Erste Schritte

PP-YOLOE+ vs. EfficientDet

Die Wahl der passenden Architektur ist ein entscheidender Schritt beim Aufbau robuster Computer-Vision-Anwendungen. Dieser technische Leitfaden beleuchtet die Kompromisse zwischen zwei bekannten Objekterkennungsmodellen: PP-YOLOE+ und EfficientDet. Er erläutert ihre Architekturen, analysiert ihre Leistungskennzahlen und beschreibt die jeweils am besten geeigneten Einsatzbereiche.

Beide Modelle haben wesentlich zum Fachgebiet beigetragen. Dieser Leitfaden behandelt außerdem, wie moderne Alternativen wie Ultralytics YOLO26 eine bessere Speichereffizienz, schnellere Inferenz und eine schlankere Entwicklerumgebung bieten.

Architekturüberblick: PP-YOLOE+#

PP-YOLOE+ ist eine verbesserte Version von PP-YOLOE, das seinerseits aus der PP-YOLO-Reihe hervorging. Das Modell wurde für eine optimierte Leistung auf serverseitigen GPUs im PaddlePaddle-Ökosystem entwickelt. Es ergänzt die Basisarchitektur um mehrere Verbesserungen und setzt dabei auf ein Anchor-free-Paradigma.

Erfahre mehr über PP-YOLOE+

PP-YOLOE+ bietet ein CSPRepResNet-Backbone und einen Efficient Task-aligned Head (ET-head). Bei der Klassifizierung setzt es stark auf Varifocal Loss und bei der Regression von Begrenzungsrahmen auf Distribution Focal Loss. Der Wechsel zu einem Anchor-free-Detektor vereinfachte die Nachbearbeitung und machte das Modell zum Zeitpunkt seiner Veröffentlichung äußerst konkurrenzfähig.

Vorteile der Integration

Teams, die bereits stark in Baidus PaddlePaddle-Framework investiert haben, können PP-YOLOE+ oft leichter in ihre vorhandenen Pipelines integrieren. Im Gegensatz zu neueren Werkzeugen bietet es jedoch keine breite Unterstützung für mehrere Frameworks.

Architekturübersicht: EfficientDet#

EfficientDet verfolgt einen anderen Ansatz für die Objekterkennung: Es baut auf einem durch Neural Architecture Search gefundenen Backbone auf und wendet Prinzipien der zusammengesetzten Skalierung an.

Weitere Informationen zu EfficientDet

Das Herzstück von EfficientDet ist sein bidirektionales Feature-Pyramid-Netzwerk (BiFPN). Anders als herkömmliche FPNs ermöglicht BiFPN eine schnelle Merkmalsfusion über mehrere Maßstäbe hinweg, indem lernbare Gewichte die Bedeutung verschiedener Eingabemerkmale bestimmen. Zusammen mit einem EfficientNet-Backbone skaliert EfficientDet gleichzeitig Netzwerkbreite, -tiefe und Auflösung systematisch hoch.

EfficientDet-Modelle sind zwar gemessen an den FLOPs sehr effizient, können diese theoretische Effizienz auf Edge-Geräten wegen komplexer Speicherzugriffsmuster aber nur schwer in reale Geschwindigkeit umsetzen. YOLO-basierte Modelle benötigen dagegen weniger Speicher.

Leistungsanalyse und Benchmarks#

Die folgende Tabelle vergleicht wichtige Kennzahlen auf Standard-Datensätzen wie COCO. Der Vergleich der mittleren Average Precision (mAP) mit der Inferenzgeschwindigkeit zeigt, wo jedes Modell auf der Pareto-Grenze zwischen Geschwindigkeit und Genauigkeit liegt.

ModellGröße
(Pixel)
mAPval50-95Geschwindigkeit
CPU ONNX
(ms)
Geschwindigkeit
T4 TensorRT10
(ms)
Parameter
(M)
FLOPs
(B)
PP-YOLOE+t64039.9-2.844.8519.15
PP-YOLOE+s64043.7-2.627.9317.36
PP-YOLOE+m64049.8-5.5623.4349.91
PP-YOLOE+l64052.9-8.3652.2110.07
PP-YOLOE+x64054.7-14.398.42206.59
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

Wie zu sehen ist, skaliert PP-YOLOE+ bei der rohen mAP auf leistungsstarken GPUs in der Regel besser, während EfficientDet die Anzahl der Parameter zu minimieren versucht. Beide bleiben jedoch hinter der Echtzeitleistung zurück, die moderne Edge-KI-Anwendungen erfordern.

Anwendungsfälle und Empfehlungen#

Die Wahl zwischen PP-YOLOE+ und EfficientDet hängt von den konkreten Anforderungen deines Projekts, den Bereitstellungsbeschränkungen und deinen Präferenzen für das Ökosystem ab.

Wann du PP-YOLOE+ wählen solltest#

PP-YOLOE+ eignet sich besonders für:

  • Integration in das PaddlePaddle-Ökosystem: Unternehmen mit einer bestehenden Infrastruktur auf Basis des PaddlePaddle-Frameworks und der Werkzeuge von Baidu.
  • Edge-Bereitstellung mit Paddle Lite: Bereitstellung auf Hardware mit hochoptimierten Inferenzkernen speziell für Paddle Lite oder die Paddle-Inferenz-Engine.
  • Erkennung mit hoher Genauigkeit auf Servern: Szenarien, in denen höchste Erkennungsgenauigkeit auf leistungsstarken GPU-Servern gefragt ist und die Abhängigkeit von einem bestimmten Framework keine Rolle spielt.

Wann du EfficientDet wählen solltest#

EfficientDet empfiehlt sich 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 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.

Die moderne Alternative: Ultralytics YOLO26#

PP-YOLOE+ und EfficientDet waren wichtige Meilensteine. Entwickler, die hohe Genauigkeit, geringeren Speicherverbrauch und eine schlanke Benutzererfahrung suchen, sollten jedoch Ultralytics YOLO26 in Betracht ziehen.

YOLO26 ist ein großer Fortschritt bei der Objekterkennung und führt mehrere wichtige Neuerungen ein:

  • Durchgängiges NMS-freies Design: Aufbauend auf YOLOv10 vermeidet der optionale End-to-End-Head (nms=False) von YOLO26 während der Inferenz die Non-Maximum Suppression (NMS). Das senkt die Latenz deutlich und beseitigt Engpässe durch komplexe Nachbearbeitung.
  • MuSGD-Optimierer: Inspiriert von Neuerungen beim Training von LLMs, verwendet YOLO26 einen hybriden SGD- und Muon-Optimierer, der die Trainingsstabilität verbessert und die Konvergenzzeit verkürzt.
  • Schnellere CPU-Inferenz: YOLO26n ermöglicht bis zu 43 % schnellere CPU-Inferenz als YOLO11n und eignet sich damit besonders für Edge-Geräte mit Akku oder ausschließlich mit CPU.
  • Fortschrittliche Trainingstechniken: ProgLoss und STAL verbessern die Erkennung kleiner Objekte erheblich. Das ist für Aufgaben wie die Drohnenanalyse und Robotik unerlässlich.
Vielseitigkeit beim Multitasking

Anders als EfficientDet, das sich ausschließlich auf die Erkennung konzentriert, verarbeitet YOLO26 nativ Instanzsegmentierung, Bildklassifizierung, Posenschätzung und orientierte Begrenzungsrahmen (OBB) – alles in einem einheitlichen, gut gepflegten Ökosystem.

Benutzerfreundlichkeit und Integration ins Ökosystem#

Zu den größten Nachteilen älterer Modelle wie EfficientDet zählen die Komplexität ihrer Trainingspipelines und ihrer Setups für automatisiertes maschinelles Lernen. Im Gegensatz dazu bietet die Ultralytics Platform eine schlanke Entwicklerumgebung.

Mit Ultralytics reichen wenige Codezeilen aus, um ein Modell zu trainieren und auszuführen – im Gegensatz zu den umfangreichen Konfigurationen älterer Frameworks.

from ultralytics import YOLO

# Ein vortrainiertes YOLO26-Modell laden
model = YOLO("yolo26s.pt")

# Das Modell mit dem COCO8-Datensatz trainieren
results = model.train(data="coco8.yaml", epochs=100)

# NMS-freie Inferenz mit dem End-to-End-Head auf einem Testbild ausführen
predictions = model("https://ultralytics.com/images/bus.jpg", nms=False)

Wer weitere Alternativen erkundet, findet im Ultralytics-Ökosystem auch Architekturen wie RT-DETR oder das frühere YOLOv8. So lassen sich Modelle einfach austauschen und testen.

Fazit#

PP-YOLOE+ bleibt eine starke Wahl für bestimmte Serverbereitstellungen im Paddle-Ökosystem, und EfficientDet ist weiterhin ein interessantes Beispiel für automatisiertes Architekturdesign. Für moderne Anwendungen, die Echtzeit-Inferenz, einfache Bereitstellung und minimalen Speicherbedarf erfordern, bietet Ultralytics YOLO26 jedoch das überzeugendste Verhältnis von Leistung und Aufwand. Das optionale NMS-freie Design und die schnelle CPU-Leistung machen das Modell zur empfohlenen Wahl für moderne KI-Infrastruktur.

Kommentare

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