Erste Schritte

YOLOv6-3.0 vs. EfficientDet

Für die Wahl der optimalen Architektur für Computer-Vision-Projekte musst du die Kompromisse zwischen Geschwindigkeit, Genauigkeit und Bereitstellungsmöglichkeiten genau verstehen. Diese Vergleichsseite bietet eine ausführliche Analyse zweier unterschiedlicher Objekterkennungsmodelle: YOLOv6-3.0 und EfficientDet. Beide Modelle haben wesentlich zu diesem Bereich beigetragen, doch moderne Edge-Bereitstellungen und schnelles Prototyping profitieren oft von einheitlicheren Frameworks wie der Ultralytics Platform.

Das folgende interaktive Diagramm veranschaulicht die Leistungsunterschiede zwischen diesen Modellen und hilft dir, ihre jeweiligen Latenz- und Genauigkeitsprofile zu verstehen.

YOLOv6-3.0: Durchsatz auf Industrieniveau#

Meituan entwickelte YOLOv6-3.0 ausdrücklich als leistungsstarkes einstufiges Framework zur Objekterkennung für industrielle Anwendungen. Das Modell ist stark auf maximalen Durchsatz mit GPU-Hardware ausgelegt und eignet sich dadurch gut für Hochgeschwindigkeitsfertigung und die Offline-Videoanalyse.

  • Autoren: Chuyi Li, Lulu Li, Yifei Geng, Hongliang Jiang, Meng Cheng, Bo Zhang, Zaidan Ke, Xiaoming Xu und Xiangxiang Chu
  • Organisation: Meituan
  • Datum: 2023-01-13
  • arXiv: 2301.05586
  • GitHub: meituan/YOLOv6

Architekturmerkmale#

Die Architektur von YOLOv6-3.0 nutzt ein bidirektionales Konkatenationsmodul (BiC), um die Merkmalsfusion über verschiedene Maßstäbe hinweg zu verbessern. Für hohe Inferenzgeschwindigkeiten kommt das EfficientRep-Backbone zum Einsatz, das stark für die Ausführung auf GPUs optimiert ist. Darüber hinaus verbindet eine Anchor-Aided-Training-Strategie (AAT) beim Training die Vorteile anchorbasierter und anchorfreier Erkennungsmodelle, während die Inferenzpipeline zur Verringerung der Latenz anchorfrei bleibt.

Stärken und Schwächen#

YOLOv6-3.0 überzeugt in Umgebungen mit dedizierter GPU-Hardware und bietet schnelle Echtzeit-Inferenz mit TensorRT. Die starke Abhängigkeit von bestimmten Hardwareoptimierungen kann jedoch zu einer geringeren Leistung auf reinen CPU-Edge-KI-Geräten führen. Außerdem ist die Toolchain trotz teilweiser Unterstützung für Quantisierung weniger einheitlich als das Ultralytics-Ökosystem.

Mehr über YOLOv6 erfahren

EfficientDet: skalierbare AutoML-Architektur#

EfficientDet wurde von Google Research entwickelt und verfolgt einen grundlegend anderen Ansatz. Anstatt das Netzwerk manuell zu entwerfen, nutzten die Autoren automatisiertes maschinelles Lernen (AutoML), um eine skalierbare Architektur zu entwickeln, die Parameteranzahl, FLOPs und Genauigkeit in Einklang bringt.

Architekturmerkmale#

EfficientDet führte das bidirektionale Merkmals-Pyramidennetzwerk (BiFPN) ein, das eine einfache und schnelle Fusion von Merkmalen über mehrere Skalen hinweg ermöglicht. In Verbindung mit einer zusammengesetzten Skalierungsmethode, die Auflösung, Tiefe und Breite des Backbones sowie der Merkmals- und Box-/Klassenvorhersagenetzwerke gleichmäßig skaliert, reicht die Modellpalette von EfficientDet vom kompakten d0 bis zum größten Modell d7.

Stärken und Schwächen#

EfficientDet benötigt sehr wenige Parameter. Im Vergleich zu älteren Objekterkennungsmodellen erreicht es mit relativ wenigen Parametern einen hohen Wert bei der mittleren durchschnittlichen Präzision (mAP). Die Referenzimplementierung basiert jedoch auf TensorFlow. Das bringt eine komplexere Verwaltung von Abhängigkeiten, längere Trainingszyklen und einen höheren Speicherbedarf während des Trainings mit sich als optimierte PyTorch-Implementierungen. Auch die Inferenz auf modernen GPUs ist deutlich langsamer als bei aktuellen YOLO-Architekturen.

Weitere Informationen zu EfficientDet

Detaillierter Leistungsvergleich#

Die folgende Tabelle vergleicht die technischen Spezifikationen von YOLOv6-3.0 und EfficientDet anhand verschiedener Kennzahlen. Beachte, dass YOLOv6-3.0 bei der GPU-Geschwindigkeit vorne liegt, während EfficientDet eine höhere mAP erreicht, dafür aber eine deutlich größere Latenz aufweist.

ModellGröße
(Pixel)
mAPval50-95Geschwindigkeit
CPU ONNX
(ms)
Geschwindigkeit
T4 TensorRT10
(ms)
Parameter
(M)
FLOPs
(B)
YOLOv6-3.0n64037.5-1.174.711.4
YOLOv6-3.0s64045.0-2.6618.545.3
YOLOv6-3.0m64050.0-5.2834.985.8
YOLOv6-3.0l64052.8-8.9559.6150.7
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
Latenz vs. Durchsatz

Beachte beim Modellvergleich, dass FLOPs und Parameteranzahl nicht immer genau mit der Latenz in der Praxis übereinstimmen. YOLOv6-3.0 ist für TensorRT optimiert und erreicht Rechenzeiten im Millisekundenbereich, obwohl es mehr FLOPs benötigt als die kleineren EfficientDet-Modelle.

Die Vorteile des Ultralytics-Ökosystems#

YOLOv6-3.0 und EfficientDet bedienen zwar bestimmte Nischen, doch moderne Computer-Vision-Projekte erfordern Vielseitigkeit, einfache Bedienung und ein gut gepflegtes Ökosystem. Genau darin liegen die Stärken der Ultralytics-YOLO-Modelle.

Benutzerfreundlichkeit und Trainingseffizienz#

Anders als bei EfficientDet, für das du komplexe TensorFlow-Konfigurationen einrichten musst, basieren Ultralytics-Modelle auf einer intuitiven PyTorch-Grundlage mit einer einzigen Python-API. Die Ultralytics Platform deckt den restlichen Lebenszyklus des maschinellen Lernens von der Annotation bis zur Bereitstellung ab. Für das Training eines Ultralytics-Modells wird in der Regel weniger CUDA-Speicher benötigt, wodurch Experimente schneller ablaufen und Rechenkosten sinken.

Vielseitigkeit#

YOLOv6-3.0 und EfficientDet sind vor allem auf die Objekterkennung beschränkt. Moderne Ultralytics-Architekturen sind dagegen von Grund auf für mehrere Aufgaben ausgelegt. Über eine einzige Schnittstelle kannst du Modelle für Instanzsegmentierung, semantische Segmentierung, Tiefenschätzung, Bildklassifizierung, Posenschätzung und Aufgaben mit gedrehten Begrenzungsrahmen (OBB) trainieren. YOLO26 unterstützt semantische Segmentierung und Tiefenschätzung.

Wir stellen Ultralytics YOLO26 vor#

Für Entwickler, die das beste Verhältnis aus Geschwindigkeit und Genauigkeit suchen, empfehlen wir Ultralytics YOLO26. Das im Januar 2026 veröffentlichte Modell bietet gegenüber YOLOv6 und EfficientDet mehrere Verbesserungen:

  • End-to-End-Design ohne NMS: Der optionale One-to-One-Kopf von YOLO26 (nms=False) macht die Nachverarbeitung durch Non-Maximum Suppression (NMS) überflüssig. Dadurch sinken die Latenzschwankungen, und die Bereitstellungslogik auf Edge-Geräten wird einfacher.
  • MuSGD-Optimierer: Diese Kombination aus SGD und Muon ist vom Training großer Sprachmodelle (LLM) inspiriert und sorgt für stabiles Training und schnellere Konvergenz.
  • Bis zu 43 % schnellere CPU-Inferenz: Ohne Distribution Focal Loss (DFL) läuft YOLO26n auf einer CPU bis zu 43 % schneller als YOLO11n und eignet sich dadurch für IoT-Geräte mit geringem Stromverbrauch.
  • ProgLoss + STAL: Die progressive Verlustfunktion und die Strategie zur label-Zuweisung, die kleine Ziele berücksichtigt, verbessern die Erkennung kleiner Objekte. Dadurch eignet sich YOLO26 besonders gut für Anwendungen mit Drohnen und Luftaufnahmen.

Anwendungsfälle und Empfehlungen#

Die Entscheidung zwischen YOLOv6 und EfficientDet hängt von den Anforderungen deines Projekts, den Bereitstellungsbedingungen und den Präferenzen für das jeweilige Ökosystem ab.

Wann du YOLOv6 wählen solltest#

YOLOv6 ist eine gute Wahl für:

  • Bereitstellung auf industrielle Hardware: Szenarien, in denen das hardwarebewusste Design und die effiziente Reparametrisierung des Modells eine optimierte Leistung auf bestimmter Zielhardware ermöglichen.
  • Schnelle einstufige Erkennung: Anwendungen, bei denen die reine Inferenzgeschwindigkeit auf der GPU für die Echtzeit-Videoverarbeitung in kontrollierten Umgebungen entscheidend ist.
  • Integration in das Meituan-Ökosystem: Teams, die bereits mit dem Technologie-Stack und der Bereitstellungsinfrastruktur von Meituan arbeiten.

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 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 YOLO26n auf der CPU bis zu 43 % schneller läuft als YOLO11n.
  • Erkennung kleiner Objekte: Anspruchsvolle Szenarien wie Luftaufnahmen von Drohnen oder die Analyse von IoT-Sensordaten, bei denen ProgLoss und STAL die Genauigkeit bei winzigen Objekten verbessern.

Implementierungsbeispiel: YOLO26 trainieren#

Der folgende Code zeigt, wie einfach das Ultralytics-Ökosystem ist. Für das Training eines hochmodernen Modells musst du lediglich die Gewichte laden und den Pfad zu deinen Daten angeben.

from ultralytics import YOLO

# Load the highly optimized YOLO26 nano model
model = YOLO("yolo26n.pt")

# Train the model on a dataset with automatic hyperparameter handling
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Validate the model to check mAP metrics
metrics = model.val()
print(f"Validation mAP50-95: {metrics.box.map}")

# Run inference on a test image
prediction = model("https://ultralytics.com/images/bus.jpg")

Weitere Modelle, die du in Betracht ziehen kannst#

Wenn du weitere Modelle zur Objekterkennung untersuchst, solltest du diese Alternativen in Betracht ziehen:

  • YOLO11: Der Vorgänger von YOLO26 mit Unterstützung für mehrere Aufgaben und einer großen Community.
  • YOLOv10: Die erste YOLO-Architektur mit Training ohne NMS, die den Weg für moderne End-to-End-Objekterkennung ebnete.
  • RT-DETR: Für Anwendungsfälle, in denen Transformer-Architekturen und Aufmerksamkeitsmechanismen herkömmlichen CNNs vorgezogen werden.

Fazit#

YOLOv6-3.0 bietet zwar einen hervorragenden GPU-Durchsatz für industrielle Anwendungen, und EfficientDet demonstriert das Potenzial von AutoML für die Entwicklung skalierbarer, parametereffizienter Netzwerke. Beide Modelle weisen jedoch Einschränkungen bei der einfachen Bereitstellung und der modernen Vielseitigkeit für mehrere Aufgaben auf.

Für die große Mehrheit realer Anwendungen – von der Bereitstellung auf mobilen Edge-Geräten bis zur cloudbasierten Analyse – bietet das Ultralytics-Ökosystem eine ausgewogene Leistung. Mit YOLO26 erhalten Entwickler optionale NMS-freie Inferenz, verbesserte Verlustfunktionen für kleine Objekte und eine einheitliche, gut dokumentierte Trainingsverarbeitungskette, die den Weg vom Prototyp bis zur Produktion verkürzt.

Kommentare

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