Inizia

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.

Scopri di più su EfficientDet

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.

Modellodimensione
(pixel)
mAPval50-95Velocità
CPU ONNX
(ms)
Velocità
T4 TensorRT10
(ms)
parametri
(M)
FLOPs
(B)
YOLOv8n64037.380.41.473.28.7
YOLOv8s64044.9128.42.6611.228.6
YOLOv8m64050.2234.75.8625.978.9
YOLOv8l64052.9375.29.0643.7165.1
YOLOv8x64053.9479.114.3768.2257.8
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
Analisi del bilanciamento delle prestazioni

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.

  1. extremezero9023GitHub(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.