Link to this sectionEfficientDet против DAMO-YOLO: техническое сравнение архитектур обнаружения объектов#

При создании масштабируемых конвейеров computer vision выбор правильной архитектуры модели — это критически важное решение, которое влияет как на возможность развертывания, так и на точность обнаружения. Это руководство содержит подробное техническое сравнение двух известных архитектур в области визуального распознавания: EfficientDet и DAMO-YOLO.

Хотя обе модели привнесли значительные инновации в область object detection, стремительное развитие ИИ в компьютерном зрении проложило путь к более интегрированным экосистемам. В этом анализе мы рассмотрим ключевые механизмы этих устаревших сетей и покажем, почему современные решения, такие как Ultralytics Platform и Ultralytics YOLO26, стали отраслевым стандартом для производственных сред.

Link to this sectionEfficientDet: масштабируемое и эффективное обнаружение объектов#

Представленная исследователями Google, модель EfficientDet была разработана для систематического масштабирования архитектуры при сохранении высокой эффективности. Это было достигнуто за счет использования композитного масштабирования по глубине, ширине сети и разрешению входных данных.

Детали EfficientDet: Авторы: Mingxing Tan, Ruoming Pang и Quoc V. Le
Организация: Google Brain
Дата: 2019-11-20
Arxiv: 1911.09070
GitHub: google/automl

Link to this sectionАрхитектурные инновации#

Основной вклад EfficientDet — это двунаправленная пирамидальная сеть признаков (BiFPN). В отличие от традиционных FPN, BiFPN обеспечивает легкое и быстрое слияние признаков разных масштабов за счет использования обучаемых весов для понимания значимости различных входных признаков. Это сочетается с backbone EfficientNet, что дает семейство моделей (от D0 до D7), масштабируемых предсказуемым образом.

Link to this sectionСильные и слабые стороны#

Ключевое преимущество EfficientDet заключается в эффективности параметров. Для задач, где необходимо максимизировать mean Average Precision (mAP) в сильно ограниченных облачных средах, метод композитного масштабирования очень предсказуем. Однако EfficientDet, как известно, сложно обучать с нуля, и она часто требует значительной hyperparameter tuning. Кроме того, сильная зависимость от специфических операций TensorFlow делает переход к развертыванию на периферийных устройствах через ONNX или TensorRT более трудоемким по сравнению с оптимизированными export capabilities, доступными в современных моделях YOLO.

Узнай больше о EfficientDet

Link to this sectionDAMO-YOLO: автоматизированный поиск архитектуры в действии#

DAMO-YOLO представляет собой иной подход, использующий нейросетевой поиск архитектуры (NAS) для автоматического проектирования оптимальных структур сети для вывода в реальном времени.

Детали DAMO-YOLO: Авторы: Xianzhe Xu, Yiqi Jiang, Weihua Chen, Yilun Huang, Yuan Zhang и Xiuyu Sun
Организация: Alibaba Group
Дата: 2022-11-23
Arxiv: 2211.15444v2
GitHub: tinyvision/DAMO-YOLO

Link to this sectionАрхитектурные инновации#

DAMO-YOLO внедряет ряд новых технологий. В ней используется сгенерированный с помощью NAS backbone под названием MAE-NAS, эффективная архитектура RepGFPN для шеи (neck) и дизайн ZeroHead, который существенно снижает вычислительные затраты на detection head. Кроме того, модель использует AlignedOTA для назначения меток и сильно полагается на улучшение за счет дистилляции знаний для повышения производительности своих меньших вариантов.

Link to this sectionСильные и слабые стороны#

DAMO-YOLO выделяется скоростью вывода на GPU, специально спроектированной для развертывания на архитектурах NVIDIA с использованием TensorRT. Убрав тяжелые структуры головы (head), модель обеспечивает предсказания с низкой задержкой. С другой стороны, автоматизированный поиск архитектуры может сделать структуру модели непрозрачной и сложной для ручной отладки или тонкой настройки для специализированных периферийных устройств. В отличие от высокоуниверсальной Ultralytics YOLO11, DAMO-YOLO в основном сфокусирована на стандартном обнаружении ограничивающих рамок (bounding box) и не имеет встроенной поддержки таких продвинутых задач, как pose estimation или oriented bounding box (OBB), «из коробки».

Узнай больше о DAMO-YOLO

Link to this sectionСравнение производительности#

Понимание эмпирических компромиссов необходимо для выбора модели. В таблице ниже сравнивается семейство EfficientDet и серия DAMO-YOLO по ключевым performance metrics.

Link to this sectionВарианты использования и рекомендации#

Выбор между EfficientDet и DAMO-YOLO зависит от требований твоего конкретного проекта, ограничений развертывания и предпочтений в экосистеме.

Link to this sectionКогда выбирать EfficientDet#

EfficientDet — это хороший выбор для:

• Конвейеров Google Cloud и TPU: Систем, глубоко интегрированных с API Google Cloud Vision или инфраструктурой TPU, где EfficientDet имеет нативную оптимизацию.
• Исследований в области составного масштабирования: Академических бенчмарков, сфокусированных на изучении эффектов сбалансированного масштабирования глубины, ширины и разрешения сети.
• Развертывания на мобильных устройствах через TFLite: Проектов, которые специально требуют экспорта в TensorFlow Lite для Android или встроенных Linux-устройств.

Link to this sectionКогда выбирать DAMO-YOLO#

DAMO-YOLO рекомендуется для:

• Высокопроизводительной видеоаналитики: Обработки видеопотоков с высоким FPS на фиксированной инфраструктуре NVIDIA GPU, где пропускная способность при размере пакета 1 является основным показателем.
• Линий промышленного производства: Сценариев со строгими ограничениями задержки GPU на специализированном оборудовании, таких как контроль качества в реальном времени на сборочных линиях.
• Исследований в области поиска архитектуры нейронных сетей: Изучения влияния автоматизированного поиска архитектуры (MAE-NAS) и эффективных репараметризованных основ на производительность обнаружения.

Link to this sectionКогда выбирать Ultralytics (YOLO26)#

Для большинства новых проектов Ultralytics YOLO26 предлагает лучшее сочетание производительности и опыта разработчика:

• Периферийное развертывание без NMS: Приложениям требуется стабильный вывод с низкой задержкой без сложности постобработки Non-Maximum Suppression.
• Среды только с CPU: Устройства без выделенного GPU-ускорения, где преимущество YOLO26 в виде до 43% более быстрого вывода на CPU является решающим.
• Обнаружение мелких объектов: Сложные сценарии, такие как аэросъемка с дронов или анализ данных IoT-датчиков, где ProgLoss и STAL значительно повышают точность распознавания крошечных объектов.

Link to this sectionПреимущество Ultralytics: продвижение вперед за рамки устаревших моделей#

Хотя EfficientDet и DAMO-YOLO предоставляют ценные академические знания, современным разработчикам требуются фреймворки, сочетающие передовую производительность с удобством для разработчика. Именно здесь экосистема Ultralytics ecosystem превосходит остальные.

Link to this sectionНепревзойденная простота использования и экосистема#

Развертывание моделей из отдельных, сильно кастомизированных исследовательских репозиториев часто приводит к кошмарам при интеграции. Ultralytics предоставляет унифицированную, глубоко well-maintained ecosystem с обширной документацией и Python-ориентированным API. Используешь ли ты Google Colab для обучения или экспортируешь модель в CoreML для мобильного вывода, конвейер требует всего несколько строк кода.

from ultralytics import YOLO

# Load the highly recommended YOLO26 nano model
model = YOLO("yolo26n.pt")

# Train the model effortlessly on a custom dataset
model.train(data="coco8.yaml", epochs=50, imgsz=640)

# Export the trained model to ONNX for production
model.export(format="onnx")

Link to this sectionРеволюция YOLO26#

Для разработчиков, оценивающих EfficientDet или DAMO-YOLO, Ultralytics YOLO26 представляет собой окончательный эволюционный шаг. Выпущенная в начале 2026 года, она привносит революционные возможности:

• Сквозной дизайн без NMS: впервые представленный YOLOv10, YOLO26 нативно устраняет необходимость в пост-обработке через подавление немаксимумов (NMS). Это означает значительно более простую архитектуру развертывания и стабильную задержку на различном оборудовании.
• До 43% более быстрый вывод на CPU: для периферийных развертываний без мощных GPU — сценариев, где DAMO-YOLO испытывает трудности — YOLO26 глубоко оптимизирована, обеспечивая колоссальное ускорение на стандартных CPU.
• Оптимизатор MuSGD: преодолевая разрыв между инновациями в LLM и компьютерным зрением, YOLO26 включает оптимизатор MuSGD (вдохновленный Moonshot AI), обеспечивающий невероятно стабильное обучение и быструю сходимость по сравнению с хрупкими циклами обучения EfficientDet.
• Удаление DFL: отказ от Distribution Focal Loss упрощает процесс экспорта, гарантируя превосходную совместимость с маломощными микроконтроллерами и устройствами Raspberry Pi.
• ProgLoss + STAL: эти передовые функции потерь обеспечивают значительные улучшения в распознавании мелких объектов, что является областью, где старые архитектуры традиционно проигрывают.

Link to this sectionЭффективность памяти и универсальность задач#

Unlike transformer models or heavily fused NAS networks, Ultralytics models are characterized by their stringent memory efficiency. They consume remarkably lower CUDA memory during training, enabling rapid iteration on consumer-grade hardware.

Более того, в то время как EfficientDet и DAMO-YOLO жестко ограничены ограничивающими рамками, Ultralytics нативно поддерживает instance segmentation и image classification в рамках того же интуитивно понятного фреймворка. Для пользователей, поддерживающих старые проекты, Ultralytics YOLOv8 остается надежной и широко используемой альтернативой, которую стоит рассмотреть.

Link to this sectionЗаключение#

Выбор правильной архитектуры компьютерного зрения включает в себя взвешивание теоретической производительности и реальности развертывания. EfficientDet предлагает математически элегантный подход к масштабированию, а DAMO-YOLO обеспечивает впечатляющую скорость работы на GPU. Однако для команд, которые отдают приоритет быстрой разработке, надежному развертыванию и передовым функциям, Ultralytics models явно стоят впереди. Объединяя инновации, такие как вывод без NMS и оптимизация MuSGD, YOLO26 гарантирует, что твои проекты в области компьютерного зрения строятся на самой функциональной, поддерживаемой и эффективной базе из существующих сегодня.