YOLO11 und EfficientDet im Vergleich
Für die Wahl des richtigen neuronalen Netzwerks für Computer-Vision-Projekte musst du die verfügbaren Architekturen kennen. Dieser Leitfaden vergleicht Ultralytics YOLO11 und Googles EfficientDet. Er behandelt die architektonischen Unterschiede, Leistungskennzahlen, Trainingseffizienz und geeignete Bereitstellungsszenarien, damit du das passende Modell für deine Machine-Learning-Aufgaben auswählen kannst.
Hintergrund und technische Daten der Modelle#
Beide Modelle haben die Forschung zur Objekterkennung im Deep Learning geprägt, gehen jedoch auf unterschiedliche Entwicklungsphilosophien und Epochen der KI-Entwicklung zurück.
Details zu YOLO11#
- Autoren: Glenn Jocher und Jing Qiu
- Organisation: Ultralytics
- Datum: 2024-09-27
- GitHub: https://github.com/ultralytics/ultralytics
- Dokumentation: https://docs.ultralytics.com/models/yolo11
Details zu EfficientDet#
- Autoren: Mingxing Tan, Ruoming Pang und Quoc V. Le
- Organisation: Google
- Datum: 2019-11-20
- arXiv: https://arxiv.org/abs/1911.09070
- GitHub: https://github.com/google/automl/tree/master/efficientdet
- Dokumentation: https://github.com/google/automl/tree/master/efficientdet#readme
Weitere Informationen zu EfficientDet
Das begleitende Ökosystem ist ebenso wichtig wie das Modell selbst. Das Ultralytics-Ökosystem bietet umfassende Dokumentation, eine aktive Community und den Export in Formate wie ONNX und TensorRT mit einer einzigen Befehlszeile.
Architektonische Innovationen#
EfficientDet: BiFPN und zusammengesetzte Skalierung#
EfficientDet wurde Ende 2019 vorgestellt und sollte die Genauigkeit maximieren und zugleich den Rechenaufwand minimieren. Dies erreicht das Modell hauptsächlich durch zwei Mechanismen. Erstens stammt sein Backbone aus der Familie EfficientNet, die Tiefe, Breite und Auflösung mithilfe einer zusammengesetzten Skalierung gemeinsam skaliert. Zweitens führte es ein bidirektionales Netzwerk aus Merkmalspyramiden (BiFPN) ein, das eine einfache und schnelle mehrskalige Merkmalsfusion ermöglicht.
EfficientDet war für seine Zeit effizient, doch die TensorFlow-basierte AutoML-Implementierung ist möglicherweise unflexibel. Im Vergleich zu modernen, modularen PyTorch-Frameworks empfinden Forschende Modell-Pruning und eigene Anpassungen oft als schwierig.
YOLO11: Verbesserte Merkmalsextraktion und Vielseitigkeit#
YOLO11 baut auf seinen Vorgängern auf und kombiniert C3k2-Blöcke sowie räumliche Aufmerksamkeit mit C2PSA mit einem schnellen Spatial Pyramid Pooling-Modul (SPPF). Diese Änderungen verbessern die Merkmalsextraktion und helfen YOLO11, feine visuelle Details zu erfassen.
Ein großer Vorteil von YOLO11 ist seine Vielseitigkeit. Während EfficientDet ausschließlich der Objekterkennung dient, unterstützt YOLO11 nativ Instanzsegmentierung, Bildklassifizierung, Posenschätzung und orientierte Begrenzungsrahmen (OBB). YOLO11 hat außerdem einen geringen Speicherbedarf beim Training und bei der Inferenz. Das verschafft dem Modell auf ressourcenbeschränkter Edge-KI-Hardware einen Vorteil gegenüber älteren Modellen und größeren Vision-Transformern.
Leistung und Benchmarks#
Das Verhältnis zwischen Genauigkeit, gemessen als mittlerer durchschnittlicher Präzisionswert (mAP), und Inferenzgeschwindigkeit entscheidet häufig über die Bereitstellung in der Praxis. Die Tabelle unten zeigt die Leistung beider Modellfamilien auf dem COCO-Datensatz.
| Modell | Größe (Pixel) | mAPval50-95 | Geschwindigkeit CPU ONNX (ms) | Geschwindigkeit T4 TensorRT10 (ms) | Parameter (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLO11n | 640 | 39.5 | 56.1 | 1.5 | 2.6 | 6.5 |
| YOLO11s | 640 | 47.0 | 90.0 | 2.5 | 9.4 | 21.6 |
| YOLO11m | 640 | 51.5 | 183.2 | 4.7 | 20.1 | 68.1 |
| YOLO11l | 640 | 53.4 | 238.6 | 6.2 | 25.3 | 87.2 |
| YOLO11x | 640 | 54.7 | 462.8 | 11.3 | 56.9 | 195.3 |
| 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 |
YOLO11 ist bei ähnlicher Genauigkeit auf der GPU deutlich schneller. YOLO11s erreicht nahezu die Werte von EfficientDet-d3 (47.0 gegenüber 47.5 mAP) und benötigt auf einer T4 mit TensorRT 2.5 ms statt 19.59 ms. YOLO11x erzielt die höchste Genauigkeit (54.7 mAP) und benötigt 11.3 ms statt 128.07 ms bei EfficientDet-d7 (53.7 mAP). EfficientDet-d0 hat mit 2.54B die geringste FLOP-Zahl.
Trainingseffizienz und Ökosystem#
Ultralytics-Modelle sind auf einfache Bedienung ausgelegt. Beim Training eines EfficientDet-Modells musst du dich oft mit komplexen TensorFlow-Berechnungsgraphen und Abhängigkeitsketten auseinandersetzen. YOLO11 basiert dagegen auf dem modernen Fundament von PyTorch.
Dank dieses gut gepflegten Ökosystems können Entwickler das Paket installieren, ein vortrainiertes Modell laden und mit wenigen Codezeilen mit dem Training auf einem eigenen Datensatz beginnen.
Python-Codebeispiel#
Hier findest du ein vollständig ausführbares Beispiel, das zeigt, wie einfach die Ultralytics API ist. Dieses Skript lädt ein vortrainiertes YOLO11-Modell herunter, trainiert es und führt eine schnelle Vorhersage aus.
from ultralytics import YOLO
# Ein vortrainiertes YOLO11-Nano-Modell initialisieren
model = YOLO("yolo11n.pt")
# Das Modell effizient mit der integrierten PyTorch-Engine trainieren
# Das Training ist effizient und benötigt weniger VRAM als bei älteren Modellen
results = model.train(data="coco8.yaml", epochs=10, imgsz=640, device="cpu")
# Echtzeit-Inferenz für ein Beispielbild ausführen
prediction = model.predict("https://ultralytics.com/images/bus.jpg")
# Die ausgegebenen Begrenzungsrahmen anzeigen
prediction[0].show()Blick in die Zukunft: Die Vorteile von YOLO26#
Teams, die neue Projekte starten, sollten das im Januar 2026 veröffentlichte Ultralytics YOLO26 in Betracht ziehen. Es vereinfacht die Bereitstellung und verbessert die Leistung auf Edge-Geräten.
Zu den wichtigsten Neuerungen von YOLO26 gehören:
- End-to-End-Design ohne NMS: Ein optionaler One-to-one-Kopf (
nms=False) überspringt die Nachbearbeitung mit Non-Maximum Suppression (NMS). So erzielt YOLO26 eine gleichmäßige, niedrige Latenz für Robotik mit hohen Geschwindigkeiten und autonomes Fahren. - Bis zu 43 % schnellere CPU-Inferenz: Bei Bereitstellungen ohne dedizierte GPUs läuft YOLO26n auf der CPU bis zu 43 % schneller als YOLO11n.
- MuSGD-Optimierer: Inspiriert von Kimi K2 von Moonshot AI überträgt dieser Hybrid aus SGD und Muon die Trainingsstabilität von großen Sprachmodellen (LLMs) auf die Computer Vision und beschleunigt die Konvergenz.
- ProgLoss + STAL: Progressive Loss und Small-Target-Aware Label Assignment (STAL) verbessern die Erkennung kleiner Objekte, die bei der Analyse von Satellitenbildern und Drohnenaufnahmen häufig eine Herausforderung darstellt.
- Wegfall von DFL: Durch den Wegfall von Distribution Focal Loss wird der Export des Modells auf Edge-Geräte vereinfacht.
Anwendungsfälle und Empfehlungen#
Die Wahl zwischen YOLO11 und EfficientDet hängt von den konkreten Anforderungen deines Projekts, den Bereitstellungsbedingungen und deinen Präferenzen beim Ökosystem ab.
Wann du YOLO11 wählen solltest#
YOLO11 eignet sich besonders für:
- Bereitstellung auf Edge-Geräten im Produktionseinsatz: Kommerzielle Anwendungen auf Geräten wie Raspberry Pi oder NVIDIA Jetson, bei denen Zuverlässigkeit und aktive Wartung entscheidend sind.
- Anwendungen für visuelle Aufgaben mit mehreren Funktionen: Projekte, die Erkennung, Segmentierung, Posenschätzung und OBB innerhalb eines einzigen einheitlichen Frameworks erfordern.
- Schnelle Prototypenerstellung und Bereitstellung: Teams, die mithilfe der Ultralytics Python-API schnell von der Datenerfassung zum Produktivbetrieb gelangen müssen.
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 entscheidenden Vorteil bietet.
- Erkennung kleiner Objekte: Anspruchsvolle Szenarien wie Luftaufnahmen von Drohnen oder die Analyse von IoT-Sensordaten, bei denen ProgLoss und STAL die Genauigkeit bei kleinen Objekten verbessern.
Fazit#
EfficientDet war eine wegweisende Architektur, die den Nutzen gemeinsamer Skalierung für die Objekterkennung demonstrierte. Neuere Modelle sind leistungsfähiger, lassen sich einfacher integrieren und laufen schneller auf GPUs.
Dank der Unterstützung mehrerer Aufgaben, der schnellen GPU-Inferenz und der einfachen API ist YOLO11 die bessere Wahl für moderne Bildverarbeitungspipelines. Für neue Projekte, insbesondere solche mit Schwerpunkt auf Edge-Geräten, bietet YOLO26 eine optionale NMS-freie Inferenz und höhere Genauigkeit.
Kommentare
Stell eine Frage, teile deine Ergebnisse oder hilf jemand anderem.