YOLO EfficientDet: подробное изучение архитектур обнаружения объектов

Выбор оптимальной архитектуры компьютерного зрения — это ключевое решение, которое влияет на все: от задержки вывода до стоимости оборудования. В этом техническом сравнении мы анализируем две влиятельные модели: YOLO от Alibaba и EfficientDet Google. В то время как EfficientDet представила концепцию масштабируемой эффективности,YOLO границы производительности в реальном времени с помощью новых методов дистилляции.

В этом руководстве представлен тщательный анализ их архитектуры, показателей производительности и пригодности для современного развертывания, а также рассматривается, как решения нового поколения, такие как Ultralytics , устанавливают новые стандарты удобства использования и эффективности на периферии.

Обзор DAMO-YOLO

YOLO высокопроизводительная платформа для обнаружения объектов, разработанная Alibaba Group. Она уделяет приоритетное внимание балансу между скоростью и точностью, используя такие технологии, как поиск нейронной архитектуры (NAS) и глубокая перепараметризация. Разработанная в первую очередь для промышленного применения, она направлена на сокращение задержки без ущерба для качества обнаружения.

Авторы: Сяньчжэ Сюй, Ици Цзян, Вэйхуа Чэнь, Илунь Хуан, Юань Чжан и Сюю Сунь
Организация:Alibaba Group
Дата: 23 ноября 2022 г.
Arxiv:YOLO
GitHub:YOLO
Документация:YOLO

Ключевые архитектурные особенности

• MAE-NAS Backbone: использует поиск нейронной архитектуры на основе маскированного автокодировщика (MAE) для обнаружения эффективных базовых структур.
• Эффективный RepGFPN: конструкция с тяжелым «шейкой», использующая перепараметризацию (аналогично YOLOv6) для эффективного объединения признаков при сохранении высокой скорости вывода.
• ZeroHead: Легкая головка обнаружения, которая минимизирует вычислительные затраты на этапе окончательного прогнозирования.
• AlignedOTA: усовершенствованная стратегия присвоения меток, которая решает проблемы несоответствия между задачами классификации и регрессии во время обучения.

Обзор EfficientDet

EfficientDet, разработанный командой Google , представил системный подход к масштабированию моделей. Благодаря совместному масштабированию основной структуры, разрешения и глубины EfficientDet достигает замечательной эффективности. Он основан на основной структуре EfficientNet и использует BiFPN (Bidirectional Feature Pyramid Network) для сложного слияния характеристик.

Авторы: Минсин Тан, Руоминг Панг и Куок В. Ле
Организация:Google
Дата: 20 ноября 2019 г.
Arxiv:EfficientDet Статья
GitHub:google
Документация:EfficientDet README

Ключевые архитектурные особенности

• Комбинированное масштабирование: метод равномерного масштабирования ширины, глубины и разрешения сети с помощью простого комбинированного коэффициента (phi).
• BiFPN: взвешенная двунаправленная сеть пирамиды признаков, которая позволяет легко и быстро объединять многомасштабные признаки.
• EfficientNet Backbone: использует мощную архитектуру EfficientNet для извлечения признаков.

Сравнение производительности

В следующей таблице сравниваются характеристики вариантовYOLO EfficientDet.YOLO предлагает более высокое соотношение скорости и точности, особенно на GPU , где его перепараметризованные блоки демонстрируют свои преимущества. EfficientDet, хотя и является точным, часто страдает от более высокой задержки из-за сложных соединений BiFPN и более медленных функций активации.

Анализ результатов

• Задержка:YOLO превосходит EfficientDet по TensorRT . Например, DAMO-YOLOl достигает 50,8 mAP ~7 мс, тогда как EfficientDet-d4 требует ~33 мс для достижения аналогичной точности.
• Эффективность архитектуры: Низкое количество параметров EfficientDet (например, d0 имеет только 3,9 млн параметров) делает его удобным для хранения, но его сложная структура графа (BiFPN) часто приводит к более низкой фактической скорости вывода по сравнению с оптимизированными структурами моделей YOLO.
• Использование ресурсов:YOLO «улучшение дистилляции» во время обучения, что позволяет меньшим ученическим моделям учиться у более крупных учителей, повышая производительность без увеличения затрат на вывод.

Случаи использования и приложения

Понимание преимуществ каждой модели помогает выбрать подходящий инструмент для конкретной задачи.

Когда использовать DAMO-YOLO

• Промышленная инспекция: идеально подходит для производственных линий, где задержка в миллисекундах имеет решающее значение для обнаружения дефектов на быстро движущихся конвейерах.
• Умное городское наблюдение: высокая пропускная способность позволяет обрабатывать несколько видеопотоков на одном GPU.
• Робототехника: подходит для автономной навигации, где требуется быстрая реакция для обхода препятствий.

Когда использовать EfficientDet

• Академические исследования: его систематические правила масштабирования делают его отличной базой для изучения теорий эффективности моделей.
• Среды с ограниченным объемом хранилища: чрезвычайно низкое количество параметров вариантов d0/d1 является преимуществом, если основным ограничением является дисковое пространство, хотя использование ОЗУ и CPU могут по-прежнему быть выше, чем у сопоставимых YOLO .
• Мобильные приложения (устаревшие): в ранних мобильных развертываниях использовались версии EfficientDet, TFLite, хотя современные архитектуры, такие как YOLO11 в значительной степени заменили его.

Преимущество Ultralytics: Представляем YOLO26

ХотяYOLO EfficientDet стали важными вехами, эта область продолжает развиваться. Ultralytics представляет собой современное решение, устраняющее ограничения предыдущих архитектур за счет сквозного дизайна и превосходной оптимизации.

Узнайте больше о YOLO26

Почему разработчики предпочитают Ultralytics

1. Простота использования и экосистема: Ultralytics беспроблемный переход от нуля к герою. В отличие от сложных конфигурационных файлов, которые часто требуются для исследовательских хранилищ, Ultralytics начать обучение с помощью нескольких строк Python. Экосистема включает в себя Ultralytics для простого управления наборами данных и обучения в облаке.

   from ultralytics import YOLO
   
   # Load the latest YOLO26 model
   model = YOLO("yolo26n.pt")
   
   # Train on a custom dataset
   results = model.train(data="coco8.yaml", epochs=100)
   

2. Баланс производительности: YOLO26 разработан для доминирования на границе Парето. Он обеспечивает до 43% более быстрое CPU по сравнению с предыдущими поколениями, что делает его мощным инструментом для приложений искусственного интеллекта на периферии, где GPU недоступны.

3. Полностью NMS: одной из самых больших проблем при развертывании детекторов объектов является немаксимальное подавление (NMS).YOLO EfficientDet полагаются на NMS, что усложняет постобработку и вносит изменчивость в задержку. YOLO26 изначально является полностью сквозным, NMS устраняя NMS для детерминированного и более быстрого вывода.

4. Эффективность обучения и MuSGD: YOLO26 интегрирует оптимизатор MuSGD, гибрид SGD Muon. Это нововведение, вдохновленное обучением LLM, обеспечивает стабильную конвергенцию и снижает необходимость в обширной настройке гиперпараметров. В сочетании с более низкими требованиями к памяти во время обучения, оно позволяет пользователям обучать более крупные пакеты данных на потребительском оборудовании по сравнению с гибридными трансформаторами, требующими большого объема памяти, такими как RT-DETR.

5. Универсальность: в то время как EfficientDet иYOLO в основномYOLO на ограничительные рамки, Ultralytics изначально поддерживают широкий спектр задач, включая сегментацию экземпляров, оценку позы, OBB и классификацию, и все это в рамках единого API.

Краткое сравнение

Заключение

YOLO EfficientDet внесли значительный вклад в историю компьютерного зрения. EfficientDet продемонстрировал мощь составного масштабирования, аYOLO эффективность перепараметризации и дистилляции. Однако для разработчиков, начинающих новые проекты в 2026 году, Ultralytics предлагает убедительное преимущество.

Удаление NMS процессы развертывания, оптимизатор MuSGD ускоряет обучение, а оптимизированная архитектура обеспечивает превосходную скорость как на пограничных процессорах, так и на мощных графических процессорах. Независимо от того, создаете ли вы интеллектуальную систему камер или облачную платформу для анализа видео, надежная экосистема и производительность Ultralytics ее рекомендуемым выбором.

Для дальнейшего изучения вам также может быть интересно сравнить YOLO26 и YOLOv10 или понять преимущества YOLO11 для поддержки устаревших версий.

Комментарии