Começar

EfficientDet vs YOLOv7

Selecionar a arquitetura de rede neural mais eficaz é fundamental para o sucesso de qualquer projeto de visão computacional. Comparar modelos consolidados, como EfficientDet e YOLOv7, ajuda os programadores a otimizar tanto a precisão como a eficiência computacional.

Esta análise técnica aborda os detalhes arquitetónicos, as métricas de desempenho e os cenários de implementação mais adequados para ambos os modelos. Também explica por que motivo o ecossistema integrado da Ultralytics, incluindo a mais recente Ultralytics YOLO26, é uma alternativa sólida para as tarefas modernas de visão computacional.

Compreender o EfficientDet#

O EfficientDet foi concebido para maximizar a precisão e gerir sistematicamente os custos computacionais perante várias limitações de recursos. Conseguiu-o através de uma nova abordagem ao escalonamento e à fusão de características.

Detalhes do EfficientDet:

Arquitetura e inovações#

Na sua essência, o EfficientDet usa uma rede de pirâmide de características bidirecional (BiFPN). Ao contrário das FPN tradicionais, a BiFPN permite uma fusão rápida de características em várias escalas através da introdução de pesos aprendíveis para determinar a importância de diferentes características de entrada. Isto combina-se com um método de escalonamento composto que escala uniformemente e em simultâneo a resolução, a profundidade e a largura da backbone, da rede de características e das redes de previsão de caixas/classes.

Pontos fortes e fracos#

O EfficientDet é altamente escalável. As variantes mais pequenas (d0-d2) são extremamente eficientes em termos de parâmetros, sendo adequadas para ambientes com limitações rigorosas de armazenamento. As variantes maiores (como a d7) levam os limites da precisão média (mAP) mais longe no processamento offline de alto desempenho.

No entanto, o EfficientDet depende bastante de implementações antigas de TensorFlow e de pipelines complexos de AutoML. Esta infraestrutura antiga dificulta a integração em fluxos de trabalho modernos centrados em PyTorch. Também sofre de uma latência de inferência significativa em dispositivos de edge quando se escala para variantes de maior precisão.

Sabe mais sobre o EfficientDet

Compreender o YOLOv7#

Lançado em 2022, o YOLOv7 trouxe uma grande melhoria de velocidade e precisão para aplicações em tempo real, estabelecendo na altura uma nova referência para a família YOLO.

Detalhes do YOLOv7:

Arquitetura e inovações#

O YOLOv7 apresentou a Rede Estendida de Agregação Eficiente de Camadas (E-ELAN). Esta melhoria da arquitetura aumenta a capacidade de aprendizagem da rede sem destruir o percurso de gradiente original, permitindo ao modelo aprender características mais diversas de forma eficiente. Além disso, implementa um «conjunto de técnicas gratuitas treináveis», recorrendo a técnicas como a reparametrização planeada e a atribuição dinâmica de rótulos para aumentar a precisão sem elevar o custo de inferência.

Pontos fortes e fracos#

O YOLOv7 tem um bom desempenho em cenários em tempo real, como análise de vídeo e navegação robótica de alta velocidade. Escala bem em GPUs de classe de servidor e oferece uma implementação nativa em PyTorch, tornando-o acessível a investigadores académicos.

Apesar da sua velocidade, o YOLOv7 continua a depender da supressão não máxima (NMS) para o pós-processamento, o que pode introduzir latência variável em cenários com muitas pessoas ou objetos. A sua pegada de memória durante o treino é consideravelmente maior do que a das gerações mais recentes, exigindo hardware mais robusto para lidar com tamanhos de batch grandes.

Saiba mais sobre o YOLOv7

Comparação de desempenho e métricas#

Ao comparar estes modelos, é fundamental analisar os compromissos entre precisão, velocidade de inferência e número de parâmetros. A tabela abaixo avalia várias configurações de EfficientDet e YOLOv7.

Modelotamanho
(pixels)
mAPval50-95Velocidade
CPU ONNX
(ms)
Velocidade
T4 TensorRT10
(ms)
parâmetros
(M)
FLOPs
(B)
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
YOLOv7l64051.4-6.8436.9104.7
YOLOv7x64053.1-11.5771.3189.9
Conclusão sobre o desempenho

Embora o EfficientDet-d7 alcance o mAP mais elevado, demora cerca de 128 ms numa GPU T4. O YOLOv7x atinge um mAP comparável de 53,1 em 11,57 ms, uma melhoria de uma ordem de grandeza na eficiência computacional para implementações em tempo real.

Casos de uso e recomendações#

A escolha entre EfficientDet e YOLOv7 depende dos requisitos específicos do teu projeto, das restrições de implementação e das tuas preferências de ecossistema.

Quando escolher o EfficientDet#

O EfficientDet é uma boa opção para:

  • Google Cloud e pipelines de TPU: Sistemas baseados em TensorFlow na infraestrutura de TPU do Google Cloud, onde a implementação de referência do EfficientDet oferece suporte ao treinamento em TPU.
  • Investigação sobre escalonamento composto: Avaliação comparativa académica centrada no estudo dos efeitos do escalonamento equilibrado da profundidade, largura e resolução da rede.
  • Implementação móvel através do LiteRT: Projetos que exigem especificamente a exportação para LiteRT (anteriormente TensorFlow Lite) para Android ou dispositivos Linux integrados.

Quando escolher o YOLOv7#

O YOLOv7 é recomendado para:

  • Benchmarking acadêmico: reproduzir resultados de ponta de 2022 ou estudar os efeitos do E-ELAN e das técnicas de conjunto treinável de vantagens gratuitas.
  • Pesquisa sobre reparametrização: investigar convoluções reparametrizadas planejadas e estratégias de escalabilidade composta de modelos.
  • Pipelines personalizados existentes: projetos com pipelines altamente personalizados, construídos em torno da arquitetura específica do YOLOv7, que não podem ser refatorados facilmente.

Quando escolher Ultralytics (YOLO26)#

Para a maioria dos novos projetos, o Ultralytics YOLO26 oferece a melhor combinação de desempenho e experiência para desenvolvedores:

  • Implantação de borda sem NMS: Aplicações que exigem inferência consistente e de baixa latência, sem a complexidade do pós-processamento com supressão não máxima.
  • Ambientes apenas com CPU: dispositivos sem aceleração GPU dedicada, nos quais a inferência na CPU do YOLO26n, até 43% mais rápida do que a do YOLO11n, oferece uma vantagem clara.
  • Detecção de objetos pequenos: Cenários desafiadores, como imagens aéreas de drones ou análise de sensores de IoT, nos quais ProgLoss e STAL melhoram significativamente a precisão na detecção de objetos minúsculos.

A vantagem da Ultralytics#

A escolha da arquitetura certa vai além das métricas brutas; implica avaliar todo o ciclo de vida do machine learning. O ecossistema Ultralytics proporciona uma excelente experiência para programadores, reduzindo significativamente as barreiras à implementação de soluções de IA robustas.

  • Facilidade de utilização: a Ultralytics oferece uma API Python unificada. Os programadores podem treinar, validar e exportar modelos com apenas algumas linhas de código, sem terem de gerir as bases de código complexas e fragmentadas típicas do EfficientDet.
  • Ecossistema bem mantido: Graças a atualizações rápidas, documentação abrangente e uma comunidade ativa, a Ultralytics assegura a compatibilidade com as mais recentes frameworks de implementação, como TensorRT e OpenVINO.
  • Requisitos de memória: ao utilizar carregadores de dados PyTorch otimizados e estruturas de rede simplificadas, os modelos Ultralytics YOLO exigem significativamente menos memória CUDA durante o treino do que as redes com vários ramos e os modelos com muitos Transformers.
  • Versatilidade: ao contrário das arquiteturas antigas, estritamente limitadas à deteção de caixas delimitadoras, os modelos Ultralytics são estruturas multitarefa que suportam segmentação de instâncias, estimativa de pose e caixas delimitadoras orientadas (OBB).

Eficiência de treinamento com a Ultralytics#

O código seguinte mostra como é simples treinar um modelo com o pacote Python da Ultralytics, em comparação com a configuração de pipelines antigos de TensorFlow.

from ultralytics import YOLO

# Carrega o modelo YOLO26 altamente recomendado
model = YOLO("yolo26s.pt")

# Treinar o modelo com aumento de dados integrado
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Exportar o modelo para TensorRT para implementação
model.export(format="engine")

O novo padrão: YOLO26#

Embora o YOLOv7 e o EfficientDet tenham lançado as bases da visão computacional moderna, o panorama mudou significativamente com a introdução da Ultralytics YOLO26 em janeiro de 2026. Concebida para oferecer tanto elevada precisão como um desempenho rápido em edge, a YOLO26 é o modelo recomendado para novos projetos de visão.

Principais Inovações do YOLO26#

  • Design de ponta a ponta sem NMS: com base nos fundamentos estabelecidos pela YOLOv10, a YOLO26 oferece uma head nativa de ponta a ponta (nms=False). Ao eliminar completamente o pós-processamento NMS, proporciona uma latência menor e mais consistente, algo crucial para sistemas críticos de segurança, como a condução autónoma.
  • Inferência em CPU até 43% mais rápida: graças à remoção da Distribution Focal Loss (DFL), a YOLO26 simplifica o processo de exportação e permite uma inferência rápida em dispositivos de edge, como o Raspberry Pi (a YOLO26n é até 43% mais rápida em CPU do que a YOLO11n), sendo uma ótima opção para computação de edge.
  • Otimizador MuSGD: a YOLO26 incorpora o otimizador MuSGD, um híbrido de SGD e Muon inspirado em técnicas de treino de LLM da Moonshot AI. Isto proporciona uma dinâmica de treino estável e uma convergência mais rápida.
  • ProgLoss + STAL: a Progressive Loss e a atribuição de rótulos sensível a alvos pequenos melhoram a capacidade do modelo para detetar objetos minúsculos, um problema frequente em imagens de drones e sistemas de alarme de segurança.
  • Melhorias específicas por tarefa: a YOLO26 é mais do que um detetor. Inclui uma loss de segmentação semântica e protótipos multiescala para uma segmentação de instâncias de maior qualidade, Residual Log-Likelihood Estimation (RLE) para uma estimativa de pose mais precisa e uma loss de ângulo especializada para resolver ambiguidades nos limites de OBB.

Explorar modelos alternativos#

Embora a YOLO26 seja a opção predefinida recomendada, o ecossistema Ultralytics suporta vários modelos adaptados a diferentes casos de utilização.

Para os programadores que mantêm sistemas existentes, a YOLO11 continua a ser uma opção robusta e bem suportada na Ultralytics Platform. Para cenários que exigem explicitamente arquiteturas baseadas em Transformers, o RT-DETR oferece deteção em tempo real com um codificador-descodificador Transformer, aproximando os mecanismos de atenção das velocidades de execução em tempo real.

Em conclusão, embora o EfficientDet ofereça conhecimentos académicos sobre o escalonamento composto e o YOLOv7 proporcione um forte desempenho de referência em tempo real, as empresas modernas beneficiam mais da adoção da Ultralytics Platform. Com a YOLO26, as equipas obtêm um desempenho sólido, pouca fricção no treino e um percurso de implementação com manutenção ativa.

Comentários

Faz uma pergunta, partilha os teus resultados ou ajuda alguém.