EfficientDet vs. YOLO: Uma comparação detalhada para a deteção de objectos

A escolha do modelo de deteção de objectos ideal é uma decisão crítica para projectos de visão por computador, uma vez que diferentes modelos oferecem vantagens únicas em termos de precisão, velocidade e eficiência. Esta página oferece uma comparação técnica detalhada entre o EfficientDet e o YOLO, dois modelos proeminentes no campo da deteção de objectos. Analisamos as suas arquitecturas, referências de desempenho e adequação a várias aplicações para o ajudar a fazer uma escolha informada.

EfficientDet

O EfficientDet foi introduzido pela Google em 2019 e é conhecido pela sua eficiência e escalabilidade na deteção de objectos. Atinge uma precisão de ponta com significativamente menos parâmetros e FLOPs em comparação com muitos detectores contemporâneos.

Arquitetura e principais caraterísticas

O EfficientDet utiliza uma série de inovações arquitectónicas para melhorar a eficiência e a precisão:

• Rede de backbone: Utiliza a EfficientNet como backbone, conhecida pela sua eficiência e escalabilidade, conseguida através da pesquisa de arquitetura neural.
• BiFPN (Bi-diretional Feature Pyramid Network): Uma rede de pirâmide de caraterísticas bidirecional ponderada que permite uma fusão eficiente e eficaz de caraterísticas multi-escala.
• Dimensionamento composto: Aumenta sistematicamente todas as dimensões do detetor (backbone, rede de caraterísticas, resolução da rede de previsão de caixa/classe) usando um coeficiente composto.

Métricas de desempenho

Os modelos EfficientDet são fornecidos em vários tamanhos (d0 a d7), oferecendo uma gama de compromissos de desempenho para se adaptarem a diferentes recursos computacionais.

• mAP: Obtém uma elevada precisão média (mAP) no conjunto de dados COCO, demonstrando uma forte precisão de deteção.
• Velocidade de inferência: Oferece uma gama de velocidades de inferência dependendo do tamanho do modelo, sendo os modelos mais pequenos adequados para aplicações em tempo real.
• Tamanho do modelo: Os modelos EfficientDet foram concebidos para serem eficientes em termos de parâmetros, levando a tamanhos de modelo mais pequenos em comparação com outros detectores de alta precisão.

Pontos fortes e pontos fracos

Pontos fortes:

• Elevada eficiência: Excelente equilíbrio entre precisão e custo computacional, tornando-o adequado para ambientes com recursos limitados.
• Escalabilidade: O escalonamento composto permite o escalonamento fácil do modelo para atingir os níveis de desempenho desejados.
• Precisão: Atinge a precisão mais avançada com menos parâmetros.
• Implementação bem documentada: O repositório AutoML da Google fornece uma implementação clara e modelos pré-treinados.

Pontos fracos:

• Complexidade: As estratégias BiFPN e de escalonamento composto aumentam a complexidade da arquitetura.
• Velocidade de inferência: Embora eficiente, a velocidade de inferência pode não ser tão rápida como a de alguns detectores em tempo real, como os modelos Ultralytics YOLO , especialmente para as variantes maiores do EfficientDet.

Casos de utilização

O EfficientDet é adequado para aplicações em que tanto a precisão como a eficiência são cruciais:

• Dispositivos móveis e periféricos: Devido à sua eficiência, pode ser implantado em dispositivos móveis e plataformas de computação periféricas.
• Robótica: Adequado para aplicações robóticas que requerem uma deteção de objectos precisa e eficiente.
• Aplicações com recursos limitados: Ideal para cenários em que os recursos computacionais são limitados, mas ainda é necessária uma elevada precisão.

Saiba mais sobre o EfficientDet

DAMO-YOLO

O YOLO, introduzido pelo Grupo Alibaba em 2022, foi concebido para uma deteção de objectos precisa e de alta velocidade, com especial ênfase nas aplicações industriais. Integra várias técnicas inovadoras para alcançar um equilíbrio entre velocidade e precisão.

Arquitetura e principais caraterísticas

A YOLO incorpora vários componentes inovadores na sua arquitetura:

• Backbone baseado em NAS: Utiliza um backbone de Pesquisa de Arquitetura Neural (NAS), optimizando a velocidade e a precisão.
• RepGFPN (Reparameterized Gradient Feature Pyramid Network): Uma rede de fusão de caraterísticas eficiente que melhora a representação de caraterísticas, mantendo a eficiência computacional.
• ZeroHead: Uma cabeça de deteção leve concebida para minimizar a latência.
• AlignedOTA (Aligned Optimal Transport Assignment): Uma estratégia de atribuição avançada para melhorar a formação e a precisão.

Métricas de desempenho

Os modelos YOLO estão disponíveis em diferentes tamanhos (t, s, m, l) para responder às diferentes necessidades de desempenho.

• mAP: Obtém um mAP competitivo no conjunto de dados COCO, demonstrando um forte desempenho na deteção de objectos.
• Velocidade de inferência: Dá prioridade a uma elevada velocidade de inferência, tornando-a adequada para aplicações em tempo real e sensíveis à latência.
• Tamanho do modelo: Concebido para ser eficiente, oferecendo um bom equilíbrio entre o tamanho do modelo e o desempenho.

Pontos fortes e pontos fracos

Pontos fortes:

• Alta velocidade: Velocidade de inferência excecional, optimizada para aplicações em tempo real.
• Foco industrial: Especificamente concebido para aplicações industriais, com ênfase na utilização prática.
• Precisão: Mantém uma elevada exatidão ao mesmo tempo que atinge velocidades de inferência rápidas.
• Técnicas avançadas: Integra técnicas de ponta como o backbone NAS e o AlignedOTA para um melhor desempenho.
• Código aberto: Disponível publicamente com código e modelos pré-treinados.

Pontos fracos:

• Relativamente novo: Sendo um modelo mais recente, a comunidade e o ecossistema podem ainda estar a desenvolver-se em comparação com modelos mais estabelecidos.
• Complexidade: A integração de múltiplas técnicas avançadas pode tornar a arquitetura complexa para ser modificada ou personalizada em profundidade.

Casos de utilização

O YOLO é particularmente eficaz em cenários que exigem a deteção de objectos em tempo real com elevada precisão:

• Inspeção industrial: Ideal para controlo de qualidade e inspeção em processos de fabrico.
• Condução autónoma: Adequado para veículos autónomos e sistemas avançados de assistência ao condutor (ADAS) em que a baixa latência é fundamental.
• Análise de vídeo em tempo real: Aplicações como a monitorização do tráfego e sistemas de segurança.
• IA de ponta: Implementação em dispositivos de ponta para processamento em tempo real.

Saber mais sobre YOLO

Tabela de comparação de modelos

Conclusão

Tanto o EfficientDet como o YOLO são modelos poderosos de deteção de objectos com pontos fortes distintos. O EfficientDet destaca-se por fornecer uma gama de modelos eficientes com grande precisão, tornando-o versátil para várias aplicações, especialmente aquelas com restrições de recursos. O YOLO, por outro lado, foi concebido para inferência a alta velocidade sem sacrificar significativamente a precisão, tornando-o ideal para aplicações industriais e de ponta em tempo real.

Para os utilizadores interessados noutros modelos de deteção de objectos de elevado desempenho, Ultralytics oferece uma gama de modelos YOLO , incluindo YOLOv5, YOLOv8e o mais recente YOLO11. Também estão disponíveis comparações com outros modelos, como o YOLOX, para o ajudar a encontrar o melhor modelo para as suas necessidades específicas. Considere explorar o Ultralytics HUB para treinamento e implantação simplificados dos modelos YOLO .

📅C riado há 1 ano ✏️ Atualizado há 1 mês

Comentários