Erste Schritte

EfficientDet vs. YOLOv6-3.0

Die Wahl der richtigen neuronalen Netzwerkarchitektur ist der Grundstein jedes erfolgreichen Projekts im Bereich Computer Vision. Dieser Leitfaden bietet einen technischen Vergleich zweier wichtiger Modelle zur Objekterkennung: EfficientDet von Google und YOLOv6-3.0 von Meituan.

Beide Architekturen stellten bei ihrer Veröffentlichung bedeutende Fortschritte dar, doch inzwischen hat die KI vielseitigere, für Edge-Geräte optimierte Lösungen hervorgebracht. Dieser Leitfaden vergleicht Leistung, Trainingsmethoden und Architekturdetails von EfficientDet und YOLOv6-3.0 und erklärt, warum viele Entwickler bei der Bereitstellung heute moderne Ökosysteme wie Ultralytics YOLO26 wählen.

EfficientDet: skalierbare AutoML-Architektur#

EfficientDet wurde vom Google-Brain-Team entwickelt. Das Modell baut auf dem von AutoML entworfenen EfficientNet-Backbone auf und kombiniert es mit einem durch Verbundskalierung angepassten Merkmalsnetzwerk.

Architektonische Innovationen#

Die zentrale Innovation von EfficientDet ist BiFPN (bidirektionales Merkmals-pyramidennetzwerk). Anders als herkömmliche FPNs, die Merkmale lediglich von oben nach unten zusammenführen, ermöglicht BiFPN komplexe, bidirektionale Verbindungen zwischen verschiedenen Skalen und nutzt lernbare Gewichte, um die Bedeutung unterschiedlicher Eingabemerkmale abzubilden. Hinzu kommt eine Verbundskalierungsmethode, die Auflösung, Tiefe und Breite des Netzwerks gleichmäßig skaliert.

Stärken und Schwächen#

EfficientDet erzielt im Verhältnis zur Parameterzahl eine ausgezeichnete mittlere durchschnittliche Präzision (mAP) und war für seine Zeit sehr genau. Das Modell ist jedoch stark auf ältere TensorFlow-Umgebungen angewiesen. Diese Abhängigkeit führt im Vergleich zu modernen einstufigen Detektoren auf PyTorch-Basis häufig zu einer komplexen Abstimmung der Hyperparameter, höherem Speicherbedarf beim Training und längerer Inferenzlatenz auf Standardhardware.

Weitere Informationen zu EfficientDet

YOLOv6-3.0: Spitzenleistung beim industriellen Durchsatz#

YOLOv6-3.0 wurde für die industrielle Verarbeitung großer Datenmengen entwickelt und ist ein konvolutionales neuronales Netzwerk (CNN), das von Grund auf für maximalen Durchsatz auf Hardwarebeschleunigern wie NVIDIA-T4- und A100-GPUs ausgelegt ist.

Architektonische Innovationen#

YOLOv6-3.0 ersetzt herkömmliche Module im Neck durch das bidirektionale Konkatenationsmodul (BiC), um präzise Lokalisierungssignale zu erhalten. Außerdem nutzt das Modell eine ankergestützte Trainingsstrategie (AAT). AAT integriert während des Trainings einen zusätzlichen Zweig auf Ankerbasis, der weitere Gradientenhinweise liefert. Bei der Inferenz wird dieser Zweig entfernt, damit der Geschwindigkeitsvorteil des ankerfreien Designs erhalten bleibt.

Stärken und Schwächen#

YOLOv6-3.0 basiert auf dem hardwarefreundlichen EfficientRep-Backbone und bewährt sich in der schnellen industriellen Fertigung, wo Stapelverarbeitung auf dedizierten GPUs möglich ist. Das Design ist jedoch auf GPU-Durchsatz abgestimmt, sodass der Geschwindigkeitsvorteil auf Edge-Geräten oder in reinen CPU-Umgebungen geringer ausfallen kann.

Mehr über YOLOv6-3.0 erfahren

Leistungsvergleich#

Das Verständnis der reinen Leistungskennzahlen ist entscheidend, um ein Modell auszuwählen, das zu den jeweiligen Bereitstellungsbedingungen passt. Die folgende Tabelle vergleicht Genauigkeit, Geschwindigkeit und 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
YOLOv6-3.0n64037.5-1.174.711.4
YOLOv6-3.0s64045.0-2.6618.545.3
YOLOv6-3.0m64050.0-5.2834.985.8
YOLOv6-3.0l64052.8-8.9559.6150.7
Hardwareüberlegungen

YOLOv6-3.0 erreicht auf T4-GPUs zwar sehr hohe TensorRT-Geschwindigkeiten, doch Entwickler, die Modelle auf leistungsschwacher Edge-Hardware oder CPUs bereitstellen, profitieren deutlich von Architekturen für Umgebungen mit geringem Energieverbrauch wie Ultralytics YOLO26.

Anwendungsfälle und Empfehlungen#

Die Wahl zwischen EfficientDet und YOLOv6 hängt von deinen konkreten Projektanforderungen, Bereitstellungsbedingungen und Ökosystempräferenzen 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 YOLOv6 wählen solltest#

YOLOv6 empfiehlt sich für:

  • Bereitstellung auf industrielle Hardware: Szenarien, in denen das hardwarebewusste Design und die effiziente Reparametrisierung des Modells eine optimierte Leistung auf bestimmter Zielhardware ermöglichen.
  • Schnelle einstufige Erkennung: Anwendungen, bei denen die reine Inferenzgeschwindigkeit auf der GPU für die Echtzeit-Videoverarbeitung in kontrollierten Umgebungen entscheidend ist.
  • Integration in das Meituan-Ökosystem: Teams, die bereits mit dem Technologie-Stack und der Bereitstellungsinfrastruktur von Meituan arbeiten.

Wann du Ultralytics (YOLO26) wählen solltest#

Für die meisten neuen Projekte bietet Ultralytics YOLO26 die beste Kombination aus Leistung und Entwicklerfreundlichkeit:

  • NMS-freie Bereitstellung auf Edge-Geräten: Anwendungen, die eine konsistente Inferenz mit geringer Latenz erfordern, ohne die Komplexität einer Nachverarbeitung mit Nicht-maximaler Unterdrückung (NMS).
  • 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: Warum du YOLO26 wählen solltest#

EfficientDet und YOLOv6-3.0 waren Meilensteine in der Computer-Vision-Forschung. Ihre Bereitstellung in modernen Produktionsumgebungen ist jedoch oft mit komplexen Abhängigkeiten, uneinheitlichen APIs und hohem Speicherbedarf verbunden. Das Ultralytics-Ökosystem beseitigt diese Engpässe im Arbeitsablauf direkt.

Für Entwickler, die hohe Leistung und Benutzerfreundlichkeit suchen, ist Ultralytics YOLO26 (veröffentlicht im Januar 2026) ein bedeutender Fortschritt. Das Modell wird für neue Bereitstellungen empfohlen.

Neuerungen in YOLO26#

  • End-to-End-Design ohne NMS: YOLO26 unterstützt native End-to-End-Inferenz. Wird der Eins-zu-eins-Kopf mit nms=False ausgewählt, entfällt die NMS-Nachverarbeitung. Das verringert die Latenzschwankungen und vereinfacht die Modellbereitstellung auf unterschiedlichster Edge-Hardware.
  • MuSGD-Optimierer: Inspiriert vom Training von LLMs, etwa Moonshot AIs Kimi K2, kombiniert YOLO26 SGD und Muon. So werden die Stabilität beim Training großer Sprachmodelle auf Computer Vision übertragen und schnellere Konvergenz sowie effizientes Training ermöglicht.
  • Bis zu 43 % schnellere CPU-Inferenz: YOLO26 wurde für Edge Computing und Geräte mit geringem Energieverbrauch optimiert und ermöglicht schnelle CPU-Inferenz, wo herkömmliche Industriemodelle an ihre Grenzen stoßen. YOLO26n ist bis zu 43 % schneller als YOLO11n.
  • Wegfall von DFL: Distribution Focal Loss wurde entfernt, um den Exportgraphen zu vereinfachen und die Kompatibilität mit Laufzeitumgebungen wie OpenVINO und CoreML zu verbessern.
  • ProgLoss + STAL: Der progressive Loss und die zielgrößenbewusste Labelzuweisung verbessern die Erkennung kleiner Objekte deutlich. Dadurch eignet sich YOLO26 besonders für Drohnenkartierung, IoT-Sensoren und Robotik.

Vielseitigkeit#

Anders als EfficientDet, das auf die Erkennung von Begrenzungsrahmen beschränkt ist, unterstützt YOLO26 nativ mehrere Aufgaben. Dieselbe einheitliche Python-API unterstützt standardmäßig Instanzsegmentierung, Bildklassifizierung, Posenschätzung und die Erkennung orientierter Begrenzungsrahmen (OBB). Aufgabenspezifische Verbesserungen wie ein Loss für semantische Segmentierung und Residual Log-Likelihood Estimation (RLE) sind direkt in die Architektur integriert.

Codeintegration#

Für das Training eines fortschrittlichen neuronalen Netzwerks sind keine Hunderte Zeilen Standardcode mehr erforderlich. Mit der Ultralytics-Bibliothek können Forschende ein Modell laden, trainieren und mit nur wenigen Codezeilen anhand von Standarddatensätzen wie COCO validieren:

from ultralytics import YOLO

# Initialize the natively end-to-end YOLO26 Nano model
model = YOLO("yolo26n.pt")

# Train the model efficiently with automatic hardware detection
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Validate the model's performance
metrics = model.val()
print(f"Achieved mAP50-95: {metrics.box.map:.3f}")

# Export directly to ONNX or TensorRT without NMS overhead
model.export(format="onnx", nms=False)

Weitere Modelle, die du in Betracht ziehen kannst#

Wenn dein Projekt ältere Hardwareprofile unterstützen muss oder du eine veraltete Codebasis pflegst, bietet dir das umfassende Ultralytics-Ökosystem die passenden Möglichkeiten.

  • Ultralytics YOLO11: Der direkte Vorgänger von YOLO26, der in Unternehmen mit ausgereiften und gut dokumentierten Pipelines weit verbreitet ist.
  • Ultralytics YOLOv8: Ein weit verbreitetes Modell, das Maßstäbe für die Entwicklererfahrung setzte und sich weiterhin gut für allgemeine Computer-Vision-Aufgaben eignet. Es lässt sich eng mit Tools wie TensorBoard und Weights & Biases integrieren.

Kommentare

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