Começar

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.

Saiba mais sobre o YOLOv9

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.

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
YOLOv9t64038.3-2.32.07.7
YOLOv9s64046.8-3.547.226.7
YOLOv9m64051.4-6.4320.176.8
YOLOv9c64053.0-7.1625.5102.8
YOLOv9e64055.6-16.7758.1192.5

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.

Exportação de modelos para produção

Exportar seu modelo para formatos otimizados, como TensorRT ou OpenVINO, reduz significativamente os tempos de inferência em comparação com a execução direta no PyTorch.

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.
Colaboradores

Comentários

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