EfficientDet im Vergleich zu YOLOX
Beim Entwurf einer modernen Computer-Vision-Pipeline ist die Wahl des richtigen Modells eine wichtige Entscheidung, die sowohl die Genauigkeit als auch die Echtzeitfähigkeit bestimmt. Dieser technische Leitfaden vergleicht zwei bedeutende Architekturen zur Objekterkennung: EfficientDet von Google und YOLOX von Megvii. Er analysiert ihre Architekturansätze, bewertet ihre Benchmark-Leistung und erläutert, wie sie im Vergleich zum neu veröffentlichten Ultralytics YOLO26 abschneiden.
EfficientDet im Überblick#
EfficientDet wurde vom Google-Brain-Team vorgestellt und führte einen strukturierten Ansatz zur Modells skalierung ein. Das Modell zeigte, dass sich eine hohe Genauigkeit mit deutlich weniger Parametern als in stark parametrisierten zeitgenössischen Netzwerken erreichen lässt.
Details zu EfficientDet:
- Autoren: Mingxing Tan, Ruoming Pang und Quoc V. Le
- Organisation: Google
- Datum: 2019-11-20
- arXiv: 1911.09070
- GitHub: google/automl/efficientdet
- Dokumentation: EfficientDet-Dokumentation
Architekturmerkmale#
EfficientDet basiert auf dem EfficientNet-Backbone und verwendet ein Verfahren zur zusammengesetzten Skalierung, das Auflösung, Tiefe und Breite des Netzwerks gleichmäßig skaliert. Sein charakteristisches Merkmal ist das bidirektionale Feature-Pyramiden-Netzwerk (BiFPN), das eine schnelle und effektive Fusion von Merkmalen aus mehreren Maßstäben ermöglicht. Durch den Einsatz lernbarer Gewichtungen für verschiedene Eingabemerkmale stellt BiFPN sicher, dass das Netzwerk räumliche Daten mit größerer Bedeutung priorisiert.
Obwohl die theoretischen FLOPs von EfficientDet sehr niedrig sind, kann die Abhängigkeit vom TensorFlow-Ökosystem und älteren AutoML-Konfigurationen die Integration in moderne, schnelllebige PyTorch-Workflows erschweren. Das komplexe Netzwerk mit mehreren Zweigen kann beim Training außerdem zu einem höheren Speicherverbrauch als erwartet führen, verglichen mit modernen YOLO-Varianten.
Weitere Informationen zu EfficientDet
Überblick über YOLOX#
YOLOX wurde zwei Jahre später veröffentlicht und sollte die Lücke zwischen wissenschaftlicher Forschung und industrieller Bereitstellung schließen, indem es die traditionelle YOLO-Architektur in ein anchor-freies Framework überführte.
Details zu YOLOX:
- Autoren: Zheng Ge, Songtao Liu, Feng Wang, Zeming Li und Jian Sun
- Organisation: Megvii
- Datum: 2021-07-18
- arXiv: 2107.08430
- GitHub: Megvii-BaseDetection/YOLOX
- Dokumentation: YOLOX-Dokumentation
Architekturmerkmale#
YOLOX hat das Design der Objekterkennung deutlich vereinfacht. Durch den Wechsel zu einem ankerfreien Design machte YOLOX komplexe, datensatzspezifische Anpassungen von Ankerrahmen überflüssig und verringerte den Aufwand durch Heuristiken. Außerdem wurde ein entkoppelter Kopf integriert, der Klassifizierung und Lokalisierung voneinander trennt und so die Konvergenzgeschwindigkeit deutlich erhöhte. Die Strategie SimOTA für die Label-Zuweisung optimierte während des Trainings dynamisch die Zuweisung positiver Beispiele.
Trotz dieser Fortschritte kann die Einrichtung des YOLOX-Repositorys das Erstellen von C++-Erweiterungen und die Verwaltung komplexer Abhängigkeiten erfordern. Das kann die schnelle Modellbereitstellung für weniger erfahrene Teams erschweren.
Leistungsvergleich#
Bei der Bewertung von Modellen für den Produktionseinsatz ist es entscheidend, die mittlere durchschnittliche Präzision (mAP) und die Inferenzgeschwindigkeit gegeneinander abzuwägen. Die folgende Tabelle vergleicht die EfficientDet- und YOLOX-Familien direkt anhand standardisierter COCO-Benchmarks.
| 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 |
| YOLOXnano | 416 | 25.8 | - | - | 0.91 | 1.08 |
| YOLOXtiny | 416 | 32.8 | - | - | 5.06 | 6.45 |
| YOLOXs | 640 | 40.5 | - | 2.56 | 9.0 | 26.8 |
| YOLOXm | 640 | 46.9 | - | 5.43 | 25.3 | 73.8 |
| YOLOXl | 640 | 49.7 | - | 9.04 | 54.2 | 155.6 |
| YOLOXx | 640 | 51.1 | - | 16.1 | 99.1 | 281.9 |
EfficientDet erzielt zwar mit seinen größeren d7-Varianten eine hohe Genauigkeit, YOLOX bietet auf GPU-Hardware jedoch deutlich geringere Latenz (über TensorRT) und eignet sich daher besser für Anwendungen mit hoher Bildrate, etwa autonomes Fahren oder Sporttracking.
Anwendungsfälle und Empfehlungen#
Die Wahl zwischen EfficientDet und YOLOX hängt von den spezifischen Anforderungen deines Projekts, den Einschränkungen bei der Bereitstellung und deinen 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 YOLOX wählen solltest#
YOLOX empfiehlt sich für:
- Forschung zur anchorfreien Erkennung: Akademische Forschung, bei der YOLOX aufgrund seiner übersichtlichen, anchorfreien Architektur als Grundlage für Experimente mit neuen Erkennungs-Heads oder Verlustfunktionen dient.
- Besonders kompakte Edge-Geräte: Bereitstellung auf eingebetteter Hardware mit geringem Stromverbrauch oder älteren Mobilgeräten, bei der das äußerst geringe Format der YOLOX-Nano-Variante (0.91M Parameter) entscheidend ist.
- Studien zur SimOTA-Labelzuweisung: Forschungsprojekte, die Strategien zur Labelzuweisung auf Grundlage optimalen Transports und deren Auswirkungen auf die Trainingskonvergenz untersuchen.
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 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: YOLO26 im Überblick#
EfficientDet und YOLOX waren wichtige Fortschritte ihrer jeweiligen Zeit, doch moderne Computer Vision erfordert mehr Vielseitigkeit, schlanke Arbeitsabläufe und hohe Geschwindigkeit. Für Entwickler, denen Benutzerfreundlichkeit, geringerer Speicherbedarf und ein gut gepflegtes Ökosystem wichtig sind, ist Ultralytics YOLO26 das empfohlene Upgrade. Es wurde im Januar 2026 veröffentlicht.
YOLO26 ist ein bedeutender Schritt in der Entwicklung der YOLO-Modellreihe und behebt Einschränkungen älterer Modelle wie YOLOX und EfficientDet:
- End-to-End-Design ohne NMS: Anders als EfficientDet und YOLOX, die eine kostspielige Nachverarbeitung mit Unterdrückung nicht maximaler Werte (NMS) erfordern, unterstützt YOLO26 die native End-to-End-Inferenz über seinen optionalen Eins-zu-eins-Kopf (
nms=False). Dadurch entfallen Latenzengpässe durch NMS und die Bereitstellung auf Edge-Geräten wird einfacher. - Bis zu 43 % schnellere CPU-Inferenz: Durch architektonische Optimierungen und den Wegfall von DFL (Distribution Focal Loss) ist YOLO26 für Umgebungen ohne dedizierte GPUs optimiert. YOLO26n läuft auf der CPU bis zu 43 % schneller als YOLO11n und bietet hervorragende Leistung auf Edge-KI-Hardware wie dem Raspberry Pi.
- MuSGD-Optimierer: Inspiriert von Innovationen beim Training von LLMs (wie Kimi K2 von Moonshot AI) verwendet YOLO26 eine Kombination aus SGD und Muon. Das sorgt im Vergleich zu älteren Trainingskonfigurationen für stabiles Training und schnellere Konvergenz.
- ProgLoss + STAL: Progressiver Loss und eine zielgrößenbewusste Label-Zuweisung verbessern die Erkennung kleiner Objekte deutlich – eine seit Langem bekannte Schwäche von YOLOX und EfficientDet. Das ist für Drohnenanalysen und IoT entscheidend.
- Vielseitigkeit bei mehreren Aufgaben: Während EfficientDet und YOLOX ausschließlich Begrenzungsrahmen erkennen, unterstützt YOLO26 nativ Instanzsegmentierung, Posenschätzung (mithilfe der Residual-Log-Likelihood-Schätzung) und die Erkennung orientierter Begrenzungsrahmen (OBB).
Optimierte Benutzererfahrung und effizientes Training#
Eine der größten Hürden bei Modellen wie YOLOX ist die Einrichtung der Trainingsumgebung. Mit der einheitlichen Ultralytics-Python-API lässt sich ein Modell mit nur wenigen Codezeilen trainieren. YOLO-Modelle verfügen außerdem über optimierte Datenlader und schlanke Architekturen, was im Vergleich zu Transformer-lastigen Modellen oder älteren Netzwerken mit mehreren Zweigen den CUDA-Speicherbedarf deutlich senkt.
from ultralytics import YOLO
# YOLO26n-Modell laden (NMS-freie Inferenz verfügbar mit nms=False)
model = YOLO("yolo26n.pt")
# Das Modell mit deinem eigenen Datensatz trainieren
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Exportiere das Modell für den Einsatz auf Edge-Geräten nach ONNX oder OpenVINO
model.export(format="openvino")Fazit: Die richtige Wahl treffen#
Wenn du ein älteres System betreust, das fest in das TensorFlow-Ökosystem eingebunden ist, bleibt EfficientDet eine stabile Wahl – besonders dann, wenn seine Varianten mit zusammengesetzter Skalierung bereits integriert sind. Wenn du in bestehenden ankerfreien Codebasen vor allem hohe Geschwindigkeit benötigst, ist YOLOX ein schneller und zuverlässiger Detektor.
Für neue Projekte, die in die Produktion überführt werden, ist Ultralytics YOLO26 jedoch die empfohlene Wahl (oder das stabile YOLO11 für bestehende Unternehmensbereitstellungen). Mit optionaler End-to-End-Inferenz ohne NMS, höheren CPU-Geschwindigkeiten und einer unkomplizierten Bereitstellung über Formate wie OpenVINO und TensorRT sorgt YOLO26 dafür, dass deine Computer-Vision-Anwendungen genau, aktuell und einfach zu warten sind.
Kommentare
Stell eine Frage, teile deine Ergebnisse oder hilf jemand anderem.