EfficientDet vs. YOLO11: Ein umfassender technischer Vergleich
Die Auswahl der optimalen neuronalen Netzwerkarchitektur ist die Grundlage jeder erfolgreichen Computer-Vision-Anwendung. Dieser umfassende Leitfaden bietet einen detaillierten technischen Vergleich zwischen Google EfficientDet und Ultralytics YOLO11und analysiert deren architektonische Unterschiede, Leistungskennzahlen und ideale Einsatzszenarien.
Unabhängig davon, ob Sie eine Latenz im Millisekundenbereich auf Edge-KI-Geräten anstreben oder skalierbare Genauigkeit für cloudbasierte Inferenz benötigen, ist es entscheidend, die Nuancen dieser Modelle zu verstehen.
Modellprofile und technische Details
Das Verständnis der Herkunft und der zugrunde liegenden Designphilosophie jeder Architektur hilft dabei, ihre Leistung bei realen Objekterkennungsaufgaben in einen Kontext zu setzen.
EfficientDet
Entwickelt von Forschern bei Google Brain, führte EfficientDet einen prinzipiellen Ansatz zur Skalierung von Objekterkennungsnetzwerken ein, zusammen mit dem neuartigen BiFPN (Bidirectional Feature Pyramid Network).
- Autoren: Mingxing Tan, Ruoming Pang, und Quoc V. Le
- Organisation:Google
- Datum: 2019-11-20
- Arxiv:https://arxiv.org/abs/1911.09070
- GitHub:https://github.com/google/automl/tree/master/efficientdet
- Dokumentation:https://github.com/google/automl/tree/master/efficientdet#readme
Erfahren Sie mehr über EfficientDet
YOLO11
YOLO11 eine bedeutende Weiterentwicklung im Ultralytics YOLO11 und erweitert die Grenzen der Echtzeitleistung, Parametereffizienz und des Multitask-Lernens.
- Autoren: Glenn Jocher und Jing Qiu
- Organisation:Ultralytics
- Datum: 2024-09-27
- GitHub:https://github.com/ultralytics/ultralytics
- Dokumentation:https://docs.ultralytics.com/models/yolo11/
Architekturvergleich
Die architektonischen Unterschiede zwischen diesen beiden Modellen verdeutlichen die unterschiedlichen Designstrategien im Laufe der Jahre.
EfficientDet nutzt das EfficientNet-Backbone und führt BiFPN ein, das eine Top-Down- und Bottom-Up-Fusion von Merkmalen auf mehreren Ebenen ermöglicht. Es verwendet eine zusammengesetzte Skalierungsmethode, die die Auflösung, Tiefe und Breite für alle Backbone-, Merkmalsnetzwerk- und Box-/Klassenvorhersagenetzwerke gleichzeitig einheitlich skaliert. Obwohl dies für die Maximierung der mittleren durchschnittlichen Präzision (mAP) sehr effektiv ist, kann das komplexe Routing in BiFPN manchmal zu einem Engpass bei der Speicherbandbreite während der Inferenz führen.
YOLO11 hingegen nutzt ein optimiertes C2f-Modul und einen fortschrittlichen ankerfreien Erkennungskopf. Dieser optimierte Ansatz minimiert den Overhead bei der Merkmalsextraktion. Ultralytics YOLO11 Ultralytics , YOLO11 GPU maximiert YOLO11 , was zu deutlich geringeren Speicheranforderungen sowohl beim Training als auch bei der Inferenz im Vergleich zu älteren Architekturen oder schweren Transformer-Modellen führt.
Vielseitigkeit bei mehreren Aufgaben
Während EfficientDet ausschließlich ein Objektdetektor ist, YOLO11 extreme Vielseitigkeit YOLO11 . Eine einzige YOLO11 unterstützt nativ Instanzsegmentierung, Bildklassifizierung, Posenschätzung und orientierte Begrenzungsrahmen (OBB).
Leistungsbenchmarks
Die folgende Tabelle vergleicht die Leistung beider Modellfamilien in verschiedenen Maßstäben anhand des COCO .
| Modell | Größe (Pixel) | mAPval 50-95 | Geschwindigkeit CPU ONNX (ms) | Geschwindigkeit T4 TensorRT10 (ms) | Parameter (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| EfficientDet-d0 | 640 | 34.6 | 10.2 | 3.92 | 3.9 | 2.54 |
| EfficientDet-d1 | 640 | 40.5 | 13.5 | 7.31 | 6.6 | 6.1 |
| EfficientDet-d2 | 640 | 43.0 | 17.7 | 10.92 | 8.1 | 11.0 |
| EfficientDet-d3 | 640 | 47.5 | 28.0 | 19.59 | 12.0 | 24.9 |
| EfficientDet-d4 | 640 | 49.7 | 42.8 | 33.55 | 20.7 | 55.2 |
| EfficientDet-d5 | 640 | 51.5 | 72.5 | 67.86 | 33.7 | 130.0 |
| EfficientDet-d6 | 640 | 52.6 | 92.8 | 89.29 | 51.9 | 226.0 |
| EfficientDet-d7 | 640 | 53.7 | 122.0 | 128.07 | 51.9 | 325.0 |
| YOLO11n | 640 | 39.5 | 56.1 | 1.5 | 2.6 | 6.5 |
| YOLO11s | 640 | 47.0 | 90.0 | 2.5 | 9.4 | 21.5 |
| YOLO11m | 640 | 51.5 | 183.2 | 4.7 | 20.1 | 68.0 |
| YOLO11l | 640 | 53.4 | 238.6 | 6.2 | 25.3 | 86.9 |
| YOLO11x | 640 | 54.7 | 462.8 | 11.3 | 56.9 | 194.9 |
Ausgewogene Analyse: Stärken und Schwächen
GPU-Beschleunigung: YOLO11 dominiert in GPU-Umgebungen. Zum Beispiel erreicht YOLO11m einen mAP von 51,5 % bei blitzschnellen 4,7 ms auf einer T4 GPU unter Verwendung von TensorRT. Um eine vergleichbare Genauigkeit zu erreichen, benötigt EfficientDet-d5 67,86 ms – über 14-mal langsamer. Dies unterstreicht die überlegene Leistungsbalance von Ultralytics-Modellen für Echtzeitanwendungen.
CPU-Umgebungen: EfficientDet zeigt in seinen kleineren Varianten (wie d0 und d1) mit ONNX hochoptimierte CPU-Inferenzgeschwindigkeiten. Seine Genauigkeit skaliert jedoch schlecht, ohne in größeren Varianten wie d7 massive GPU-Latenzstrafen zu verursachen.
Trainingsmethodik und Ökosystem
Die Entwicklererfahrung ist oft genauso wichtig wie die theoretischen Fähigkeiten des Modells. Hier glänzt das Ultralytics .
EfficientDet stützt sich stark auf das ältere TensorFlow und komplexen AutoML-Bibliotheken. Die Einrichtung einer benutzerdefinierten Trainingspipeline erfordert eine steile Lernkurve, ein kompliziertes Abhängigkeitsmanagement und die manuelle Konfiguration von Ankern und Verlustfunktionen.
Im Gegensatz dazu bietet Ultralytics eine unübertroffene Benutzerfreundlichkeit. Gestützt auf ein gut gepflegtes PyTorch-Ökosystem erfordert das Training eines YOLO-Modells nur wenige Codezeilen. Das Framework verwaltet Hyperparameter-Optimierung, erweiterte Datenaugmentierungen und die optimale Planung der Lernrate automatisch und sofort einsatzbereit.
Code-Beispiel: Erste Schritte mit Ultralytics
Dieser robuste, produktionsreife Codeausschnitt zeigt, wie einfach Training und Inferenz innerhalb der Python sind.
from ultralytics import YOLO
# Load a pre-trained YOLO11 small model
model = YOLO("yolo11s.pt")
# Train the model on your custom dataset with automated hyperparameter tuning
train_results = model.train(data="coco8.yaml", epochs=50, imgsz=640, device=0)
# Perform fast inference on an image
results = model.predict("https://ultralytics.com/images/bus.jpg")
results[0].show()
Ideale Anwendungsfälle
Wann EfficientDet verwenden: EfficientDet bleibt eine praktikable Wahl für Forschungsumgebungen, die stark in TensorFlow-Pipelines verankert sind oder spezifische CPU-gebundene Einschränkungen aufweisen, wo frühe Architekturen wie d0 ausreichend Leistung erbringen.
Wann YOLO11 verwenden: YOLO11 ist die definitive Wahl für moderne Unternehmensbereitstellungen. Seine außergewöhnliche Geschwindigkeit macht es perfekt für autonome Fahrzeuge, Echtzeit-Sportanalysen und die Erkennung von Fertigungsfehlern mit hohem Durchsatz. Darüber hinaus ermöglicht sein geringerer Speicherverbrauch eine flexible Bereitstellung auf ressourcenbeschränkter Hardware wie dem NVIDIA Jetson.
Ausblick: Das YOLO26-Upgrade
Obwohl YOLO11 außergewöhnlich leistungsfähig YOLO11 , sollten Entwickler, die neue Projekte starten, auch andere Ultralytics wie das bewährte YOLOv8 oder das neu veröffentlichte YOLO26. YOLO26 wurde Anfang 2026 veröffentlicht YOLO11 basiert auf YOLO11 mehrere bahnbrechende Neuerungen einführt:
- End-to-End NMS-freies Design: Aufbauend auf dem Erbe von YOLOv10 eliminiert YOLO26 Non-Maximum Suppression (NMS) während der Nachbearbeitung vollständig, wodurch die Latenz drastisch reduziert und die Bereitstellungspipelines vereinfacht werden.
- MuSGD-Optimierer: Ein Hybrid-Optimierer, der Standard-SGD mit Muon (inspiriert vom Training großer Sprachmodelle) kombiniert und die Trainingsstabilität drastisch verbessert.
- Bis zu 43 % schnellere CPU-Inferenz: Spezifische Optimierungen machen YOLO26 auf Edge-Geräten ohne diskrete GPUs unglaublich leistungsfähig.
- ProgLoss + STAL: Fortschrittliche Verlustfunktionen, die die detect kleiner Objekte bemerkenswert verbessern, entscheidend für Luftbilder und Robotik.
Entdecken Sie die vielfältige Landschaft der Vision-Architekturen, darunter transformatorbasierte Detektoren wie RT-DETR, in unseren umfassenden Ultralytics .