EfficientDet im Vergleich zu YOLOv10
Bei Computer Vision ist die Wahl der passenden Objekterkennungsarchitektur entscheidend, um Genauigkeit, Latenz und Recheneffizienz auszubalancieren. Dieser technische Leitfaden vergleicht zwei einflussreiche Modelle: EfficientDet von Google und YOLOv10 der Tsinghua-Universität. Beide Modelle stellen bedeutende Fortschritte in der Objekterkennung dar, gehen bei der Architekturentwicklung und Modelloptimierung jedoch sehr unterschiedliche Wege.
Dieser Leitfaden behandelt die grundlegenden Architekturen, untersucht Leistungsbenchmarks auf gängigen Datensätzen wie COCO und erläutert, wie sich die Modelle in moderne Pipelines für maschinelles Lernen und in das Ultralytics-Ökosystem integrieren lassen.
EfficientDet: Pionier der zusammengesetzten Skalierung#
EfficientDet wurde Ende 2019 vorgestellt und setzte mit einem systematischen Ansatz zur Skalierung von Netzwerkdimensionen einen neuen Maßstab für skalierbare und genaue Objekterkennung.
Wichtige Neuerungen und Architektur#
- Autoren: Mingxing Tan, Ruoming Pang und Quoc V. Le
- Organisation: Google Brain
- Datum: 2019-11-20
- arXiv: https://arxiv.org/abs/1911.09070
- GitHub: EfficientDet-Repository
EfficientDet basiert auf EfficientNet und verwendet ein neuartiges bidirektionales Merkmals-Pyramidennetzwerk (BiFPN). Anders als herkömmliche Merkmals-Pyramidennetzwerke (FPN), die Merkmale ohne Berücksichtigung ihrer Bedeutung addieren, fusioniert BiFPN Merkmale aus mehreren Maßstäben mithilfe lernbarer Gewichtungen. So kann das Netzwerk effektiv lernen, welche Merkmale aus welcher Auflösung am stärksten zur endgültigen Vorhersage beitragen. EfficientDet verwendet außerdem eine Methode der zusammengesetzten Skalierung, die Auflösung, Tiefe und Breite des Backbones, des Merkmalsnetzwerks und der Netzwerke zur Vorhersage von Boxen und Klassen gleichzeitig gleichmäßig skaliert.
EfficientDet ist weiterhin eine solide Wahl für ältere Systeme, die eng mit früheren TensorFlow-Pipelines integriert sind. Das Modell hat jedoch beim Training einen beträchtlichen Speicherbedarf und stützt sich auf ein älteres Ökosystem, dessen Handhabung im Vergleich zu modernen, dynamischen Frameworks umständlich sein kann.
Erfahre mehr über EfficientDet
YOLOv10: Innovation ohne NMS#
YOLOv10 wurde Mitte 2024 veröffentlicht und veränderte die Echtzeit-Objekterkennung, indem es bei der Nachverarbeitung auf Unterdrückung nicht maximaler Werte (NMS) verzichtet. Dadurch wird die Inferenzlatenz deutlich reduziert.
Wichtige Neuerungen und Architektur#
- Autoren: Ao Wang, Hui Chen, Lihao Liu u. a.
- Organisation: Tsinghua-Universität
- Datum: 2024-05-23
- arXiv: https://arxiv.org/abs/2405.14458
- GitHub: YOLOv10-Repository
YOLOv10 führt eine konsistente Strategie mit doppelter Zuweisung für das Training ohne NMS ein. Durch die Verwendung von Eins-zu-vielen- und Eins-zu-eins-Label-Zuweisungen während des Trainings lernt das Netzwerk, eindeutig zugeordnete Begrenzungsrahmen zu erzeugen, ohne Duplikate mithilfe von NMS herauszufiltern. Dieses ganzheitliche Modelldesign, das Effizienz und Genauigkeit in Einklang bringt, reduziert redundante Berechnungen und ist damit eine gute Wahl für Edge Computing und Anwendungen zur Videoübertragung mit geringer Latenz. YOLOv10 lässt sich außerdem in das Ultralytics-Ökosystem integrieren und bietet Entwicklern eine unkomplizierte Python-API.
Durch den Wegfall des NMS-Schritts bleibt die Inferenzgeschwindigkeit von YOLOv10 unabhängig von der Anzahl erkannter Objekte in einer Szene konstant. So werden Latenzspitzen vermieden, wie sie in überfüllten Computer-Vision-Anwendungen häufig auftreten.
Leistungsvergleich: Genauigkeit, Geschwindigkeit und Effizienz#
Bei der Bereitstellung von Modellen in realen Einsatzszenarien müssen Entwickler die mittlere Average Precision (mAP) gegen die Anzahl der Parameter und die Rechenoperationen (FLOPs) abwägen. Die folgende Tabelle enthält diese Kennzahlen für die skalierten Varianten beider Modelle.
| 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 |
| YOLOv10n | 640 | 38.5 | - | 1.84 | 2.3 | 6.7 |
| YOLOv10s | 640 | 46.3 | - | 2.49 | 7.2 | 21.6 |
| YOLOv10m | 640 | 51.1 | - | 4.74 | 15.4 | 59.1 |
| YOLOv10b | 640 | 52.5 | - | 5.74 | 19.1 | 92.0 |
| YOLOv10l | 640 | 53.2 | - | 7.28 | 24.4 | 120.3 |
| YOLOv10x | 640 | 54.4 | - | 10.70 | 29.5 | 160.4 |
Hinweis: Die YOLOv10n-Variante benötigt weniger Parameter (2,3 M) und erreicht deutlich höhere TensorRT-Geschwindigkeiten (1,84 ms) als die kleinsten EfficientDet-Varianten. Dadurch eignet sie sich wesentlich besser für die Echtzeit-Inferenz in Produktionsumgebungen.
Warum solltest du Ultralytics für die Modellbereitstellung wählen?#
Beide Modelle sind historisch und strukturell bedeutsam, doch ihre Integration in moderne Pipelines kann eine Herausforderung sein. Hier hilft die Ultralytics Platform. Mit einem einheitlichen Ökosystem vereinfacht Ultralytics den gesamten Lebenszyklus – von der Datenannotation bis zur Bereitstellung.
- Einfache Bedienung: Das Ultralytics-Python-Paket bietet eine einzige Schnittstelle für Modelltraining, Validierung und Export. Es ersetzt Hunderte Zeilen Boilerplate-Code durch knappe Befehle.
- Ökosystem und Vielseitigkeit: EfficientDet ist auf Erkennung spezialisiert, während Ultralytics-YOLO-Modelle auch Instanzsegmentierung, Klassifizierung, Posenschätzung und orientierte Begrenzungsrahmen (OBB) unterstützen.
- Trainingseffizienz: Durch Techniken wie automatische Stapelgrößenanpassung und verteiltes Training lassen sich Ultralytics-Modelle schneller trainieren und benötigen deutlich weniger CUDA-Speicher als umfangreiche Transformer- oder ältere TensorFlow-Architekturen mit mehreren Zweigen.
Codebeispiel: YOLOv10 trainieren#
Die Bereitstellung von YOLOv10 mit Ultralytics ist unkompliziert. Das folgende Codebeispiel zeigt, wie du ein YOLOv10-Netzwerk vollständig über die Python-API initialisierst, trainierst und auswertest.
from ultralytics import YOLO
# Ein vortrainiertes YOLOv10-Modell laden (Nano-Variante für hohe Edge-Geschwindigkeit)
model = YOLO("yolov10n.pt")
# Das Modell mit dem COCO8-Datensatz trainieren
results = model.train(data="coco8.yaml", epochs=50, imgsz=640, batch=16)
# Das Modell anhand des Validierungssatzes auswerten
metrics = model.val()
# Das Modell für den produktiven Einsatz nach ONNX exportieren
model.export(format="onnx")Anwendungsfälle und Empfehlungen#
Die Wahl zwischen EfficientDet und YOLOv10 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 YOLOv10 wählen solltest#
YOLOv10 empfiehlt sich für:
- Echtzeiterkennung ohne NMS: Anwendungen, die von einer durchgängigen Erkennung ohne Non-Maximum Suppression profitieren und dadurch die Komplexität der Bereitstellung verringern.
- Ausgewogenes Verhältnis von Geschwindigkeit und Genauigkeit: Projekte, die über verschiedene Modellgrößen hinweg ein ausgewogenes Verhältnis zwischen Inferenzgeschwindigkeit und Erkennungsgenauigkeit erfordern.
- Anwendungen mit gleichbleibender Latenz: Bereitstellungsszenarien, in denen vorhersehbare Inferenzzeiten entscheidend sind, etwa in der Robotik oder bei autonomen Systemen.
Wann du Ultralytics (YOLO26) wählen solltest#
Für die meisten neuen Projekte bietet Ultralytics YOLO26 die beste Kombination aus Leistung und Entwicklererfahrung:
- 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 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.
Die Zukunft ist da: Ultralytics YOLO26 ist verfügbar#
YOLOv10 führte zwar das NMS-freie YOLO-Design ein, doch die Technologie hat sich weiterentwickelt. Das im Januar 2026 veröffentlichte Ultralytics YOLO26 ist das derzeit empfohlene Ultralytics-Modell für Bildverarbeitungs-KI. Es vereint Stärken früherer Architekturen – etwa die Mehrfachaufgabenfähigkeit von YOLO11 und die End-to-End-Erkennung von RT-DETR – in einer einzigen optimierten Modellfamilie.
Wenn du ein neues Projekt beginnst, solltest du mit YOLO26 starten. Die Ultralytics Platform bietet dir Flexibilität und eine einfache Bedienung.
Wichtige Neuerungen in YOLO26:
- End-to-End-Design ohne NMS: Aufbauend auf den Grundlagen von YOLOv10 bietet YOLO26 einen optionalen End-to-End-Eins-zu-eins-Kopf (
nms=False), der NMS überspringt und so die Bereitstellungslogik minimiert. - Bis zu 43 % schnellere CPU-Inferenz: Durch das Entfernen des Verteilungsverlusts mit Fokus (DFL) verringert YOLO26 den Rechenaufwand erheblich. YOLO26n läuft auf der CPU bis zu 43 % schneller als YOLO11n und eignet sich dadurch gut für Edge-KI-Geräte.
- MuSGD-Optimierer: YOLO26 übernimmt Techniken aus dem Training großer Sprachmodelle (LLM). Durch die Verbindung der Stabilität von SGD mit der Geschwindigkeit von Muon konvergiert das Modell schneller und zuverlässiger.
- ProgLoss + STAL: Der Progressive Loss und die zielgrößenbewusste Label-Zuweisung gehen langjährige Probleme bei der Erkennung kleiner Objekte an – einem Bereich, in dem EfficientDet traditionell Schwierigkeiten hatte.
Fazit: Modelle passend zu den Anwendungsfällen auswählen#
Die Wahl zwischen diesen Netzwerken hängt letztlich von deinen Bereitstellungsbeschränkungen ab:
- EfficientDet bleibt für die Forschung zur zusammengesetzten Skalierung von akademischem Interesse und eignet sich für Forscher, die bestehende TensorFlow-Systeme betreuen und für die die Größe der Modellgewichte auf dem Datenträger wichtiger ist als die Laufzeitgeschwindigkeit.
- YOLOv10 eignet sich dank seiner NMS-freien Architektur gut für Anwendungen, die eine extrem niedrige Latenz erfordern, etwa Multi-Objekt-Tracking mit hoher Geschwindigkeit und Verkehrsüberwachung.
- YOLO26 ist dagegen die erste Wahl für moderne Computer-Vision-Projekte. Das Modell bietet eine ausgewogene Leistung hinsichtlich Genauigkeit, geringem Speicherbedarf und Vielseitigkeit für mehrere Aufgaben, unterstützt durch das robuste Ultralytics-Ökosystem.
Kommentare
Stell eine Frage, teile deine Ergebnisse oder hilf jemand anderem.