Começar

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).

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.

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.

Versatilidade para múltiplas tarefas

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.

Modelotamanho
(pixels)
mAPval50-95Velocidade
CPU ONNX
(ms)
Velocidade
T4 TensorRT10
(ms)
parâmetros
(M)
FLOPs
(B)
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
YOLO11n64039.556.11.52.66.5
YOLO11s64047.090.02.59.421.6
YOLO11m64051.5183.24.720.168.1
YOLO11l64053.4238.66.225.387.2
YOLO11x64054.7462.811.356.9195.3

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.