Erste Schritte

EfficientDet und YOLO26

Die Wahl der passenden Computer-Vision-Architektur ist ein entscheidender Schritt beim Aufbau skalierbarer und effizienter KI-Systeme. Dieser Leitfaden vergleicht technisch EfficientDet von Google, veröffentlicht 2019, mit Ultralytics YOLO26, veröffentlicht im Januar 2026. Er bewertet die zugrunde liegenden Architekturen, Leistungskennzahlen und Trainingsmethoden, damit du das beste Modell für deine Bereitstellungsanforderungen auswählen kannst.

Herkunft und Entwicklung der Modelle#

Wenn du die Ursprünge dieser Architekturen kennst, erhältst du wertvolle Einblicke in ihre Designphilosophie und vorgesehenen Anwendungsfälle.

EfficientDet

Erfahre mehr über EfficientDet

YOLO26

Architektonische Innovationen#

Die architektonischen Unterschiede zwischen diesen beiden Modellen sind deutlich und spiegeln die rasanten Fortschritte im Deep Learning der letzten Jahre wider.

EfficientDet basiert auf BiFPN (bidirektionales Feature-Pyramid-Netzwerk) und nutzt Compound Scaling für Auflösung, Tiefe und Breite. Obwohl das Modell 2019 eine hervorragende Effizienz erreichte, ist es stark von älteren TensorFlow-Frameworks und komplexen AutoML-Suchalgorithmen abhängig, die sich oft nur umständlich an benutzerdefinierte Datensätze anpassen lassen.

Im Gegensatz dazu ist Ultralytics YOLO26 das neueste Ultralytics-Modell für Computer Vision in Echtzeit. Es führt mehrere Architekturverbesserungen ein, die für moderne Bereitstellungspipelines entwickelt wurden:

  • End-to-End-Design ohne NMS: YOLO26 bietet einen nativen End-to-End-One-to-One-Kopf (nms=False), durch den die Nachbearbeitung per Nichtmaximum-Unterdrückung (NMS) entfällt. Dieser Ansatz wurde erstmals in YOLOv10 eingeführt. Er sorgt für eine schnellere und einfachere Bereitstellungslogik und verringert Latenzschwankungen auf Edge-Chips.
  • Entfernung von DFL: Durch das Entfernen des Verteilungsverlusts mit Fokus (DFL) vereinfacht YOLO26 den Ausgabekopf und verbessert so die Kompatibilität mit Edge Computing und Geräten mit geringem Stromverbrauch.
  • MuSGD-Optimierer: Inspiriert von Trainingstechniken für große Sprachmodelle wie denen hinter Kimi K2 von Moonshot AI nutzt YOLO26 den MuSGD-Optimierer, eine Mischung aus SGD und Muon. Dadurch wird das Training stabiler und die Konvergenz schneller als mit herkömmlichen Optimierern.
  • ProgLoss + STAL: Der Progressive Loss (ProgLoss) in Verbindung mit der zielgrößenbewussten Label-Zuweisung (STAL) verbessert die Erkennung kleiner Objekte deutlich, was für Luftbilder und die Robotik entscheidend ist.
Profi-Tipp: NMS-freie Bereitstellung

Mit ausgewähltem NMS-freiem Kopf (nms=False) kann das gesamte Modell als ein einzelner, durchgängiger Rechengraph ausgeführt werden. Dadurch wird der Export in Formate wie ONNX oder TensorRT unkompliziert und die Auslastung von NPU/GPU verbessert.

Leistungskennzahlen und Benchmarks#

Der Praxistest für jedes Objekterkennungsmodell ist seine Leistung unter realen Bedingungen. Die folgende Tabelle vergleicht die Genauigkeit, gemessen anhand der mittleren durchschnittlichen Präzision (mAP), mit der Inferenzgeschwindigkeit und dem Rechenaufwand.

ModellGröße
(Pixel)
mAPval50-95Geschwindigkeit
CPU ONNX
(ms)
Geschwindigkeit
T4 TensorRT10
(ms)
Parameter
(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
YOLO26n64040.938.91.72.45.5
YOLO26s64048.687.22.59.520.9
YOLO26m64053.1220.04.720.468.4
YOLO26l64055.0286.26.224.886.8
YOLO26x64057.5525.811.855.7194.4

Wie oben gezeigt, bietet YOLO26 eine deutlich bessere Leistungsbalance. Die kleinsten EfficientDet-Varianten benötigen zwar sehr wenige FLOPs, aber YOLO26 erzielt bei jedem Genauigkeitsniveau eine deutlich höhere GPU-Inferenzgeschwindigkeit. So erreicht YOLO26x 57,5 mAP und läuft auf T4 TensorRT mehr als zehnmal schneller als EfficientDet-d7. YOLO26n ermöglicht außerdem eine bis zu 43 % schnellere CPU-Inferenz als YOLO11n und ist damit eine überzeugende Wahl für Edge-KI.

Die Vorteile des Ultralytics-Ökosystems#

Bei der Wahl einer Architektur geht es selten nur um theoretische FLOPs; sie hängt stark von den technischen Arbeitsabläufen ab. Viele Entwickler entscheiden sich wegen der Benutzerfreundlichkeit für Ultralytics.

Das Training von EfficientDet erfordert häufig eine komplexe Verwaltung von Abhängigkeiten, manuelle Abstimmung der Hyperparameter und ältere TensorFlow-Umgebungen. Ultralytics-Modelle bieten dagegen eine einfache API. Dasselbe gilt für die Ultralytics Platform, die Cloud-Training, Datenannotation und die Echtzeitverfolgung von Experimenten direkt unterstützt.

Detektoren auf Transformer-Basis und komplexe AutoML-Modelle benötigen zudem oft viel Speicher. Ultralytics-Modelle sind für ihren effizienten Speicherbedarf bekannt. So kannst du robuste Modelle auf handelsüblicher Hardware trainieren, ohne dass Fehler wegen unzureichenden Arbeitsspeichers (OOM) auftreten.

Vielseitigkeit und Unterstützung verschiedener Aufgaben#

EfficientDet ist ausschließlich ein Objekterkennungs-Netzwerk. YOLO26 ist ein einheitliches Modell für mehrere Aufgaben. Es umfasst direkt in der Architektur integrierte, aufgabenspezifische Neuerungen:

Unterstützung älterer Systeme

Wenn du ältere Systeme betreust, unterstützt Ultralytics weiterhin vollständig YOLO11 und ältere Versionen über dieselbe API. Für alle Neuentwicklungen bietet YOLO26 jedoch das beste Verhältnis von Ressourcenaufwand zu Genauigkeit.

Anwendungsfälle und Empfehlungen#

Die Wahl zwischen EfficientDet und YOLO26 hängt von den konkreten Anforderungen deines Projekts, den Bereitstellungsbeschränkungen und den 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 YOLO26 wählen solltest#

YOLO26 wird empfohlen für:

  • NMS-freie Bereitstellung auf Edge-Geräten: Anwendungen, die eine gleichbleibende Inferenz mit geringer Latenz ohne die Komplexität der Nachbearbeitung durch Non-Maximum Suppression erfordern.
  • 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 verbessern.

Implementierungsbeispiel: YOLO26 trainieren#

Mit dem Ultralytics-Python-Paket genügen wenige Codezeilen, um einen optimierten Trainingslauf zu starten. Das Framework unterstützt nativ die Skalierung mit gemischter Genauigkeit, die Orchestrierung mehrerer GPUs über PyTorch und Augmentierungspipelines.

from ultralytics import YOLO

# Load the lightweight, end-to-end YOLO26n model
model = YOLO("yolo26n.pt")

# Train on the COCO8 dataset
results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    device=0,  # Train on the first CUDA GPU
)

# Export the NMS-free end-to-end head to ONNX
exported_path = model.export(format="onnx", nms=False)
print(f"Model seamlessly exported to: {exported_path}")

Fazit: Welches Modell solltest du wählen?#

EfficientDet ist nach wie vor ein wichtiger Meilenstein in der Forschung zur zusammengesetzten Skalierung. Für moderne Anwendungen, ob auf Cloud-Clustern oder ressourcenbeschränkten Raspberry Pi-Geräten, fällt der Vergleich jedoch zugunsten von Ultralytics YOLO26 aus.

Durch den Verzicht auf NMS, den geringeren VRAM-Bedarf und die Einbindung in ein ausgereiftes Entwicklerökosystem ist YOLO26 die empfohlene Architektur für robuste, produktionsreife Computer Vision. Ob du Fertigungsfehler erkennst oder landwirtschaftliche Erträge kartierst – die Ultralytics Platform hilft dir, schnell vom Datensatz zur Bereitstellung zu gelangen.

Kommentare

Stell eine Frage, teile deine Ergebnisse oder hilf jemand anderem.