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
EfficientDet wurde von Forschern bei Google entwickelt und führte einen prinzipiellen Ansatz zur Skalierung von Objekterkennungsnetzwerken zusammen mit dem neuartigen BiFPN (Bidirectional Feature Pyramid Network) 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
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 : YOLO11 in GPU . So liefert YOLO11m beispielsweise einen mAP 51,5 % bei rasanten 4,7 ms auf einer GPU TensorRT. Um eine vergleichbare Genauigkeit zu erreichen, benötigt EfficientDet-d5 67,86 ms – mehr als 14-mal länger. Dies unterstreicht die überlegene Leistungsbilanz der Ultralytics für Echtzeitanwendungen.
CPU CPU : EfficientDet weist in seinen kleineren Varianten (wie d0 und d1) unter Verwendung von ONNX. Allerdings ist die Genauigkeit bei größeren Varianten wie d7 ohne massive GPU nur schlecht skalierbar.
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.
Umgekehrt Ultralytics eine unvergleichliche Benutzerfreundlichkeit. Dank eines gut gepflegten PyTorch sind für das Training eines YOLO nur wenige Zeilen Code erforderlich. Das Framework verwaltet automatisch die Hyperparameter-Optimierung, erweiterte Datenaugmentierungen und die optimale Lernratenplanung.
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 sollte EfficientDet verwendet werden? EfficientDet bleibt eine praktikable Wahl für Forschungsumgebungen, die stark in TensorFlow verankert sind, oder für bestimmte CPU Einschränkungen, bei denen frühe Architekturen wie d0 angemessen funktionieren.
Wann sollte YOLO11 verwendet werden? YOLO11 die erste Wahl für moderne Unternehmensanwendungen. Dank seiner außergewöhnlichen Geschwindigkeit eignet es sich perfekt für autonome Fahrzeuge, Echtzeit-Sportanalysen und die Erkennung von Fertigungsfehlern mit hohem Durchsatz. Darüber hinaus ermöglicht sein geringer Speicherbedarf einen flexiblen Einsatz auf ressourcenbeschränkter Hardware wie NVIDIA .
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-Design NMS: Aufbauend auf dem Erbe von YOLOv10beseitigt YOLO26 die Nicht-Maximalunterdrückung (NMS) während der Nachbearbeitung vollständig, wodurch die Latenz drastisch reduziert und die Bereitstellungspipelines vereinfacht werden.
- MuSGD Optimizer: Ein hybrider Optimierer, der Standard SGD Muon (inspiriert durch das Training großer Sprachmodelle) kombiniert und die Trainingsstabilität drastisch verbessert.
- Bis zu 43 % schnellere CPU : Spezifische Optimierungen machen YOLO26 unglaublich leistungsstark auf Edge-Geräten ohne diskrete GPUs.
- ProgLoss + STAL: Fortschrittliche Verlustfunktionen, die die Erkennung kleiner Objekte erheblich verbessern, was für Luftbildaufnahmen und Robotik von entscheidender Bedeutung ist.
Entdecken Sie die vielfältige Landschaft der Vision-Architekturen, darunter transformatorbasierte Detektoren wie RT-DETR, in unseren umfassenden Ultralytics .