PP-YOLOE+ vs EfficientDet
Escolher a arquitetura certa é uma etapa fundamental para criar aplicações robustas de visão computacional. Este guia técnico explora os compromissos entre dois modelos conhecidos de detecção de objetos: PP-YOLOE+ e EfficientDet. Ele detalha suas arquiteturas, analisa as métricas de desempenho e aborda os cenários de implantação mais adequados.
Embora ambos os modelos tenham contribuído significativamente para a área, este guia também aborda como alternativas modernas, como o Ultralytics YOLO26, oferecem melhor eficiência de memória, inferência mais rápida e uma experiência simplificada para desenvolvedores.
Visão geral da arquitetura: PP-YOLOE+#
O PP-YOLOE+ é uma versão aprimorada do PP-YOLOE, que por sua vez evoluiu da série PP-YOLO. Foi desenvolvido para otimizar o desempenho em GPUs de servidor no ecossistema PaddlePaddle. Introduz vários aprimoramentos à arquitetura de base, com foco em um paradigma sem âncoras.
- Autores: Autores do PaddlePaddle
- Organização: Baidu
- Data: 2022-04-02
- arXiv: 2203.16250
- Documentação: README do PaddleDetection
O PP-YOLOE+ conta com uma rede backbone CSPRepResNet e uma cabeça Eficiente Alinhada à Tarefa (ET-head), além de depender bastante da perda varifocal para classificação e da perda focal de distribuição para regressão das caixas delimitadoras. A transição para um design de detector sem âncoras simplificou o pipeline de pós-processamento, tornando-o muito competitivo na época do lançamento.
Equipes já profundamente envolvidas com o framework PaddlePaddle da Baidu costumam achar mais fácil adotar o PP-YOLOE+ nos pipelines existentes, embora ele não ofereça o amplo suporte a vários frameworks encontrado em ferramentas mais recentes.
Visão geral da arquitetura: EfficientDet#
O EfficientDet adota uma abordagem diferente para a detecção de objetos: baseia-se em uma rede backbone encontrada por meio de busca por arquitetura neural e aplica princípios de escalonamento composto.
- Autores: Mingxing Tan, Ruoming Pang e Quoc V. Le
- Organização: Google
- Data: 2019-11-20
- arXiv: 1911.09070
- Documentação: README do Brain AutoML
Sabe mais sobre o EfficientDet
O elemento central do EfficientDet é sua Rede Piramidal Bidirecional de Características (BiFPN). Ao contrário das redes FPN tradicionais, a BiFPN possibilita uma fusão rápida de características em várias escalas, introduzindo pesos aprendíveis para determinar a importância de diferentes características de entrada. Combinado com uma rede backbone EfficientNet, o EfficientDet escala sistematicamente a largura, a profundidade e a resolução da rede ao mesmo tempo.
Embora sejam muito eficientes em termos de FLOPs, os modelos EfficientDet podem ter dificuldade para converter a eficiência teórica em velocidade no mundo real em dispositivos de borda, devido aos padrões complexos de acesso à memória. Isso contrasta com os menores requisitos de memória dos modelos baseados em YOLO.
Análise de desempenho e benchmarks#
A tabela abaixo compara métricas importantes em conjuntos de dados padrão, como o COCO. Comparar a precisão média (mAP) com a velocidade de inferência mostra onde cada modelo se posiciona na fronteira de Pareto entre velocidade e precisão.
| Modelo | tamanho (pixels) | mAPval50-95 | Velocidade CPU ONNX (ms) | Velocidade T4 TensorRT10 (ms) | parâmetros (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| PP-YOLOE+t | 640 | 39.9 | - | 2.84 | 4.85 | 19.15 |
| PP-YOLOE+s | 640 | 43.7 | - | 2.62 | 7.93 | 17.36 |
| PP-YOLOE+m | 640 | 49.8 | - | 5.56 | 23.43 | 49.91 |
| PP-YOLOE+l | 640 | 52.9 | - | 8.36 | 52.2 | 110.07 |
| PP-YOLOE+x | 640 | 54.7 | - | 14.3 | 98.42 | 206.59 |
| 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 |
Como mostrado, o PP-YOLOE+ geralmente escala melhor em mAP absoluto em GPUs de alto desempenho, enquanto o EfficientDet tenta minimizar o número de parâmetros. No entanto, ambos ficam atrás do desempenho em tempo real exigido pelas aplicações modernas de IA de borda.
Casos de uso e recomendações#
A escolha entre PP-YOLOE+ e EfficientDet depende dos requisitos específicos do seu projeto, das restrições de implantação e das suas preferências de ecossistema.
Quando escolher PP-YOLOE+#
O PP-YOLOE+ é uma boa opção para:
- Integração com o ecossistema PaddlePaddle: Organizações com infraestrutura existente baseada no framework e nas ferramentas do PaddlePaddle do Baidu.
- Implantação de borda com Paddle Lite: Implantação em hardware com kernels de inferência altamente otimizados especificamente para o Paddle Lite ou o mecanismo de inferência Paddle.
- Detecção de alta precisão no servidor: Cenários que priorizam a precisão máxima de detecção em servidores com GPUs potentes, nos quais a dependência de um framework não é uma preocupação.
Quando escolher o EfficientDet#
O EfficientDet é recomendado 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 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 alternativa moderna: Ultralytics YOLO26#
Embora PP-YOLOE+ e EfficientDet sejam marcos importantes, desenvolvedores que buscam alta precisão, menor consumo de memória e uma experiência simplificada devem considerar o Ultralytics YOLO26.
O YOLO26 representa um grande avanço na detecção de objetos e introduz várias inovações importantes:
- Design de ponta a ponta sem NMS: Com base no YOLOv10, a cabeça opcional de ponta a ponta (
nms=False) do YOLO26 elimina a supressão não máxima (NMS) durante a inferência. Isso reduz significativamente a latência e elimina gargalos complexos de pós-processamento. - Otimizador MuSGD: Inspirado em inovações de treinamento de LLM, o YOLO26 usa um otimizador híbrido de SGD e Muon que melhora a estabilidade do treinamento e reduz o tempo de convergência.
- Inferência mais rápida na CPU: O YOLO26n oferece inferência na CPU até 43% mais rápida que o YOLO11n, sendo uma excelente opção para dispositivos de borda alimentados por bateria ou que usam apenas CPU.
- Técnicas avançadas de treinamento: ProgLoss e STAL melhoram significativamente o reconhecimento de objetos pequenos, essencial para tarefas como análise com drones e robótica.
Ao contrário do EfficientDet, que se concentra exclusivamente na detecção, o YOLO26 oferece suporte nativo à segmentação de instâncias, à classificação de imagens, à estimativa de pose e às caixas delimitadoras orientadas (OBB), tudo no mesmo ecossistema bem mantido.
Facilidade de uso e integração com o ecossistema#
Uma das maiores desvantagens de modelos legados como o EfficientDet é a complexidade de seus pipelines de treinamento e configurações de aprendizado de máquina automatizado. Em contrapartida, a Plataforma Ultralytics oferece uma experiência simplificada para desenvolvedores.
Treinar e executar um modelo com a Ultralytics exige apenas algumas linhas de código, ao contrário das configurações extensas necessárias em frameworks mais antigos.
from ultralytics import YOLO
# Carrega um modelo YOLO26 pré-treinado
model = YOLO("yolo26s.pt")
# Treina o modelo com o conjunto de dados COCO8
results = model.train(data="coco8.yaml", epochs=100)
# Executa inferência sem NMS em uma imagem de teste usando a cabeça de ponta a ponta
predictions = model("https://ultralytics.com/images/bus.jpg", nms=False)Para quem está explorando outras alternativas, arquiteturas como RT-DETR ou o antigo YOLOv8 também estão disponíveis no ecossistema Ultralytics, facilitando a troca e o teste de modelos.
Conclusão#
O PP-YOLOE+ continua sendo uma ótima opção para implantações específicas em servidores dentro do ecossistema Paddle, e o EfficientDet permanece um estudo interessante de design automatizado de arquiteturas. No entanto, para aplicações modernas que exigem inferência em tempo real, facilidade de implantação e requisitos mínimos de memória, o Ultralytics YOLO26 oferece o equilíbrio de desempenho mais atraente. Seu design opcional sem NMS e o rápido desempenho na CPU fazem dele a opção recomendada para a infraestrutura moderna de IA.
Comentários
Faz uma pergunta, partilha os teus resultados ou ajuda alguém.