EfficientDet im Vergleich zu YOLO11
Die Wahl der richtigen neuronalen Netzwerkarchitektur ist die Grundlage jeder erfolgreichen Anwendung für Computer Vision. Dieser Leitfaden bietet einen technischen Vergleich zwischen EfficientDet von Google und Ultralytics YOLO11 und untersucht ihre Architekturunterschiede, Leistungskennzahlen und jeweils passenden Bereitstellungsszenarien.
Ob du eine Latenz im Millisekundenbereich auf Edge-KI-Geräten anstrebst oder skalierbare Genauigkeit für Cloud-Inferenz benötigst – es ist hilfreich, die Unterschiede zwischen diesen Modellen zu verstehen.
Modellprofile und technische Details#
Wenn du die Herkunft und die zugrunde liegende Designphilosophie jeder Architektur verstehst, kannst du ihre Leistung bei praktischen Aufgaben der Objekterkennung besser einordnen.
EfficientDet#
EfficientDet wurde von Forschern bei Google Brain entwickelt und führte neben dem neuartigen BiFPN (bidirektionales Merkmals-Pyramidennetzwerk) einen fundierten Ansatz zur Skalierung von Objekterkennungsnetzwerken ein.
- 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
Weitere Informationen zu EfficientDet
YOLO11#
YOLO11 ist eine bedeutende Weiterentwicklung des Ultralytics-Ökosystems und verbessert die Echtzeitleistung, die Parametereffizienz und das Lernen für mehrere Aufgaben.
- 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 Architekturunterschiede dieser beiden Modelle verdeutlichen, wie weit sich die Designstrategien im Laufe der Jahre auseinanderentwickelt haben.
EfficientDet verwendet EfficientNet als Backbone und führt BiFPN ein, das die Fusion von Merkmalen aus mehreren Maßstäben von oben nach unten und von unten nach oben ermöglicht. Die Methode der zusammengesetzten Skalierung vergrößert gleichmäßig Auflösung, Tiefe und Breite des Backbones, des Merkmalnetzwerks und der Netzwerke zur Vorhersage von Boxen und Klassen. Obwohl sie die mittlere durchschnittliche Präzision (mAP) sehr effektiv maximiert, kann die komplexe Datenführung in BiFPN bei der Inferenz mitunter die Speicherbandbreite zum Engpass machen.
YOLO11 verwendet dagegen ein optimiertes C3k2-Modul und einen ankerfreien Erkennungskopf. Dieser schlanke Ansatz reduziert den Zusatzaufwand bei der Merkmalsextraktion. Ultralytics hat YOLO11 so entwickelt, dass die GPU-Hardware maximal ausgelastet wird. Dadurch benötigt das Modell sowohl beim Training als auch bei der Inferenz deutlich weniger Speicher als ältere Architekturen oder umfangreiche Transformer-Modelle.
EfficientDet ist ausschließlich ein Objekterkennungsmodell, während YOLO11 vielseitig einsetzbar ist. Eine einzelne YOLO11-Architektur unterstützt nativ Instanzsegmentierung, Bildklassifizierung, Posenschätzung und orientierte Begrenzungsrahmen (OBB).
Leistungsbenchmarks#
Die folgende Tabelle vergleicht die Leistung beider Modellfamilien in verschiedenen Größen auf dem COCO-Datensatz.
| 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 |
| YOLO11n | 640 | 39.5 | 56.1 | 1.5 | 2.6 | 6.5 |
| YOLO11s | 640 | 47.0 | 90.0 | 2.5 | 9.4 | 21.6 |
| YOLO11m | 640 | 51.5 | 183.2 | 4.7 | 20.1 | 68.1 |
| YOLO11l | 640 | 53.4 | 238.6 | 6.2 | 25.3 | 87.2 |
| YOLO11x | 640 | 54.7 | 462.8 | 11.3 | 56.9 | 195.3 |
Ausgewogene Analyse: Stärken und Schwächen#
YOLO11 ist in GPU-Umgebungen führend. YOLO11m erreicht beispielsweise mit TensorRT auf einer T4-GPU einen mAP von 51.5 % bei 4.7 ms TensorRT. Für dieselbe Genauigkeit benötigt EfficientDet-d5 67.86 ms und ist damit mehr als 14-mal langsamer. Das verdeutlicht die ausgewogene Leistung der Ultralytics-Modelle für Echtzeitanwendungen.
Trainingsmethodik und Ökosystem#
Die Entwicklererfahrung ist oft genauso entscheidend wie die theoretischen Fähigkeiten des Modells. Hier hebt sich das Ultralytics-Ökosystem hervor.
EfficientDet stützt sich stark auf das ältere TensorFlow-Ökosystem und komplexe AutoML-Bibliotheken. Der Aufbau einer benutzerdefinierten Trainingspipeline bringt eine steile Lernkurve, eine aufwendige Verwaltung von Abhängigkeiten und die manuelle Konfiguration von Ankern und Verlustfunktionen mit sich.
Ultralytics ist dagegen auf einfache Bedienung ausgelegt. Dank eines gut gepflegten PyTorch-Ökosystems reichen zum Trainieren eines YOLO-Modells wenige Codezeilen aus. Das Framework verwaltet Augmentierung und Lernratenplanung automatisch und enthält eine integrierte Funktion zur Hyperparameteroptimierung.
Codebeispiel: Erste Schritte mit Ultralytics#
Dieses Codebeispiel zeigt, wie unkompliziert Training und Inferenz mit der Python-API sind.
from ultralytics import YOLO
# Ein vortrainiertes kleines YOLO11-Modell laden
model = YOLO("yolo11s.pt")
# Das Modell mit deinem eigenen Datensatz trainieren
train_results = model.train(data="coco8.yaml", epochs=50, imgsz=640, device=0)
# Schnelle Inferenz auf einem Bild ausführen
results = model.predict("https://ultralytics.com/images/bus.jpg")
results[0].show()Ideale Anwendungsfälle#
Wann du EfficientDet verwenden solltest: EfficientDet ist weiterhin eine sinnvolle Wahl für Forschungsumgebungen, die stark auf TensorFlow-Pipelines setzen.
Wann du YOLO11 verwenden solltest: YOLO11 eignet sich hervorragend für moderne Unternehmenseinsätze. Dank seiner Geschwindigkeit passt es gut zu autonomen Fahrzeugen, Echtzeitanalysen im Sport und der Erkennung von Fertigungsfehlern mit hohem Durchsatz. Der geringere Speicherbedarf ermöglicht außerdem eine flexible Bereitstellung auf Hardware mit begrenzten Ressourcen, etwa dem NVIDIA Jetson.
Ein Blick in die Zukunft: das Upgrade auf YOLO26#
YOLO11 ist sehr leistungsfähig, doch Entwickler, die neue Projekte beginnen, sollten das neu veröffentlichte YOLO26 prüfen. Das bewährte YOLOv8 bleibt für bestehende Bereitstellungen verfügbar. YOLO26 wurde im Januar 2026 veröffentlicht, baut auf der Grundlage von YOLO11 auf und bietet mehrere Neuerungen:
- End-to-End-Design ohne NMS: Aufbauend auf YOLOv10 kann YOLO26 die Nachverarbeitung mit Unterdrückung nicht maximaler Werte (NMS) vollständig überspringen, wenn der optionale Eins-zu-eins-Kopf (
nms=False) verwendet wird. Das senkt die Latenz und vereinfacht Bereitstellungspipelines. - MuSGD-Optimierer: Ein Hybridoptimierer, der herkömmliches SGD mit Muon verbindet (inspiriert vom Training großer Sprachmodelle) und die Trainingsstabilität verbessert.
- Bis zu 43 % schnellere CPU-Inferenz: YOLO26n läuft auf der CPU bis zu 43 % schneller als YOLO11n und eignet sich dadurch gut für Edge-Geräte ohne separate GPU.
- ProgLoss + STAL: Der Progressive Loss und die zielgrößenbewusste Label-Zuweisung verbessern die Erkennung kleiner Objekte – entscheidend für Luftbilder und die Robotik.
Entdecke in der Ultralytics-Dokumentation auch andere Bildverarbeitungsarchitekturen, darunter Detektoren auf Transformer-Basis wie RT-DETR.
Kommentare
Stell eine Frage, teile deine Ergebnisse oder hilf jemand anderem.