PP-YOLOE+ vs. EfficientDet#
Die Wahl der passenden Architektur ist ein entscheidender Schritt beim Aufbau robuster Anwendungen für die Computer Vision. Dieser technische Leitfaden beleuchtet die Kompromisse zwischen zwei bekannten Objekterkennungsmodellen: PP-YOLOE+ und EfficientDet. Wir stellen ihre Architekturen vor, analysieren ihre Leistungskennzahlen und zeigen, für welche Bereitstellungsszenarien sie sich jeweils eignen.
Beide Modelle haben wichtige Beiträge zum Fachgebiet geleistet. Wir erläutern außerdem, wie moderne Alternativen wie Ultralytics YOLO26 eine wesentlich höhere Speichereffizienz, schnellere Inferenz und eine deutlich optimierte Entwicklererfahrung bieten.
Architekturüberblick: PP-YOLOE+#
PP-YOLOE+ ist eine weiterentwickelte Version des ursprünglichen PP-YOLO und wurde speziell für eine optimierte Leistung auf Server-GPUs im PaddlePaddle-Ökosystem entwickelt. Die Architektur erweitert die Basisversion um mehrere Verbesserungen und setzt dabei auf ein anchor-freies Paradigma.
- Autoren: PaddlePaddle-Autoren
- Organisation: Baidu
- Datum: 2022-04-02
- ArXiv: 2203.16250
- Dokumentation: PaddleDetection-README
PP-YOLOE+ verfügt über ein CSPRepResNet-Backbone und einen Efficient Task-aligned Head (ET-Head). Für die Klassifizierung setzt das Modell stark auf Varifocal Loss und für die Regression der Bounding Boxes auf Distribution Focal Loss. Der Wechsel zu einem anchor-freien Detektor vereinfachte die Nachverarbeitung und machte das Modell zum Zeitpunkt seiner Veröffentlichung äußerst konkurrenzfähig.
Teams, die bereits intensiv mit dem PaddlePaddle-Framework von Baidu arbeiten, können PP-YOLOE+ für Aufgaben wie die Instanzsegmentierung oft leichter einsetzen. Die breite Unterstützung mehrerer Frameworks, die neuere Tools bieten, fehlt jedoch.
Architekturübersicht: EfficientDet#
EfficientDet verfolgt einen grundlegend anderen Ansatz für die Objekterkennung und setzt stark auf die Suche nach neuronalen Architekturen sowie auf Prinzipien der zusammengesetzten Skalierung.
- Autoren: Mingxing Tan, Ruoming Pang und Quoc V. Le
- Organisation: Google
- Datum: 2019-11-20
- ArXiv: 1911.09070
- Dokumentation: Brain-AutoML-README
Weitere Informationen zu EfficientDet
Das Herzstück von EfficientDet ist sein bidirektionales Feature-Pyramid-Netzwerk (BiFPN). Anders als herkömmliche FPNs ermöglicht BiFPN eine einfache und schnelle Fusion von Merkmalen aus mehreren Maßstabsebenen. Dazu werden lernbare Gewichte eingeführt, mit denen die Bedeutung der verschiedenen Eingabemerkmale ermittelt wird. In Kombination mit einem EfficientNet-Backbone skaliert EfficientDet gleichzeitig und systematisch die Breite, Tiefe und Auflösung des Netzwerks.
Obwohl EfficientDet-Modelle theoretisch hinsichtlich FLOPs sehr effizient sind, lässt sich diese Effizienz auf Edge-Geräten aufgrund komplexer Speicherzugriffsmuster bisweilen nur schwer in tatsächliche Geschwindigkeit umsetzen. Das steht im deutlichen Gegensatz zum geringeren Speicherbedarf YOLO-basierter Modelle.
Leistungsanalyse und Benchmarks#
Die folgende Tabelle vergleicht wichtige Kennzahlen auf Standard-Datensätzen wie COCO. Der Vergleich der mittleren durchschnittlichen Präzision (mAP) mit der Inferenzgeschwindigkeit zeigt die Pareto-Grenze anschaulich.
| Modell | Größe (Pixel) | mAPval 50-95 | Geschwindigkeit CPU ONNX (ms) | Geschwindigkeit T4 TensorRT10 (ms) | Parameter (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| PP-YOLOE+t | 640 | 39.9 | - | 2.84 | 4.85 | 19.15 |
| PP-YOLOE+s | 640 | 43.7 | - | 2.62 | 7.93 | 17.36 |
| PP-YOLOE+m | 640 | 49.8 | - | 5.56 | 23.43 | 49.91 |
| PP-YOLOE+l | 640 | 52.9 | - | 8.36 | 52.2 | 110.07 |
| PP-YOLOE+x | 640 | 54.7 | - | 14.3 | 98.42 | 206.59 |
| EfficientDet-d0 | 640 | 34.6 | 10.2 | 3.92 | 3.9 | 2.54 |
| EfficientDet-d1 | 640 | 40.5 | 13.5 | 7.31 | 6.6 | 6.1 |
| EfficientDet-d2 | 640 | 43.0 | 17.7 | 10.92 | 8.1 | 11.0 |
| EfficientDet-d3 | 640 | 47.5 | 28.0 | 19.59 | 12.0 | 24.9 |
| EfficientDet-d4 | 640 | 49.7 | 42.8 | 33.55 | 20.7 | 55.2 |
| EfficientDet-d5 | 640 | 51.5 | 72.5 | 67.86 | 33.7 | 130.0 |
| EfficientDet-d6 | 640 | 52.6 | 92.8 | 89.29 | 51.9 | 226.0 |
| EfficientDet-d7 | 640 | 53.7 | 122.0 | 128.07 | 51.9 | 325.0 |
Wie die Ergebnisse zeigen, skaliert PP-YOLOE+ bei High-End-GPUs im Allgemeinen besser hinsichtlich des reinen mAP, während EfficientDet versucht, die Anzahl der Parameter zu minimieren. Beide bleiben jedoch hinter den modernen Echtzeitfähigkeiten zurück, die für hochmoderne Edge-KI erforderlich sind.
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: Systeme, die eng mit Google Cloud Vision APIs oder einer TPU-Infrastruktur verbunden sind und bei denen EfficientDet nativ optimiert ist.
- 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 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, auf denen die bis zu 43 % schnellere CPU-Inferenz von YOLO26 einen entscheidenden 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 sind zwar bedeutende historische Meilensteine, doch Entwickler, die modernste Genauigkeit, einen geringeren Speicherbedarf und eine optimierte Benutzererfahrung suchen, sollten Ultralytics YOLO26 in Betracht ziehen.
YOLO26 ist ein großer Fortschritt in der Objekterkennung und führt mehrere wichtige Neuerungen ein:
- End-to-End-Design ohne NMS: Aufbauend auf den Durchbrüchen von YOLOv10 macht der optionale End-to-End-Head von YOLO26 (
nms=False) die Non-Maximum Suppression (NMS) während der Inferenz überflüssig. Das senkt die Latenz deutlich und beseitigt komplexe Engpässe bei der Nachverarbeitung. - MuSGD-Optimierer: Inspiriert von Innovationen beim LLM-Training verwendet YOLO26 einen hybriden Optimierer aus SGD und Muon. Dadurch wird das Training deutlich stabiler und die Konvergenzzeit verkürzt.
- Höchstgeschwindigkeit: YOLO26 ermöglicht eine um bis zu 43 % schnellere CPU-Inferenz als ältere Generationen wie YOLO11 und ist damit die beste Wahl für akkubetriebene Edge-Geräte oder Geräte, die ausschließlich mit einer CPU arbeiten.
- Fortschrittliche Verlustfunktionen: Die Kombination aus ProgLoss und STAL verbessert die Erkennung kleiner Objekte deutlich. Das ist besonders wichtig für Aufgaben wie Drohnenanalyse und Robotik.
Anders als EfficientDet, das sich ausschließlich auf die Erkennung konzentriert, unterstützt YOLO26 nativ auch die Bildklassifizierung, Posenschätzung und orientierte Bounding Boxes (OBB) – alles innerhalb desselben gut gepflegten Ökosystems.
Benutzerfreundlichkeit und Integration ins Ökosystem#
Ein großer Nachteil älterer Modelle wie EfficientDet ist die Komplexität ihrer Trainingspipelines und ihrer automatisierten Verfahren des maschinellen Lernens. Im Gegensatz dazu bietet die Ultralytics Platform eine unübertroffene Entwicklererfahrung.
Mit Ultralytics lässt sich ein Modell mit nur wenigen Codezeilen bereitstellen – ein deutlicher 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 untersucht, findet auch Architekturen wie RT-DETR oder das ältere YOLOv8 im Ultralytics-Ökosystem. So lassen sich Modelle nahtlos austauschen und testen.
Fazit#
PP-YOLOE+ ist weiterhin eine starke Wahl für bestimmte Serverbereitstellungen im Paddle-Ökosystem, und EfficientDet ist nach wie vor 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 Effizienz. Sein optionales Design ohne NMS und die extrem schnelle CPU-Leistung machen es zur klaren Wahl, um deine KI-Infrastruktur zukunftssicher zu gestalten.