YOLOv6-3.0 vs EfficientDet
Scegliere l'architettura ottimale per i progetti di visione artificiale richiede una conoscenza approfondita dei compromessi tra velocità, accuratezza e fattibilità della distribuzione. Questa pagina di confronto offre un'analisi approfondita di due distinti modelli di rilevamento degli oggetti: YOLOv6-3.0 ed EfficientDet. Entrambi hanno contribuito in modo significativo al settore, ma le moderne distribuzioni edge e la prototipazione rapida traggono spesso vantaggio da framework più unificati, come la piattaforma Ultralytics.
Di seguito trovi un grafico interattivo che visualizza le differenze prestazionali tra questi modelli e ti aiuta a comprendere i rispettivi profili di latenza e accuratezza.
YOLOv6-3.0: throughput di livello industriale#
Meituan ha progettato esplicitamente YOLOv6-3.0 come framework di rilevamento di oggetti single-stage ad alte prestazioni, pensato per le applicazioni industriali. Si concentra soprattutto sulla massimizzazione del throughput su hardware GPU, rendendolo una valida opzione per linee di produzione ad alta velocità e analisi video offline.
- Autori: Chuyi Li, Lulu Li, Yifei Geng, Hongliang Jiang, Meng Cheng, Bo Zhang, Zaidan Ke, Xiaoming Xu e Xiangxiang Chu
- Organizzazione: Meituan
- Data: 2023-01-13
- arXiv: 2301.05586
- GitHub: meituan/YOLOv6
Punti salienti dell'architettura#
L'architettura YOLOv6-3.0 si basa su un modulo di concatenazione bidirezionale (BiC) per migliorare la fusione delle caratteristiche a scale diverse. Per garantire elevate velocità di inferenza, sfrutta un backbone EfficientRep, altamente ottimizzato per l'esecuzione su GPU. Inoltre, impiega una strategia di addestramento assistito da anchor (AAT), che combina i vantaggi dei rilevatori senza anchor e di quelli basati su anchor durante l'addestramento, mantenendo al contempo una pipeline di inferenza senza anchor per ridurre la latenza.
Punti di forza e debolezze#
YOLOv6-3.0 dà il meglio negli ambienti dotati di GPU dedicate e offre una inferenza in tempo reale rapida con TensorRT. Tuttavia, la forte dipendenza da ottimizzazioni hardware specifiche può causare prestazioni non ottimali sui dispositivi edge AI basati solo su CPU. Inoltre, sebbene supporti alcune forme di quantizzazione, i suoi strumenti sono meno unificati rispetto all'ecosistema Ultralytics.
EfficientDet: architettura AutoML scalabile#
Sviluppato da Google Research, EfficientDet adotta un approccio fondamentalmente diverso. Invece di progettare manualmente la rete, gli autori hanno utilizzato l'apprendimento automatico automatizzato (AutoML) per progettare un'architettura scalabile che bilancia parametri, FLOPs e accuratezza.
- Autori: Mingxing Tan, Ruoming Pang e Quoc V. Le
- Organizzazione: Google Brain
- Data: 2019-11-20
- arXiv: 1911.09070
- GitHub: google/automl
Punti salienti dell'architettura#
EfficientDet ha introdotto la Bi-directional Feature Pyramid Network (BiFPN), che consente una fusione delle feature multi-scala semplice e veloce. In combinazione con un metodo di scaling composto, che scala in modo uniforme risoluzione, profondità e larghezza di tutti i backbone, delle reti di feature e delle reti di previsione di box e classi, i modelli EfficientDet vanno dal compatto d0 al più grande d7.
Punti di forza e debolezze#
EfficientDet è molto efficiente in termini di parametri. Ottiene una buona precisione media (mAP) con relativamente pochi parametri rispetto ai rilevatori di oggetti meno recenti. Tuttavia, l'implementazione di riferimento si basa su TensorFlow, che comporta una gestione delle dipendenze più complessa, cicli di addestramento più lenti e requisiti di memoria più elevati durante l'addestramento rispetto alle implementazioni PyTorch ottimizzate. Anche l'inferenza sulle GPU moderne è considerevolmente più lenta rispetto alle architetture YOLO recenti.
Confronto dettagliato delle prestazioni#
La tabella seguente mette a confronto le specifiche tecniche di YOLOv6-3.0 ed EfficientDet in base a diverse metriche. Nota come YOLOv6-3.0 sia più veloce su GPU, mentre EfficientDet raggiunga un mAP superiore a costo di una latenza notevole.
| Modello | dimensione (pixel) | mAPval50-95 | Velocità CPU ONNX (ms) | Velocità T4 TensorRT10 (ms) | parametri (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv6-3.0n | 640 | 37.5 | - | 1.17 | 4.7 | 11.4 |
| YOLOv6-3.0s | 640 | 45.0 | - | 2.66 | 18.5 | 45.3 |
| YOLOv6-3.0m | 640 | 50.0 | - | 5.28 | 34.9 | 85.8 |
| YOLOv6-3.0l | 640 | 52.8 | - | 8.95 | 59.6 | 150.7 |
| 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 |
Quando confronti i modelli, ricorda che FLOPs e numero di parametri non sono sempre perfettamente correlati alla latenza nel mondo reale. YOLOv6-3.0 è ottimizzato per TensorRT e raggiunge velocità dell'ordine dei millisecondi, nonostante abbia un numero di FLOPs superiore a quello dei modelli EfficientDet di fascia inferiore.
I vantaggi dell’ecosistema Ultralytics#
YOLOv6-3.0 ed EfficientDet rispondono a esigenze specifiche, ma i progetti moderni di visione artificiale richiedono versatilità, facilità d'uso e un ecosistema ben mantenuto. Sono questi i punti di forza dei modelli Ultralytics YOLO.
Facilità d'uso ed efficienza dell'addestramento#
A differenza di EfficientDet, che richiede di districarsi tra configurazioni TensorFlow complesse, i modelli Ultralytics si basano sull'intuitiva piattaforma PyTorch e su un'unica API Python. La piattaforma Ultralytics copre il resto del ciclo di vita del machine learning, dall'annotazione al deployment. L'addestramento di un modello Ultralytics richiede in genere meno memoria CUDA, velocizzando la sperimentazione e riducendo i costi di calcolo.
Versatilità#
YOLOv6-3.0 ed EfficientDet si limitano principalmente al rilevamento di oggetti. Le moderne architetture Ultralytics, invece, sono multi-task per natura. Un'unica interfaccia consente di addestrare modelli per la segmentazione di istanze, la segmentazione semantica, la stima della profondità, la classificazione delle immagini, la stima della posa e le attività di bounding box orientate (OBB); in YOLO26 sono disponibili anche la segmentazione semantica e la stima della profondità.
Presentazione di Ultralytics YOLO26#
Per gli sviluppatori che cercano il miglior equilibrio tra velocità e precisione, il modello consigliato è Ultralytics YOLO26. Rilasciato a gennaio 2026, introduce diversi miglioramenti rispetto a YOLOv6 ed EfficientDet:
- Design end-to-end senza NMS: La testa opzionale one-to-one di YOLO26 (
nms=False) elimina la necessità della post-elaborazione con soppressione dei massimi non locali (NMS), riducendo la variabilità della latenza e semplificando la logica di deployment sui dispositivi edge. - Ottimizzatore MuSGD: Ispirato all'addestramento dei modelli linguistici di grandi dimensioni (LLM), questo ibrido tra SGD e Muon offre un addestramento stabile e una convergenza più rapida.
- Inferenza su CPU fino al 43% più veloce: Con la rimozione della Distribution Focal Loss (DFL), YOLO26n è fino al 43% più veloce su CPU rispetto a YOLO11n, caratteristica adatta ai dispositivi IoT a basso consumo.
- ProgLoss + STAL: La funzione di perdita progressiva e l'assegnazione delle etichette consapevole degli oggetti piccoli migliorano il riconoscimento degli oggetti di piccole dimensioni, rendendo YOLO26 ideale per applicazioni con droni e immagini aeree.
Casi d'uso e consigli#
La scelta tra YOLOv6 ed EfficientDet dipende dai requisiti specifici del progetto, dai vincoli di distribuzione e dalle preferenze relative all'ecosistema.
Quando scegliere YOLOv6#
YOLOv6 è una scelta valida per:
- Distribuzione ottimizzata per l’hardware industriale: scenari in cui la progettazione consapevole dell’hardware e la riparametrizzazione efficiente del modello offrono prestazioni ottimizzate sull’hardware di destinazione specifico.
- Rilevamento rapido a singolo stadio: applicazioni che privilegiano la velocità pura di inferenza su GPU per l’elaborazione video in tempo reale in ambienti controllati.
- Integrazione nell’ecosistema Meituan: team che lavorano già nello stack tecnologico e nell’infrastruttura di distribuzione di Meituan.
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 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, sui quali YOLO26n è fino al 43% più veloce di YOLO11n su CPU.
- Rilevamento di oggetti piccoli: scenari impegnativi come le immagini aeree da droni o l'analisi dei sensori IoT, in cui ProgLoss e STAL migliorano la precisione sugli oggetti minuscoli.
Esempio di implementazione: addestrare YOLO26#
Il codice seguente dimostra quanto sia semplice l'ecosistema Ultralytics. Addestrare un modello all'avanguardia è facile come caricare i pesi e indicare i dati.
from ultralytics import YOLO
# Load the highly optimized YOLO26 nano model
model = YOLO("yolo26n.pt")
# Train the model on a dataset with automatic hyperparameter handling
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Validate the model to check mAP metrics
metrics = model.val()
print(f"Validation mAP50-95: {metrics.box.map}")
# Run inference on a test image
prediction = model("https://ultralytics.com/images/bus.jpg")Altri modelli da considerare#
Se stai valutando altri modelli di rilevamento di oggetti, considera queste alternative:
- YOLO11: Il predecessore di YOLO26, con supporto multi-task e una vasta community.
- YOLOv10: La prima architettura YOLO a introdurre l'addestramento senza NMS, aprendo la strada al moderno rilevamento end-to-end.
- RT-DETR: Per gli scenari in cui si preferiscono architetture basate su Transformer e meccanismi di attenzione alle CNN tradizionali.
Conclusione#
Sebbene YOLOv6-3.0 offra un throughput GPU industriale eccellente ed EfficientDet dimostri il potenziale di AutoML nella creazione di reti scalabili ed efficienti in termini di parametri, entrambi i modelli presentano limiti quanto alla semplicità di distribuzione e alla moderna versatilità multi-task.
Per la maggior parte delle applicazioni reali, dal deployment edge su dispositivi mobili all'analisi basata sul cloud, l'ecosistema Ultralytics offre un ottimo equilibrio prestazionale. Adottando YOLO26, gli sviluppatori ottengono un'inferenza opzionale senza NMS, funzioni di perdita migliorate per gli oggetti piccoli e una pipeline di addestramento unificata e ben documentata, che riduce il percorso dal prototipo alla produzione.
Commenti
Fai una domanda, condividi i tuoi risultati o aiuta qualcun altro.