EfficientDet im Vergleich zu DAMO-YOLO
Beim Aufbau skalierbarer Computer-Vision-Pipelines ist die Wahl der richtigen Modellarchitektur eine wichtige Entscheidung, die sowohl die Machbarkeit der Bereitstellung als auch die Erkennungsgenauigkeit beeinflusst. Dieser Leitfaden vergleicht technisch zwei bekannte Architekturen: EfficientDet und DAMO-YOLO.
Beide Modelle brachten zwar bedeutende Neuerungen in der Objekterkennung, doch die visuelle KI hat sich inzwischen in Richtung stärker integrierter Ökosysteme entwickelt. Diese Analyse behandelt die grundlegenden Funktionsweisen dieser früheren Netzwerke und erklärt, warum moderne Lösungen wie die Ultralytics Platform und Ultralytics YOLO26 in Produktionsumgebungen weit verbreitet sind.
EfficientDet: Skalierbare und effiziente Objekterkennung#
EfficientDet wurde von Forschern bei Google vorgestellt und sollte die Modellarchitektur systematisch skalieren und zugleich hohe Effizienz bewahren. Dazu nutzte das Modell Compound Scaling für Netzwerktiefe, -breite und Eingabeauflösung.
Details zu EfficientDet:
- Autoren: Mingxing Tan, Ruoming Pang und Quoc V. Le
- Organisation: Google Brain
- Datum: 2019-11-20
- arXiv: 1911.09070
- GitHub: google/automl
Architektonische Innovationen#
Der wichtigste Beitrag von EfficientDet ist das bidirektionale Feature-Pyramiden-Netzwerk (BiFPN). Anders als herkömmliche FPNs ermöglicht BiFPN eine schnelle Fusion von Merkmalen aus mehreren Maßstäben. Dazu verwendet es lernbare Gewichtungen, um die Bedeutung verschiedener Eingabemerkmale zu erfassen. In Kombination mit dem EfficientNet-Backbone ergibt sich eine Modellfamilie (D0 bis D7), die sich vorhersehbar skalieren lässt.
Stärken und Schwächen#
Die größte Stärke von EfficientDet liegt in der effizienten Parameternutzung. Für Aufgaben, bei denen die mittlere durchschnittliche Präzision (mAP) bei einem festen Rechenbudget maximiert werden muss, ist das Verfahren zur zusammengesetzten Skalierung gut vorhersehbar. EfficientDet ist jedoch komplex von Grund auf zu trainieren und erfordert häufig umfangreiche Abstimmung von Hyperparametern. Die starke Abhängigkeit von bestimmten TensorFlow-Operationen erschwert außerdem den Wechsel zur Bereitstellung auf Edge-Geräten über ONNX oder TensorRT im Vergleich zu den schlanken Exportfunktionen moderner YOLO-Modelle.
Erfahre mehr über EfficientDet
DAMO-YOLO: Automatisierte Architektursuche in der Praxis#
DAMO-YOLO verfolgt einen anderen Ansatz und nutzt die Suche nach neuronalen Architekturen (NAS), um effiziente Netzwerkstrukturen für Echtzeitinferenz automatisch zu entwerfen.
Details zu DAMO-YOLO:
- Autoren: Xianzhe Xu, Yiqi Jiang, Weihua Chen, Yilun Huang, Yuan Zhang und Xiuyu Sun
- Organisation: Alibaba Group
- Datum: 2022-11-23
- arXiv: 2211.15444v2
- GitHub: tinyvision/DAMO-YOLO
Architektonische Innovationen#
DAMO-YOLO führt mehrere neuartige Technologien ein. Das Modell verwendet ein mit NAS erzeugtes Backbone namens MAE-NAS, ein effizientes RepGFPN im Neck und ein ZeroHead-Design, das den Rechenaufwand des Erkennungskopfs deutlich reduziert. Außerdem kommt AlignedOTA für die Label-Zuweisung zum Einsatz, und das Modell nutzt Wissensdestillation intensiv, um die Leistung seiner kleineren Varianten zu steigern.
Stärken und Schwächen#
DAMO-YOLO zeichnet sich durch seine GPU-Inferenzgeschwindigkeit aus und wurde für die Bereitstellung auf NVIDIA-Architekturen mit TensorRT entwickelt. Durch den Verzicht auf umfangreiche Kopfstrukturen liefert das Modell Vorhersagen mit geringer Latenz. Die automatische Architektursuche kann die Modellstruktur jedoch undurchsichtig machen und die manuelle Fehlersuche oder Feinabstimmung für eigene Edge-Geräte erschweren. Anders als das vielseitige Ultralytics YOLO11 konzentriert sich DAMO-YOLO vor allem auf die standardmäßige Erkennung von Begrenzungsrahmen und unterstützt Aufgaben wie Posenschätzung oder die Erkennung von orientierten Begrenzungsrahmen (OBB) nicht von Haus aus.
Leistungsvergleich#
Für die Auswahl eines Modells ist es wichtig, die praktischen Zielkonflikte zu verstehen. Die folgende Tabelle vergleicht die EfficientDet-Familie und die DAMO-YOLO-Reihe anhand wichtiger Leistungskennzahlen.
| Modell | Größe (Pixel) | mAPval50-95 | Geschwindigkeit CPU ONNX (ms) | Geschwindigkeit T4 TensorRT10 (ms) | Parameter (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| 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 |
| DAMO-YOLOt | 640 | 42.0 | - | 2.32 | 8.5 | 18.1 |
| DAMO-YOLOs | 640 | 46.0 | - | 3.45 | 16.3 | 37.8 |
| DAMO-YOLOm | 640 | 49.2 | - | 5.09 | 28.2 | 61.8 |
| DAMO-YOLOl | 640 | 50.8 | - | 7.18 | 42.1 | 97.3 |
EfficientDet-d7 erzielt die höchste Genauigkeit, benötigt jedoch erhebliche Rechenleistung und eignet sich daher nicht für Edge-KI. DAMO-YOLO erreicht mit TensorRT hohe Geschwindigkeiten, benötigt für eine vergleichbare Genauigkeit aber im Allgemeinen mehr Parameter als EfficientDet-Modelle der unteren Leistungsklassen.
Anwendungsfälle und Empfehlungen#
Die Wahl zwischen EfficientDet und DAMO-YOLO hängt von den spezifischen Anforderungen deines Projekts, den Einschränkungen bei der Bereitstellung und deinen Präferenzen für das Ökosystem ab.
Wann du EfficientDet wählen solltest#
EfficientDet eignet sich gut für:
- Google Cloud und TPU-Pipelines: TensorFlow-basierte Systeme auf der Google-Cloud-TPU-Infrastruktur, auf der die Referenzimplementierung von EfficientDet das TPU-Training unterstützt.
- Forschung zur zusammengesetzten Skalierung: Akademische Benchmarks, die untersuchen, wie sich eine ausgewogene Skalierung von Netzwerktiefe, -breite und Auflösung auswirkt.
- Bereitstellung auf Mobilgeräten mit LiteRT: Projekte, die ausdrücklich den Export über LiteRT (ehemals TensorFlow Lite) für Android- oder Embedded-Linux-Geräte benötigen.
Wann du DAMO-YOLO wählen solltest#
DAMO-YOLO eignet sich für:
- Videoanalyse mit hohem Durchsatz: Verarbeitung von Videostreams mit hoher Bildrate auf fest installierter NVIDIA-GPU-Infrastruktur, bei der der Durchsatz mit Batchgröße 1 im Vordergrund steht.
- Industrielle Fertigungslinien: Szenarien mit strengen GPU-Latenzvorgaben auf dedizierter Hardware, etwa die Qualitätsprüfung in Echtzeit auf Fließbändern.
- Forschung zur neuronalen Architektursuche: Untersuchung der Auswirkungen automatisierter Architektursuche (MAE-NAS) und effizienter Architekturen mit reparametrisierten Rückgraten auf die Erkennungsleistung.
Wann du Ultralytics (YOLO26) wählen solltest#
Für die meisten neuen Projekte bietet Ultralytics YOLO26 die beste Kombination aus Leistung und Entwicklerfreundlichkeit:
- NMS-freie Bereitstellung am Netzwerkrand: Anwendungen, die eine gleichmäßige Inferenz mit niedriger Latenz ohne die Komplexität der Nachbearbeitung mit Non-Maximum Suppression (NMS) benötigen.
- Umgebungen ohne GPU: Geräte ohne dedizierte GPU-Beschleunigung, bei denen die bis zu 43 % schnellere CPU-Inferenz von YOLO26 (YOLO26n gegenüber YOLO11n) einen klaren Vorteil bietet.
- Erkennung kleiner Objekte: Anspruchsvolle Szenarien wie Luftbilder von Drohnen oder die Analyse von IoT-Sensoren, bei denen ProgLoss und STAL die Genauigkeit bei sehr kleinen Objekten deutlich steigern.
Der Vorteil von Ultralytics: Mehr als ältere Modelle#
EfficientDet und DAMO-YOLO liefern wertvolle wissenschaftliche Erkenntnisse, doch moderne Entwickler benötigen Frameworks, die hohe Leistung und eine gute Entwicklererfahrung miteinander verbinden. Hier hebt sich das Ultralytics-Ökosystem hervor.
Benutzerfreundlichkeit und Ökosystem#
Die Bereitstellung von Modellen aus separaten, stark angepassten Forschungs-Repositories führt oft zu schwieriger Integrationsarbeit. Ultralytics bietet ein einheitliches, gut gepflegtes Ökosystem mit umfassender Dokumentation und einer Python-typischen API. Ob du Google Colab für das Training verwendest oder für die mobile Inferenz nach CoreML exportierst: Die Pipeline erfordert nur wenige Codezeilen.
from ultralytics import YOLO
# Das dringend empfohlene YOLO26-Nano-Modell laden
model = YOLO("yolo26n.pt")
# Das Modell mit einem benutzerdefinierten Datensatz trainieren
model.train(data="coco8.yaml", epochs=50, imgsz=640)
# Das trainierte Modell für den Produktionseinsatz nach ONNX exportieren
model.export(format="onnx")YOLO26 im Überblick#
Für Entwickler, die EfficientDet oder DAMO-YOLO bewerten, ist Ultralytics YOLO26 der natürliche nächste Schritt. Das Modell wurde im Januar 2026 veröffentlicht und führt mehrere neue Funktionen ein:
- End-to-End-Design ohne NMS: Aufbauend auf dem NMS-freien Training von YOLOv10 macht der native Eins-zu-eins-Kopf von YOLO26 (
nms=False) die NMS-Nachverarbeitung überflüssig. Das ermöglicht einfachere Bereitstellungsarchitekturen und eine gleichmäßige Latenz auf unterschiedlicher Hardware. - Bis zu 43 % schnellere CPU-Inferenz: Für Bereitstellungen auf Edge-Geräten ohne leistungsfähige GPUs, für die DAMO-YOLO nicht entwickelt wurde, ist YOLO26 für Standard-CPUs optimiert. YOLO26n läuft dort bis zu 43 % schneller als YOLO11n.
- MuSGD-Optimierer: YOLO26 überträgt Trainingstechniken für LLMs auf Computer Vision und integriert den MuSGD-Optimierer (inspiriert von Moonshot AI), um im Vergleich zum empfindlicheren Trainingsaufbau von EfficientDet für stabiles Training und schnelle Konvergenz zu sorgen.
- Wegfall von DFL: Der Wegfall von Distribution Focal Loss vereinfacht den Export und verbessert die Kompatibilität mit Edge-Geräten mit geringem Stromverbrauch, etwa dem Raspberry Pi.
- ProgLoss + STAL: Ein progressiver Loss und eine Strategie zur zielgrößenbewussten Label-Zuweisung verbessern die Erkennung kleiner Objekte deutlich – ein Bereich, in dem ältere Architekturen traditionell Schwierigkeiten haben.
Speichereffizienz und vielseitige Aufgabenunterstützung#
Anders als Transformer-Modelle oder stark fusionierte NAS-Netzwerke sind Ultralytics-Modelle für ihren geringen Speicherbedarf bekannt. Sie benötigen beim Training deutlich weniger CUDA-Speicher und ermöglichen so schnelle Entwicklungszyklen auf handelsüblicher Hardware.
EfficientDet und DAMO-YOLO sind auf Begrenzungsrahmen beschränkt, während Ultralytics innerhalb desselben intuitiven Frameworks nativ Instanzsegmentierung und Bildklassifizierung unterstützt. Für Nutzer, die ältere Projekte betreuen, ist Ultralytics YOLOv8 weiterhin eine zuverlässige, weit verbreitete Alternative, die einen Blick wert ist.
Fazit#
Bei der Wahl der richtigen Bildverarbeitungsarchitektur gilt es, die theoretische Spitzenleistung gegen die praktischen Anforderungen der Bereitstellung abzuwägen. EfficientDet bietet einen fundierten Ansatz zur Skalierung, und DAMO-YOLO erzielt hohe reine GPU-Geschwindigkeiten. Für Teams, denen schnelle Entwicklung, zuverlässige Bereitstellungen und moderne Funktionen wichtig sind, sind Ultralytics-Modelle jedoch die bessere Wahl. Mit Innovationen wie NMS-freier Inferenz und MuSGD-Optimierung bietet YOLO26 Computer-Vision-Projekten eine leistungsfähige, wartbare und effiziente Grundlage.
Kommentare
Stell eine Frage, teile deine Ergebnisse oder hilf jemand anderem.