLO

# Carica un modello YOLO26 preaddestrato
model = YOLO("yolo26s.pt")

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

# Esegui l'inferenza senza NMS su un'immagine di test con la head end-to-end
predictions = model("https://ultralytics.com/images/bus.jpg", nms=False)

Per chi sta valutando altre alternative, nell'ecosistema Ultralytics sono disponibili anche architetture come RT-DETR o il precedente YOLOv8, così puoi sostituire e testare facilmente i modelli.

Conclusione#

PP-YOLOE+ resta una valida scelta per specifici deployment su server nell'ecosistema Paddle, mentre EfficientDet continua a essere un interessante esempio di progettazione automatizzata delle architetture. Tuttavia, per le applicazioni moderne che richiedono inferenza in tempo reale, facilità di deployment e requisiti minimi di memoria, Ultralytics YOLO26 offre il compromesso prestazionale più convincente. Il design opzionale senza NMS e le prestazioni elevate su CPU lo rendono la scelta consigliata per le infrastrutture IA moderne.

Commenti

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