YOLOv8 vs EfficientDet
Nel rapido evolversi del rilevamento degli oggetti, scegliere l'architettura di rete neurale giusta è fondamentale per bilanciare precisione, velocità di inferenza e fattibilità della distribuzione. Questo confronto tecnico analizza due architetture influenti: Ultralytics YOLOv8, uno standard versatile nell'ecosistema moderno della visione artificiale, ed EfficientDet, un modello fondamentale di Google noto per la sua strategia di ridimensionamento composto.
Che la distribuzione sia destinata a server cloud ad alte prestazioni o a dispositivi edge con risorse limitate, comprendere le differenze architetturali tra questi modelli ti aiuterà a scegliere quello giusto.
Panoramica dell'architettura#
Entrambi i modelli affrontano il problema dell'identificazione e della localizzazione degli oggetti in un'immagine usando reti neurali convoluzionali, ma adottano metodologie diverse per estrarre le caratteristiche e regredire i riquadri di delimitazione.
Ultralytics YOLOv8#
Rilasciato da Ultralytics nel gennaio 2023, YOLOv8 ha rappresentato un importante passo avanti per la famiglia YOLO. Sviluppato da Glenn Jocher, Ayush Chaurasia e Jing Qiu, è stato progettato da zero per supportare più attività di visione artificiale, tra cui il rilevamento degli oggetti, la segmentazione delle istanze, la classificazione delle immagini e la stima della posa.
L'architettura introduce una testa di rilevamento anchor-free, che riduce il numero di predizioni dei riquadri e accelera la Non-Maximum Suppression (NMS). Il backbone usa un modulo C2f (bottleneck Cross-Stage Partial con due convoluzioni) per migliorare il flusso del gradiente durante l'addestramento mantenendo un ingombro ridotto. Questo rende YOLOv8 efficiente quando viene compilato in formati come NVIDIA TensorRT o ONNX.
EfficientDet#
Sviluppato da Mingxing Tan, Ruoming Pang e Quoc V. Le di Google e rilasciato alla fine del 2019, EfficientDet punta a un'efficienza scalabile. Descritto nel loro articolo ufficiale su arXiv, il modello si basa sulla ricerca AutoML di Google.
La caratteristica distintiva di EfficientDet è la sua rete piramidale delle caratteristiche bidirezionale (BiFPN), che consente una fusione multiscala delle caratteristiche semplice e rapida. In combinazione con un backbone EfficientNet, l'architettura usa un metodo di ridimensionamento composto che scala uniformemente risoluzione, profondità e larghezza di backbone, rete delle caratteristiche e reti di predizione dei riquadri e delle classi. Pur offrendo un'eccellente efficienza in termini di parametri, la complessa topologia della rete tende a essere più lenta sulle GPU di quanto suggerisca il basso numero di FLOP.
Confronto delle prestazioni e delle metriche#
Nel confronto tra rilevatori di oggetti, la precisione media (mAP) e la latenza di inferenza sono le metriche di riferimento principali. La tabella seguente mostra il confronto tra le varianti YOLOv8 e la famiglia EfficientDet (d0-d7) in base a metriche standard sul dataset COCO.
| Modello | dimensione (pixel) | mAPval50-95 | Velocità CPU ONNX (ms) | Velocità T4 TensorRT10 (ms) | parametri (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv8n | 640 | 37.3 | 80.4 | 1.47 | 3.2 | 8.7 |
| YOLOv8s | 640 | 44.9 | 128.4 | 2.66 | 11.2 | 28.6 |
| YOLOv8m | 640 | 50.2 | 234.7 | 5.86 | 25.9 | 78.9 |
| YOLOv8l | 640 | 52.9 | 375.2 | 9.06 | 43.7 | 165.1 |
| YOLOv8x | 640 | 53.9 | 479.1 | 14.37 | 68.2 | 257.8 |
| 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 |
Sebbene EfficientDet raggiunga un'accuratezza competitiva con meno FLOP, Ultralytics YOLOv8 è molto più veloce sulle GPU. Per esempio, YOLOv8x raggiunge un mAP leggermente superiore (53,9) rispetto a EfficientDet-d7 (53,7), ma è circa 9 volte più veloce su una GPU T4 (14,37 ms contro 128,07 ms), rendendo YOLOv8 un'ottima scelta per l'analisi video in tempo reale.
Metodologie di training ed ecosistema#
L'esperienza di sviluppo è un fattore cruciale nella scelta di un'architettura di machine learning, e il supporto della community e gli strumenti dell'ecosistema differiscono notevolmente tra questi modelli.
EfficientDet si basa fortemente su TensorFlow e su pipeline AutoML specializzate. Sebbene sia efficace per l'addestramento cloud distribuito su larga scala, configurare l'ambiente, regolare gli anchor e interpretare i file di configurazione densi nel repository GitHub di EfficientDet può richiedere un notevole impegno.
Al contrario, Ultralytics YOLOv8 è basato nativamente su PyTorch ed è progettato per essere facile da usare. Gli sviluppatori possono iniziare l'addestramento con una sola riga di codice Python o un singolo comando CLI. Anche l'uso della memoria durante l'addestramento è ottimizzato, così chi dispone di GPU consumer di fascia modesta può addestrare modelli efficaci con meno errori di memoria insufficiente (OOM) rispetto a quelli spesso causati dalle architetture basate su Transformer.
Ultralytics Platform aggiunge un'interfaccia senza codice per l'annotazione dei dataset, l'addestramento dei modelli e la distribuzione sul cloud, mentre la ottimizzazione degli iperparametri integrata aiuta a migliorare la precisione sui dataset personalizzati.
Esempio di codice Python: inferenza con YOLOv8#
Per addestrare ed eseguire YOLOv8 con il repository GitHub di Ultralytics bastano poche righe di codice:
from ultralytics import YOLO
# Inizializza il modello YOLOv8 nativamente in PyTorch
model = YOLO("yolov8n.pt")
# Addestra il modello sul dataset di esempio COCO8
train_results = model.train(data="coco8.yaml", epochs=50, imgsz=640)
# Esegui un'inferenza rapida su un URL di un'immagine
inference_results = model("https://ultralytics.com/images/bus.jpg")
# Visualizza i riquadri di delimitazione
inference_results[0].show()La nuova generazione: passare a Ultralytics YOLO26#
YOLOv8 resta un modello valido per la produzione, ma chi avvia nuovi progetti dovrebbe valutare Ultralytics YOLO26, rilasciato a gennaio 2026 e ora modello Ultralytics consigliato.
YOLO26 introduce una progettazione nativa end-to-end senza NMS. La testa one-to-one opzionale (nms=False) elimina la post-elaborazione NMS, un passaggio utilizzato fin dalle prime versioni di YOLO, riducendo la variabilità della latenza e semplificando la distribuzione sui dispositivi a basso consumo.
YOLO26 include inoltre diversi miglioramenti all'addestramento e all'architettura:
- Ottimizzatore MuSGD: ispirato alle tecniche di addestramento degli LLM, questo ibrido di SGD e Muon garantisce un addestramento stabile e una convergenza più rapida.
- Inferenza CPU fino al 43% più veloce: grazie alla rimozione di NMS e DFL, YOLO26n è fino al 43% più veloce di YOLO11n nell'inferenza CPU ONNX, una caratteristica ideale per i dispositivi edge basati solo su CPU e privi di NPU dedicate.
- ProgLoss + STAL: la perdita progressiva e l'assegnazione delle etichette consapevole degli oggetti piccoli (STAL) migliorano il rilevamento degli oggetti piccoli, con vantaggi per le immagini aeree e le applicazioni con telecamere IoT.
- Rimozione di DFL: eliminare Distribution Focal Loss semplifica l'esportazione in formati come OpenVINO e CoreML.
Casi d'uso e consigli#
La scelta tra queste architetture dipende in ultima analisi dai vincoli di deployment e dai requisiti di compatibilità con i sistemi esistenti.
- Scegli Ultralytics YOLOv8 se: stai sviluppando applicazioni versatili di visione artificiale che richiedono alta precisione, inferenza GPU in tempo reale e un'esperienza di sviluppo semplice. Le prestazioni elevate nelle attività di rilevamento, segmentazione e classificazione lo rendono una scelta versatile per l'analisi nel commercio al dettaglio, la robotica e i sistemi di sicurezza.
- Scegli EfficientDet se: sei vincolato a flussi di lavoro legacy basati su TensorFlow e la tua priorità è ridurre al minimo il numero di parametri e i FLOP teorici, magari per scopi di ricerca anziché per un deployment industriale strettamente in tempo reale.
- Scegli Ultralytics YOLO26 se: stai avviando un nuovo progetto. YOLO26 è l'attuale modello Ultralytics consigliato e la sua architettura nativa end-to-end senza NMS è adatta sia alle distribuzioni edge veloci sia all'elaborazione cloud su larga scala.
Se stai esplorando altri modelli dell'ecosistema Ultralytics, puoi valutare anche Ultralytics YOLO11 per un equilibrio collaudato tra velocità e precisione, oppure RT-DETR per un approccio al rilevamento in tempo reale basato su Transformer.
Commenti1
Fai una domanda, condividi i tuoi risultati o aiuta qualcun altro.
extremezero9023(modificato)
Great technical breakdown! EfficientDet is known for its excellent accuracy-to-efficiency ratio, especially in resource-constrained environments. However, this YOLOv8 comparison highlights how v8 brings better versatility, faster inference times, and an easier training pipeline. While EfficientDet excels in structured setups, YOLOv8 feels more production-ready for dynamic and real-time use cases.