EfficientDet im Vergleich zu YOLOv9
Die Computer Vision wurde durch stetige Fortschritte im Entwurf neuronaler Netzwerke geprägt. Bei der Modellauswahl ist es entscheidend, ein ausgewogenes Verhältnis zwischen Recheneffizienz und Erkennungsgenauigkeit zu finden. Google legte 2019 mit EfficientDet und skalierbaren Architekturen eine starke Grundlage, während das 2024 veröffentlichte YOLOv9 die Objekterkennung mithilfe programmierbarer Gradienteninformationen (PGI) weiterentwickelte.
Dieser Leitfaden vergleicht die beiden Modelle technisch und stellt Ultralytics YOLO26 vor, eine robuste End-to-End-Lösung, die für Produktionsumgebungen optimiert wurde.
Modellarchitekturen und Neuerungen#
Um die besten Einsatzbereiche von EfficientDet und YOLOv9 zu bestimmen, musst du ihre Funktionsweise verstehen.
EfficientDet: zusammengesetzte Skalierung und BiFPN#
EfficientDet wurde von Google Research entwickelt und setzt auf systematische Skalierung und effiziente Merkmalsfusion. Als Backbone dient EfficientNet; hinzu kommt eine neuartige Architektur für das Merkmalsnetzwerk.
- Autoren: Mingxing Tan, Ruoming Pang und Quoc V. Le
- Organisation: Google
- Datum: 20. November 2019
- Links: arXiv, GitHub
Wichtige Architekturmerkmale: EfficientDet stützt sich stark auf ein bidirektionales Merkmals-Pyramidennetzwerk (BiFPN), das eine schnelle Fusion von Merkmalen aus mehreren Maßstäben ermöglicht. Hinzu kommt eine Methode der zusammengesetzten Skalierung, die Auflösung, Tiefe und Breite des Netzwerks gleichmäßig skaliert. Für seine Zeit war EfficientDet sehr genau, ist jedoch stark an ältere TensorFlow-Umgebungen gebunden, was moderne Bereitstellungspipelines kompliziert macht.
Erfahre mehr über EfficientDet
YOLOv9: Den Informationsengpass beheben#
YOLOv9 wurde von Forschenden an der Academia Sinica entwickelt und befasst sich mit dem Informationsverlust, der entsteht, wenn Daten tiefe neuronale Netzwerke durchlaufen.
- Autoren: Chien-Yao Wang und Hong-Yuan Mark Liao
- Organisation: Institut für Informationswissenschaft, Academia Sinica
- Datum: 21. Februar 2024
- Links: arXiv, GitHub, Dokumentation
Wichtige Architekturmerkmale: YOLOv9 führt programmierbare Gradienteninformationen (PGI) ein, um eine zusätzliche Überwachung zu ermöglichen und sicherzustellen, dass wichtige Daten für die zuverlässige Aktualisierung der Netzwerkgewichte erhalten bleiben. Außerdem enthält das Modell ein verallgemeinertes effizientes Netzwerk zur Schichtaggregation (GELAN), das die Parametereffizienz maximiert. Trotz dieser Fortschritte benötigt YOLOv9 bei der Nachverarbeitung weiterhin Unterdrückung nicht maximaler Werte (NMS), was die Latenz erhöht.
Leistungsvergleich#
Bei der Bewertung dieser Modelle hilft die Analyse empirischer Leistungskennzahlen, um festzustellen, welche Architektur auf deiner Hardware den besten Kompromiss bietet.
| 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 |
| YOLOv9t | 640 | 38.3 | - | 2.3 | 2.0 | 7.7 |
| YOLOv9s | 640 | 46.8 | - | 3.54 | 7.2 | 26.7 |
| YOLOv9m | 640 | 51.4 | - | 6.43 | 20.1 | 76.8 |
| YOLOv9c | 640 | 53.0 | - | 7.16 | 25.5 | 102.8 |
| YOLOv9e | 640 | 55.6 | - | 16.77 | 58.1 | 192.5 |
Kritische Analyse#
YOLOv9 ist bei vergleichbarer Genauigkeit deutlich schneller. So erreicht YOLOv9e 55,6 % mAP bei einer TensorRT-Latenz von 16,77 ms. EfficientDet-d7 erzielt einen niedrigeren mAP von 53,7 % und hat mit 128,07 ms eine wesentlich höhere Latenz. Dadurch ist das Modell für Echtzeit-Videostreams nur schwer einsetzbar.
Anwendungsfälle und Empfehlungen#
Die Entscheidung zwischen EfficientDet und YOLOv9 hängt von deinen spezifischen Projektanforderungen, Bereitstellungsbeschränkungen und bevorzugten Ökosystemen 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 YOLOv9 wählen solltest#
YOLOv9 empfiehlt sich für:
- Forschung zu Informationsengpässen: Akademische Projekte, die programmierbare Gradienteninformationen (PGI) und Architekturen mit effizienten, verallgemeinerten Schichtaggregationsnetzwerken (GELAN) untersuchen.
- Studien zur Optimierung des Gradientenflusses: Forschung, die darauf abzielt, Informationsverluste in tiefen Netzwerkschichten während des Trainings zu verstehen und zu verringern.
- Benchmarking hochgenauer Erkennung: Szenarien, in denen die starke COCO-Benchmarkleistung von YOLOv9 als Vergleichsmaßstab für Architekturvergleiche benötigt wird.
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 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.
Der Ultralytics-Vorteil: YOLO26 wählen#
YOLOv9 und EfficientDet haben den Weg geebnet. Entwickler, die ein modernes, produktionsreifes Framework suchen, sollten jedoch Ultralytics-YOLO-Modelle in Betracht ziehen, insbesondere das neu veröffentlichte YOLO26.
Die Ultralytics Platform ist auf einfache Bedienung ausgelegt und verbindet lokale Trainingsskripte mit einer cloudgestützten Oberfläche. YOLO26 wurde grundlegend überarbeitet und übertrifft ältere Architekturen in vielen kommerziellen Anwendungen.
Technische Highlights von YOLO26#
- End-to-End-Design ohne NMS: Der optionale End-to-End-Kopf (
nms=False) von YOLO26 beseitigt Engpässe bei der Nachverarbeitung. Durch den Verzicht auf NMS werden die Bereitstellungsgraphen vereinheitlicht und auf Edge-KI-Chips schneller ausgeführt. - Bis zu 43 % schnellere CPU-Inferenz: YOLO26n ist für eingebettete Geräte optimiert und läuft auf der CPU mit ONNX bis zu 43 % schneller als YOLO11n, wenn keine GPUs verfügbar sind.
- MuSGD-Optimierer: Dieser Hybridoptimierer bringt Trainingstechniken für große Sprachmodelle in die Bildverarbeitungs-KI. Er stabilisiert Trainingsläufe und lässt Modelle mit weniger Ressourcen schneller konvergieren.
- Geringer Speicherbedarf: Im Gegensatz zu Transformer-lastigen Architekturen oder nicht optimierten CNNs minimiert YOLO26 den CUDA-Speicherverbrauch während des Trainings. So kannst du auf Hardware für Endverbraucher größere Batch-Größen verwenden.
- ProgLoss + STAL: Der Progressive Loss und die zielgrößenbewusste Label-Zuweisung verbessern die Genauigkeit bei der Erkennung kleiner Objekte erheblich. Dadurch eignet sich YOLO26 gut für Luftbilder und IoT-Netzwerke.
- Entfernung von DFL: Ein vereinfachter Strukturaufbau ermöglicht die reibungslose Umwandlung in Formate für die Bereitstellung auf Mobilgeräten.
Weitere Optionen im Ultralytics-Ökosystem sind YOLO11 und YOLOv8, die ebenfalls vielseitig für mehrere Aufgaben einsetzbar sind, etwa für die Instanzsegmentierung und die Posenschätzung.
Vereinfachtes Training mit dem Python-SDK#
Bei Ultralytics-Modellen steht die Entwicklererfahrung im Mittelpunkt. Zum Trainieren eines Modells genügen wenige Zeilen Python.
from ultralytics import YOLO
# Initialize the YOLO26 model
model = YOLO("yolo26n.pt")
# Train with optimized memory usage and built-in augmentations
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Validate the model's performance easily
metrics = model.val()
print(f"Validation mAP: {metrics.box.map}")Anwendungen in der Praxis#
Welche dieser Architekturen du wählen solltest, hängt stark von deinem Bereitstellungsziel ab.
- Ältere Cloud-Bereitstellungen: EfficientDet war bei stapelweiser Offline-Verarbeitung in der Cloud beliebt, wenn hohe Genauigkeit gefragt war und keine strengen Echtzeitvorgaben galten.
- Akademische Forschung: YOLOv9 ist weiterhin eine interessante Wahl für Forschende, die die Grenzen des CNN-Designs untersuchen und den Gradientenfluss durch Netzwerkschichten analysieren.
- Edge Computing und IoT: YOLO26 eignet sich gut für reale Edge-Anwendungen. Die NMS-freie Pipeline und die Unterstützung für orientierte Begrenzungsrahmen (OBB) machen das Modell zu einer überzeugenden Option für die Verkehrsüberwachung in Smart Cities, die Überwachung von Einzelhandelsbeständen und drohnengestützte Inspektionen. Dabei bietet es eine gute Balance aus hoher Genauigkeit und schneller Inferenz.
Kommentare
Stell eine Frage, teile deine Ergebnisse oder hilf jemand anderem.