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#
- Autores: Mingxing Tan, Ruoming Pang e Quoc V. Le
- Organização: Google Brain
- Data: 2019-11-20
- arXiv: https://arxiv.org/abs/1911.09070
- GitHub: Repositório do EfficientDet
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#
- Autores: Ao Wang, Hui Chen, Lihao Liu, et al.
- Organização: Universidade Tsinghua
- Data: 2024-05-23
- arXiv: https://arxiv.org/abs/2405.14458
- GitHub: Repositório YOLOv10
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.
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.
| 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 |
| YOLOv10n | 640 | 38.5 | - | 1.84 | 2.3 | 6.7 |
| YOLOv10s | 640 | 46.3 | - | 2.49 | 7.2 | 21.6 |
| YOLOv10m | 640 | 51.1 | - | 4.74 | 15.4 | 59.1 |
| YOLOv10b | 640 | 52.5 | - | 5.74 | 19.1 | 92.0 |
| YOLOv10l | 640 | 53.2 | - | 7.28 | 24.4 | 120.3 |
| YOLOv10x | 640 | 54.4 | - | 10.70 | 29.5 | 160.4 |
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.
- 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.
- 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).
- 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.
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.