YOLO26 vs EfficientDet#

Scegliere l'architettura di rete neurale giusta è fondamentale per il successo di qualsiasi applicazione di visione artificiale. Questa guida tecnica analizza i compromessi, le metriche di prestazione e le innovazioni architetturali di due modelli importanti: Ultralytics YOLO26 e il consolidato EfficientDet di Google.

Che tu debba distribuire i modelli su server cloud ad alta capacità o su dispositivi edge AI con vincoli di latenza, comprendere le differenze tra queste architetture ti aiuta a bilanciare velocità, accuratezza ed efficienza.

Panoramica architetturale: YOLO26#

• Autori: Glenn Jocher e Jing Qiu
• Organizzazione: Ultralytics
• Data: 2026-01-14
• GitHub: GitHub di Ultralytics
• Documentazione: Documentazione ufficiale di YOLO26

Rilasciato all'inizio del 2026, YOLO26 è il modello più recente della famiglia YOLO, progettato per essere facile da usare e garantire un'elevata precisione media (mAP) sull'hardware moderno. Supporta il rilevamento degli oggetti, la segmentazione delle istanze, la segmentazione semantica, la stima della profondità, la classificazione delle immagini, la stima della posa e il rilevamento di riquadri di delimitazione orientati (OBB).

YOLO26 introduce diverse funzionalità che migliorano sia la stabilità dell'addestramento sia la velocità di inferenza:

• Design end-to-end senza NMS: basandosi sull'addestramento senza NMS introdotto nei modelli YOLO da YOLOv10, YOLO26 offre una testa one-to-one end-to-end opzionale (nms=False) che elimina la necessità della post-elaborazione della soppressione dei non massimi (NMS). Questo semplifica la logica di distribuzione e riduce la variabilità della latenza.
• Inferenza su CPU fino al 43% più veloce: le ottimizzazioni architetturali rendono YOLO26n fino al 43% più veloce di YOLO11n sulle CPU standard, una caratteristica adatta agli ambienti IoT e embedded.
• Rimozione della DFL: la Distribution Focal Loss è stata rimossa, semplificando il processo di esportazione e migliorando la compatibilità con i dispositivi edge a basso consumo che usano strumenti come ONNX.
• Ottimizzatore MuSGD: ispirato alle routine di addestramento degli LLM di Kimi K2 di Moonshot AI, questo ibrido tra SGD e Muon porta le innovazioni nell'addestramento dei modelli linguistici di grandi dimensioni direttamente nella visione artificiale, favorendo una convergenza più rapida e un addestramento più stabile.
• ProgLoss + STAL: Progressive Loss e assegnazione delle etichette consapevole degli oggetti piccoli (STAL) migliorano il riconoscimento degli oggetti di piccole dimensioni, un aspetto importante per le applicazioni che coinvolgono immagini aeree riprese da droni e robotica.

Panoramica architetturale: EfficientDet#

• Autori: Mingxing Tan, Ruoming Pang e Quoc V. Le
• Organizzazione: Google Research
• Data: 2019-11-20
• arXiv: Articolo su EfficientDet
• GitHub: Repository Google AutoML

Introdotto da Google, EfficientDet si basa sull'ecosistema TensorFlow ed è stato progettato attorno al concetto di scalabilità composta. La sua architettura aumenta simultaneamente le dimensioni della rete backbone, della rete delle caratteristiche e delle reti di previsione di riquadri e classi in base ai vincoli delle risorse.

Le principali innovazioni di EfficientDet includono:

• BiFPN (rete piramidale delle feature bidirezionale): un meccanismo che consente una fusione facile e rapida delle feature a più scale, permettendo alla rete di comprendere meglio oggetti di dimensioni diverse.
• Scaling composto: un metodo euristico per aumentare uniformemente risoluzione, profondità e larghezza, creando una famiglia di modelli da d0 (il più piccolo) a d7 (il più grande).

EfficientDet resta una scelta valida per il rilevamento dei riquadri delimitatori, ma non offre la moderna versatilità multi-task (ad esempio, il supporto nativo per le attività OBB) né l'ecosistema Python unificato e snello che gli sviluppatori moderni si aspettano.

Scopri di più su EfficientDet

Confronto delle prestazioni e delle metriche#

La tabella seguente confronta entrambe le architetture sul dataset COCO e mostra le differenze in termini di dimensioni del modello, accuratezza e latenza, con le velocità su CPU misurate usando ONNX Runtime e quelle su GPU usando TensorRT su NVIDIA T4.

YOLO26x raggiunge la massima accuratezza (57.5 mAP), con 3.8 punti in più rispetto a EfficientDet-d7, e impiega 11.8 ms anziché 128.07 ms su una T4 con TensorRT. YOLO26 è molto più veloce su GPU nell'intera gamma (fino a 1.7 ms).

Efficienza dell'addestramento e vantaggi dell'ecosistema#

Una differenza sostanziale tra le due architetture riguarda gli ambienti di sviluppo. EfficientDet è profondamente integrato nell'ecosistema Google AutoML e TensorFlow, che può comportare una curva di apprendimento ripida e configurazioni rigide per i dataset personalizzati e le attività più recenti, come il rilevamento orientato su DOTAv1.

Ultralytics offre un ecosistema ben mantenuto basato su PyTorch, con un addestramento efficiente in termini di memoria che funziona anche su GPU di fascia modesta.

Esempio di implementazione#

L'API Ultralytics ti permette di addestrare ed esportare un modello YOLO26 con poche righe di codice.

from ultralytics import YOLO

# Inizializza il modello YOLO26 end-to-end senza NMS
model = YOLO("yolo26n.pt")

# Addestra su un dataset personalizzato (optimizer='auto' seleziona MuSGD per le sessioni di addestramento più lunghe)
train_results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    device="0",  # Addestra su GPU
)

# Esporta in modo nativo in TensorRT per una distribuzione a latenza ultra-bassa
model.export(format="engine")

Casi d'uso ideali#

Quando usare YOLO26:

• Edge computing e dispositivi mobili: grazie a una velocità su CPU fino al 43% superiore a YOLO11n e all'inferenza opzionale senza NMS, YOLO26 offre prestazioni elevate su dispositivi con budget di calcolo molto limitati, come Raspberry Pi o telefoni cellulari.
• Multi-task: quando una singola pipeline richiede riquadri delimitatori, maschere di segmentazione e tracciamento, YOLO26 gestisce tutto in un unico framework.
• Immagini riprese da droni e immagini aeree: la combinazione di ProgLoss e STAL migliora il rilevamento degli oggetti piccoli da grandi altitudini.

Quando usare EfficientDet:

• Pipeline TensorFlow esistenti: se la tua infrastruttura supporta solo SavedModel TensorFlow o richiede pipeline TensorFlow Serving specifiche, EfficientDet offre compatibilità nativa.
• TPU con risorse limitate: EfficientDet è stato ottimizzato per le Tensor Processing Unit (TPU) personalizzate di Google.

Esplora altre alternative#

Questa guida si concentra su YOLO26 ed EfficientDet, ma l'ecosistema Ultralytics include anche altre architetture. Se la tua applicazione si basa sui Transformer, RT-DETR offre il rilevamento in tempo reale basato su Transformer. In alternativa, se devi supportare sistemi esistenti, YOLO11 è ancora pienamente supportato. Per una panoramica più ampia, visita l'hub dei confronti tra modelli Ultralytics.

Per le nuove pipeline di visione artificiale, la velocità, la facilità d'uso e l'accuratezza di YOLO26 lo rendono la scelta consigliata per ricercatori e sviluppatori.