EfficientDet vs YOLOv9
A visão computacional foi moldada por avanços constantes no design de redes neurais. Encontrar o equilíbrio certo entre eficiência computacional e precisão de detecção é fundamental na escolha de um modelo. O EfficientDet, do Google, estabeleceu uma referência sólida em 2019 com a introdução de arquiteturas escaláveis, enquanto o YOLOv9, lançado em 2024, avançou na detecção de objetos com a Informação de Gradiente Programável (PGI).
Este guia apresenta uma comparação técnica desses dois modelos e introduz o Ultralytics YOLO26, que oferece uma solução robusta, ponta a ponta e otimizada para ambientes de produção.
Arquiteturas de modelos e inovações#
Entender os mecanismos subjacentes ao EfficientDet e ao YOLOv9 é essencial para determinar os melhores casos de uso de cada um.
EfficientDet: escalonamento composto e BiFPN#
Desenvolvido pelo Google Research, o EfficientDet tem como foco o escalonamento sistemático e a fusão eficiente de características. Ele usa a EfficientNet como backbone e introduz uma nova arquitetura de rede de características.
- Autores: Mingxing Tan, Ruoming Pang e Quoc V. Le
- Organização: Google
- Data: 20 de novembro de 2019
- Links: arXiv, GitHub
Principais recursos arquiteturais: O EfficientDet depende muito de uma rede piramidal de características bidirecional (BiFPN), que permite a fusão rápida de características multiescala. Além disso, usa um método de escalonamento composto que ajusta uniformemente a resolução, a profundidade e a largura da rede. Embora fosse muito preciso para sua época, o EfficientDet depende fortemente de ambientes antigos do TensorFlow, o que torna complexos os pipelines modernos de implantação.
Saiba mais sobre o EfficientDet
YOLOv9: Resolução do Estrangulamento de Informação#
Desenvolvido por investigadores da Academia Sinica, o YOLOv9 aborda a degradação da informação à medida que os dados passam por redes neurais profundas.
- Autores: Chien-Yao Wang e Hong-Yuan Mark Liao
- Organização: Instituto de Ciência da Informação, Academia Sinica
- Data: 21 de fevereiro de 2024
- Links: arXiv, GitHub, Documentação
Principais recursos arquiteturais: O YOLOv9 introduz a Informação de Gradiente Programável (PGI) para fornecer supervisão auxiliar e garantir que dados cruciais sejam preservados para atualizar os pesos da rede de maneira confiável. Ele também conta com a Rede de Agregação de Camadas Eficiente Generalizada (GELAN) para maximizar a eficiência de parâmetros. Apesar desses avanços, o YOLOv9 ainda exige supressão não máxima (NMS) durante o pós-processamento, o que aumenta a latência.
Comparação de desempenho#
Ao avaliar esses modelos, analisar as métricas de desempenho empíricas ajuda a determinar qual arquitetura oferece o melhor equilíbrio para o seu hardware.
| 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 |
| YOLOv9t | 640 | 38.3 | - | 2.3 | 2.0 | 7.7 |
| YOLOv9s | 640 | 46.8 | - | 3.54 | 7.2 | 26.7 |
| YOLOv9m | 640 | 51.4 | - | 6.43 | 20.1 | 76.8 |
| YOLOv9c | 640 | 53.0 | - | 7.16 | 25.5 | 102.8 |
| YOLOv9e | 640 | 55.6 | - | 16.77 | 58.1 | 192.5 |
Análise crítica#
O YOLOv9 é muito mais rápido com precisão comparável. Por exemplo, o YOLOv9e alcança 55.6% mAP com latência de 16.77ms no TensorRT. O EfficientDet-d7 apresenta um mAP menor, de 53.7%, e uma latência muito maior (128.07ms), o que dificulta sua implantação em transmissões de vídeo em tempo real.
Casos de uso e recomendações#
A escolha entre EfficientDet e YOLOv9 depende dos requisitos específicos do teu projeto, das restrições de implementação e das tuas 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 YOLOv9#
O YOLOv9 é recomendado para:
- Pesquisa sobre gargalos de informação: Projetos acadêmicos que estudam arquiteturas de Informação de Gradiente Programável (PGI) e Rede de Agregação de Camadas Eficiente Generalizada (GELAN).
- Estudos de otimização do fluxo de gradientes: Pesquisas voltadas a entender e reduzir a perda de informação nas camadas profundas da rede durante o treinamento.
- Benchmarking de detecção de alta precisão: Cenários em que o forte desempenho do YOLOv9 no benchmark COCO é necessário como referência para comparações arquitetônicas.
Quando escolher Ultralytics (YOLO26)#
Para a maioria dos novos projetos, o 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.
A vantagem da Ultralytics: escolher YOLO26#
Embora o YOLOv9 e o EfficientDet tenham aberto caminho, os desenvolvedores que procuram uma estrutura moderna e pronta para produção devem considerar os modelos Ultralytics YOLO, em particular o recém-lançado YOLO26.
A Ultralytics Platform foi projetada para facilitar o uso, combinando scripts de treinamento locais com uma interface integrada à nuvem. O YOLO26 é uma reformulação substancial que supera arquiteturas mais antigas em muitas aplicações comerciais.
Destaques técnicos do YOLO26#
- Design ponta a ponta sem NMS: O cabeçalho ponta a ponta opcional do YOLO26 (
nms=False) elimina gargalos de pós-processamento. Ao remover a NMS, os grafos de implantação ficam unificados e rodam mais rápido em chips de IA de borda. - Inferência na CPU até 43% mais rápida: Otimizado para dispositivos embarcados, o YOLO26n roda até 43% mais rápido que o YOLO11n na CPU com ONNX quando não há GPUs disponíveis.
- Otimizador MuSGD: Ao incorporar técnicas de treinamento de LLM à IA de visão, este otimizador híbrido estabiliza as execuções de treinamento e permite que os modelos convirjam mais rápido com menos recursos.
- Baixos requisitos de memória: Ao contrário das arquiteturas pesadas em Transformer ou das CNNs não otimizadas, o YOLO26 minimiza o consumo de memória CUDA durante o treino, permitindo-te utilizar tamanhos de lote maiores em hardware de consumo.
- ProgLoss + STAL: A Progressive Loss e a atribuição de rótulos com consciência de alvos pequenos aumentam significativamente a precisão na detecção de objetos pequenos, tornando o YOLO26 adequado para imagens aéreas e redes IoT.
- Remoção do DFL: Um design estrutural simplificado permite uma conversão tranquila para formatos de implantação móvel.
Outras opções do ecossistema Ultralytics incluem o YOLO11 e o YOLOv8, que também oferecem versatilidade multitarefa, como segmentação de instâncias e estimativa de pose.
Treino simplificado com o SDK Python#
Os modelos Ultralytics priorizam a experiência do desenvolvedor. Treinar um modelo exige apenas algumas linhas de Python.
from ultralytics import YOLO
# Initialize the YOLO26 model
model = YOLO("yolo26n.pt")
# Train with optimized memory usage and built-in augmentations
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Validate the model's performance easily
metrics = model.val()
print(f"Validation mAP: {metrics.box.map}")Aplicações no mundo real#
A escolha entre essas arquiteturas depende muito do seu alvo de implantação.
- Implantações legadas na nuvem: O EfficientDet era popular para processamento em lote offline na nuvem, quando era necessária alta precisão e não havia restrições rígidas de tempo real.
- Pesquisa acadêmica: O YOLOv9 continua sendo uma opção interessante para pesquisadores que exploram os limites do design de CNN e analisam os fluxos de gradiente pelas camadas da rede.
- Computação de borda e IoT: O YOLO26 é adequado para aplicações de borda no mundo real. Seu pipeline sem NMS e os recursos de caixas delimitadoras orientadas (OBB) fazem dele uma ótima opção para análise de tráfego em cidades inteligentes, monitoramento de estoque no varejo e inspeção com drones, oferecendo um bom equilíbrio entre alta precisão e inferência rápida.
Comentários
Faz uma pergunta, partilha os teus resultados ou ajuda alguém.