Começar

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.

Saiba mais sobre o PP-YOLOE+

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.

Benefícios da integração

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.

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.

Modelotamanho
(pixels)
mAPval50-95Velocidade
CPU ONNX
(ms)
Velocidade
T4 TensorRT10
(ms)
parâmetros
(M)
FLOPs
(B)
PP-YOLOE+t64039.9-2.844.8519.15
PP-YOLOE+s64043.7-2.627.9317.36
PP-YOLOE+m64049.8-5.5623.4349.91
PP-YOLOE+l64052.9-8.3652.2110.07
PP-YOLOE+x64054.7-14.398.42206.59
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

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.
Versatilidade para múltiplas tarefas

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.