EfficientDet vs YOLO11
Escolher a arquitetura de rede neural certa é a base de qualquer aplicação bem-sucedida de visão computacional. Este guia apresenta uma comparação técnica entre o EfficientDet, do Google, e o Ultralytics YOLO11, analisando as diferenças arquiteturais, as métricas de desempenho e os cenários de implantação mais adequados para cada modelo.
Seja para buscar latência de milissegundos em dispositivos de IA de borda ou precisão escalável para inferência na nuvem, é útil entender as diferenças entre esses modelos.
Perfis de modelos e detalhes técnicos#
Entender a linhagem e a filosofia de design subjacente a cada arquitetura ajuda a contextualizar o desempenho delas em tarefas reais de detecção de objetos.
EfficientDet#
Desenvolvido por pesquisadores do Google Brain, EfficientDet introduziu uma abordagem fundamentada para escalar redes de detecção de objetos, juntamente com a nova BiFPN (Rede Piramidal de Características Bidirecional).
- Autores: Mingxing Tan, Ruoming Pang e Quoc V. Le
- Organização: Google
- Data: 2019-11-20
- arXiv: https://arxiv.org/abs/1911.09070
- GitHub: https://github.com/google/automl/tree/master/efficientdet
- Documentação: https://github.com/google/automl/tree/master/efficientdet#readme
Sabe mais sobre o EfficientDet
YOLO11#
O YOLO11 representa uma evolução significativa no ecossistema Ultralytics, com melhorias no desempenho em tempo real, na eficiência de parâmetros e no aprendizado multitarefa.
- Autores: Glenn Jocher e Jing Qiu
- Organização: Ultralytics
- Data: 2024-09-27
- GitHub: https://github.com/ultralytics/ultralytics
- Documentação: https://docs.ultralytics.com/models/yolo11
Comparação arquitetônica#
As diferenças de arquitetura entre esses dois modelos destacam a divergência nas estratégias de design ao longo dos anos.
O EfficientDet usa a EfficientNet como backbone e introduz o BiFPN, que permite a fusão de características multiescala de cima para baixo e de baixo para cima. Ele usa um método de escalonamento composto que ajusta uniformemente, ao mesmo tempo, a resolução, a profundidade e a largura do backbone, da rede de características e das redes de previsão de caixas/classes. Embora seja altamente eficaz para maximizar mean Average Precision (mAP), o roteamento complexo do BiFPN pode, às vezes, limitar a largura de banda da memória durante a inferência.
Por outro lado, o YOLO11 usa um módulo C3k2 otimizado e uma cabeça de detecção sem âncoras. Essa abordagem simplificada minimiza a sobrecarga durante a extração de características. A Ultralytics projetou o YOLO11 para maximizar o aproveitamento do hardware da GPU, resultando em requisitos de memória significativamente menores durante o treinamento e a inferência em comparação com arquiteturas mais antigas ou modelos pesados de Transformer.
Embora o EfficientDet seja estritamente um detector de objetos, o YOLO11 é altamente versátil. Uma única arquitetura YOLO11 oferece suporte nativo a segmentação de instâncias, classificação de imagens, estimativa de pose e caixas delimitadoras orientadas (OBB).
Testes de desempenho#
A tabela abaixo compara o desempenho das duas famílias de modelos em várias escalas no conjunto de dados COCO.
| Modelo | tamanho (pixels) | mAPval50-95 | Velocidade CPU ONNX (ms) | Velocidade T4 TensorRT10 (ms) | parâmetros (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| 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 |
| 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 |
Análise equilibrada: pontos fortes e fracos#
O YOLO11 se destaca em ambientes com GPU. Por exemplo, o YOLO11m alcança um mAP de 51.5% em 4.7ms em uma GPU T4 usando TensorRT. Para atingir a mesma precisão, o EfficientDet-d5 leva 67.86ms, mais de 14 vezes mais. Isso destaca o equilíbrio de desempenho dos modelos Ultralytics para aplicações em tempo real.
Metodologia de treinamento e ecossistema#
A experiência do desenvolvedor costuma ser tão importante quanto os recursos teóricos do modelo. É aí que o ecossistema Ultralytics se destaca.
O EfficientDet depende muito do ecossistema antigo do TensorFlow e de bibliotecas complexas de AutoML. Configurar um pipeline de treinamento personalizado envolve uma curva de aprendizado íngreme, gerenciamento complexo de dependências e configuração manual de âncoras e funções de perda.
Em contrapartida, a Ultralytics foi desenvolvida para facilitar o uso. Com o suporte de um ecossistema PyTorch bem mantido, treinar um modelo YOLO exige apenas algumas linhas de código. A estrutura gerencia automaticamente o aumento de dados e o agendamento da taxa de aprendizado desde o início e inclui ajuste de hiperparâmetros integrado.
Exemplo de código: primeiros passos com Ultralytics#
Este trecho mostra como o treinamento e a inferência são simples com a API Python.
from ultralytics import YOLO
# Carrega um modelo YOLO11 pequeno pré-treinado
model = YOLO("yolo11s.pt")
# Treina o modelo com o teu conjunto de dados personalizado
train_results = model.train(data="coco8.yaml", epochs=50, imgsz=640, device=0)
# Execute inferência rápida em uma imagem
results = model.predict("https://ultralytics.com/images/bus.jpg")
results[0].show()Casos de utilização ideais#
Quando usar o EfficientDet: O EfficientDet continua sendo uma opção viável para ambientes de pesquisa que dependem fortemente de pipelines TensorFlow.
Quando usar o YOLO11: O YOLO11 é uma ótima opção para implantações empresariais modernas. Sua velocidade o torna adequado para veículos autônomos, análise esportiva em tempo real e detecção de defeitos de fabricação em alto volume. O menor consumo de memória também permite uma implantação flexível em hardware com recursos limitados, como o NVIDIA Jetson.
Olhando para o futuro: a atualização para YOLO26#
Embora o YOLO11 seja muito capaz, os desenvolvedores que iniciam novos projetos devem avaliar o recém-lançado YOLO26, enquanto o já comprovado YOLOv8 continua disponível para implantações existentes. Lançado em janeiro de 2026, o YOLO26 se baseia nos fundamentos do YOLO11 e introduz várias inovações:
- Design ponta a ponta sem NMS: Com base no YOLOv10, o YOLO26 pode dispensar totalmente o pós-processamento de supressão não máxima (NMS) com seu cabeçalho opcional one-to-one (
nms=False), reduzindo a latência e simplificando os pipelines de implantação. - Otimizador MuSGD: Um otimizador híbrido que combina o SGD padrão com o Muon (inspirado no treinamento de modelos de linguagem grandes) e melhora a estabilidade do treinamento.
- Inferência na CPU até 43% mais rápida: O YOLO26n roda até 43% mais rápido que o YOLO11n na CPU, o que torna o YOLO26 adequado para dispositivos de borda sem GPUs dedicadas.
- ProgLoss + STAL: A Progressive Loss e a atribuição de rótulos com consciência de alvos pequenos melhoram a detecção de objetos pequenos, algo essencial para imagens aéreas e robótica.
Explore o panorama mais amplo das arquiteturas de visão, incluindo detectores baseados em Transformer, como o RT-DETR, na documentação da Ultralytics.
Comentários
Faz uma pergunta, partilha os teus resultados ou ajuda alguém.