Começar

EfficientDet vs YOLOv10

Em visão computacional, escolher a arquitetura certa de detecção de objetos é fundamental para equilibrar precisão, latência e eficiência computacional. Este guia técnico compara dois modelos influentes: o EfficientDet, do Google, e o YOLOv10, da Universidade Tsinghua. Embora ambos representem avanços significativos na detecção de objetos, eles abordam o design arquitetural e a otimização de modelos de maneiras muito diferentes.

Este guia apresenta as arquiteturas principais, analisa os benchmarks de desempenho em conjuntos de dados padrão, como o COCO e discute como os modelos se integram aos pipelines modernos de aprendizado de máquina, incluindo o ecossistema Ultralytics.

EfficientDet: pioneiro do escalonamento composto#

Apresentado no final de 2019, o EfficientDet estabeleceu um novo padrão para a detecção de objetos escalável e precisa ao introduzir uma abordagem fundamentada para o escalonamento das dimensões da rede.

Principais inovações e arquitetura#

O EfficientDet é baseado na EfficientNet e usa uma nova rede piramidal de características bidirecional (BiFPN). Ao contrário das redes piramidais de características (FPN) tradicionais, que somam características sem distinguir sua importância, o BiFPN usa pesos aprendíveis para fundir características multiescala. Isso permite que a rede aprenda com eficácia quais características de resolução contribuem mais para a previsão final. O EfficientDet também 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 EfficientDet continue sendo uma opção sólida para sistemas antigos profundamente integrados a pipelines TensorFlow mais antigos, ele exige bastante memória durante o treinamento e depende de um ecossistema antigo, que pode ser trabalhoso em comparação com estruturas modernas e dinâmicas.

Saiba mais sobre o EfficientDet

YOLOv10: inovador sem NMS#

Lançado em meados de 2024, o YOLOv10 transformou a detecção de objetos em tempo real ao eliminar a necessidade de supressão não máxima (NMS) durante o pós-processamento, reduzindo significativamente a latência de inferência.

Principais inovações e arquitetura#

O YOLOv10 introduz uma estratégia consistente de atribuição dupla para treinamento sem NMS. Ao usar atribuições de rótulos one-to-many e one-to-one durante o treinamento, a rede aprende a produzir caixas delimitadoras com correspondência única sem depender da NMS para filtrar duplicatas. Esse design holístico, que busca eficiência e precisão, reduz a redundância computacional, tornando o modelo uma ótima opção para computação de borda e aplicações de transmissão de vídeo com baixa latência. Ele também se integra ao ecossistema Ultralytics, oferecendo aos desenvolvedores uma API Python simples.

Sabe mais sobre o YOLOv10

Impacto da ausência de NMS

Ao remover a etapa de NMS, o YOLOv10 mantém a velocidade de inferência consistente, independentemente de quantos objetos são detectados em uma cena, eliminando picos de latência frequentemente observados em aplicações de visão computacional.

Comparação de desempenho: precisão, velocidade e eficiência#

Ao implantar modelos em cenários reais, os desenvolvedores precisam ponderar a precisão média média (mAP) em relação à quantidade de parâmetros e às operações computacionais (FLOPs). A tabela abaixo detalha essas métricas nas variantes de escala dos dois modelos.

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
YOLOv10n64038.5-1.842.36.7
YOLOv10s64046.3-2.497.221.6
YOLOv10m64051.1-4.7415.459.1
YOLOv10b64052.5-5.7419.192.0
YOLOv10l64053.2-7.2824.4120.3
YOLOv10x64054.4-10.7029.5160.4

Observação: a variante YOLOv10n requer menos parâmetros (2.3M) e alcança velocidades muito maiores no TensorRT (1.84ms) do que as menores variantes do EfficientDet, o que a torna muito mais viável para inferência em tempo real em produção.

Por que escolher Ultralytics para implantar modelos?#

Embora ambos os modelos tenham importância histórica e estrutural, integrá-los a pipelines modernos pode ser um desafio. É aí que a Ultralytics Platform ajuda. Ao oferecer um ecossistema unificado, a Ultralytics simplifica todo o ciclo de vida, da anotação de dados à implantação.

  1. Facilidade de uso: O pacote Python da Ultralytics oferece uma interface única para treinamento de modelos, validação e exportação, substituindo centenas de linhas de código repetitivo por comandos concisos.
  2. Ecossistema e versatilidade: Embora o EfficientDet seja especializado em detecção, os modelos Ultralytics YOLO também oferecem segmentação de instâncias, classificação, estimativa de pose e caixas delimitadoras orientadas (OBB).
  3. Eficiência do treinamento: Com técnicas como agrupamento automático e treinamento distribuído, os modelos Ultralytics treinam mais rápido e consomem muito menos memória CUDA do que arquiteturas pesadas baseadas em Transformer ou antigas arquiteturas TensorFlow com múltiplas ramificações.

Exemplo de código: treinamento do YOLOv10#

Implantar o YOLOv10 com a Ultralytics é simples. O trecho de código a seguir mostra como inicializar, treinar e avaliar uma rede YOLOv10 inteiramente pela API Python.

from ultralytics import YOLO

# Carregue um modelo YOLOv10 pré-treinado (variante nano para velocidade em dispositivos de borda)
model = YOLO("yolov10n.pt")

# Treina o modelo com o conjunto de dados COCO8
results = model.train(data="coco8.yaml", epochs=50, imgsz=640, batch=16)

# Avalie o modelo no conjunto de validação
metrics = model.val()

# Exporta o modelo para ONNX para implantação em produção
model.export(format="onnx")

Casos de uso e recomendações#

A escolha entre EfficientDet e YOLOv10 depende dos requisitos específicos do seu projeto, das restrições de implantação e das preferências de ecossistema.

Quando escolher o EfficientDet#

O EfficientDet é uma boa opção para:

  • Google Cloud e pipelines de TPU: Sistemas baseados em TensorFlow na infraestrutura de TPU do Google Cloud, onde a implementação de referência do EfficientDet oferece suporte ao treinamento em TPU.
  • Investigação sobre escalonamento composto: Avaliação comparativa académica centrada no estudo dos efeitos do escalonamento equilibrado da profundidade, largura e resolução da rede.
  • Implementação móvel através do LiteRT: Projetos que exigem especificamente a exportação para LiteRT (anteriormente TensorFlow Lite) para Android ou dispositivos Linux integrados.

Quando escolher o YOLOv10#

O YOLOv10 é recomendado para:

  • Detecção em tempo real sem NMS: Aplicações que se beneficiam da detecção de ponta a ponta sem supressão não máxima, reduzindo a complexidade da implantação.
  • Equilíbrio entre velocidade e precisão: Projetos que exigem um bom equilíbrio entre velocidade de inferência e precisão de detecção em várias escalas de modelo.
  • Aplicações com latência consistente: Cenários de implantação nos quais tempos de inferência previsíveis são essenciais, como em robótica ou sistemas autônomos.

Quando escolher Ultralytics (YOLO26)#

Para a maioria dos projetos novos, Ultralytics YOLO26 oferece a melhor combinação de desempenho e experiência para desenvolvedores:

  • Implantação de borda sem NMS: Aplicações que exigem inferência consistente e de baixa latência, sem a complexidade do pós-processamento com supressão não máxima.
  • Ambientes apenas com CPU: dispositivos sem aceleração GPU dedicada, nos quais a inferência na CPU do YOLO26n, até 43% mais rápida do que a do YOLO11n, oferece uma vantagem clara.
  • Detecção de objetos pequenos: Cenários desafiadores, como imagens aéreas de drones ou análise de sensores de IoT, nos quais ProgLoss e STAL melhoram significativamente a precisão na detecção de objetos minúsculos.

O futuro chegou: conheça Ultralytics YOLO26#

Embora o YOLOv10 tenha introduzido o design YOLO sem NMS, a tecnologia evoluiu. Lançado em janeiro de 2026, o Ultralytics YOLO26 é atualmente o modelo Ultralytics recomendado para IA de visão. Ele combina os pontos fortes de arquiteturas anteriores, como os recursos multitarefa do YOLO11 e a detecção ponta a ponta do RT-DETR, em uma única família de modelos otimizada.

A vantagem do YOLO26

Se você está começando um projeto novo, comece com o YOLO26. Ele oferece flexibilidade e facilidade de uso por meio da Ultralytics Platform.

Principais inovações do YOLO26:

  • Design ponta a ponta sem NMS: Com base nos fundamentos estabelecidos pelo YOLOv10, o YOLO26 oferece um cabeçalho one-to-one ponta a ponta opcional (nms=False) que dispensa a NMS e minimiza a lógica de implantação.
  • Inferência na CPU até 43% mais rápida: Com a remoção da Distribution Focal Loss (DFL), o YOLO26 reduz substancialmente a sobrecarga computacional; o YOLO26n é até 43% mais rápido na CPU do que o YOLO11n, tornando-o adequado para dispositivos de IA de borda.
  • Otimizador MuSGD: O YOLO26 adota técnicas do treinamento de modelos de linguagem grandes (LLM). Ao combinar a estabilidade do SGD com a velocidade do Muon, ele converge mais rápido e de forma mais confiável.
  • ProgLoss + STAL: A Progressive Loss e a atribuição de rótulos com consciência de alvos pequenos abordam problemas antigos da detecção de objetos pequenos, uma área em que o EfficientDet tradicionalmente tinha dificuldades.

Conclusão: escolha de modelos para cada caso de uso#

A escolha entre essas redes depende, em última análise, das suas restrições de implantação:

  • EfficientDet continua sendo objeto de interesse acadêmico pelo escalonamento composto e é adequado para pesquisadores que mantêm sistemas TensorFlow existentes, nos quais o tamanho dos pesos do modelo em disco é mais importante do que a velocidade de execução.
  • O YOLOv10 é ideal para aplicações que exigem latência ultrabaixa, como rastreamento de múltiplos objetos em alta velocidade e monitoramento de tráfego, graças à sua arquitetura sem NMS.
  • YOLO26, por sua vez, é a principal recomendação para projetos modernos de visão computacional, pois oferece um ótimo equilíbrio de desempenho entre precisão, baixo consumo de memória e versatilidade multitarefa, com o suporte do robusto ecossistema Ultralytics.

Comentários

Faz uma pergunta, partilha os teus resultados ou ajuda alguém.