EfficientDet и DAMO-YOLO#
При создании масштабируемых конвейеров компьютерного зрения выбор подходящей архитектуры модели — критически важное решение, влияющее как на возможность развертывания, так и на точность обнаружения. В этом руководстве приводится подробное техническое сравнение двух хорошо известных архитектур в области визуального распознавания: EfficientDet и DAMO-YOLO.
Хотя обе модели привнесли значительные инновации в область обнаружения объектов, стремительное развитие ИИ для компьютерного зрения проложило путь к более интегрированным экосистемам. В этом анализе мы рассмотрим основные механизмы этих устаревших сетей и покажем, почему современные решения, такие как Ultralytics Platform и Ultralytics YOLO26, стали отраслевым стандартом для производственных сред.
EfficientDet: масштабируемое и эффективное обнаружение объектов#
Разработанная исследователями из Google модель EfficientDet предназначена для систематического масштабирования архитектуры при сохранении высокой эффективности. Это достигается за счет комплексного масштабирования глубины и ширины сети, а также разрешения входных данных.
Сведения об EfficientDet:
- Авторы: Mingxing Tan, Ruoming Pang и Quoc V. Le
- Организация: Google Brain
- Дата: 20.11.2019
- Arxiv: 1911.09070
- GitHub: google/automl
Архитектурные инновации#
Главный вклад EfficientDet — двунаправленная пирамидальная сеть признаков (BiFPN). В отличие от традиционных FPN, BiFPN обеспечивает простое и быстрое слияние признаков разных масштабов, используя обучаемые веса для оценки важности различных входных признаков. В сочетании с базовой сетью EfficientNet это дает семейство моделей (от D0 до D7) с предсказуемым масштабированием.
Преимущества и недостатки#
Ключевое преимущество EfficientDet заключается в эффективном использовании параметров. В задачах, где необходимо максимизировать среднюю точность (mAP) в облачных средах с жесткими ограничениями ресурсов, метод комплексного масштабирования отличается высокой предсказуемостью. Однако EfficientDet широко известна своей сложностью обучения с нуля и часто требует значительной настройки гиперпараметров. Кроме того, сильная зависимость от специфичных операций TensorFlow усложняет переход к развертыванию на периферийных устройствах через ONNX или TensorRT по сравнению с оптимизированными возможностями экспорта, доступными в современных моделях YOLO.
DAMO-YOLO: автоматизированный поиск архитектуры в действии#
DAMO-YOLO использует иной подход: поиск нейронной архитектуры (NAS) автоматически проектирует оптимальные структуры сетей для вывода в реальном времени.
Сведения о 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
Архитектурные инновации#
DAMO-YOLO внедряет несколько новых технологий. Она использует созданную с помощью NAS базовую сеть MAE-NAS, эффективный RepGFPN в шее сети и архитектуру ZeroHead, которая значительно снижает вычислительную стоимость головы обнаружения. Кроме того, в модели применяется AlignedOTA для назначения меток и активно используется дистилляция знаний для повышения производительности ее облегченных вариантов.
Преимущества и недостатки#
DAMO-YOLO демонстрирует высокую скорость вывода на GPU и специально оптимизирована для развертывания на архитектурах NVIDIA с использованием TensorRT. За счет устранения тяжелых структур головы модель обеспечивает предсказания с низкой задержкой. В то же время автоматизированный поиск архитектуры может сделать структуру модели непрозрачной и затруднить ручную отладку или тонкую настройку для пользовательских периферийных устройств. В отличие от универсальной Ultralytics YOLO11, DAMO-YOLO в основном ориентирована на стандартное обнаружение ограничивающих рамок и изначально не поддерживает такие продвинутые задачи, как оценка позы или обнаружение ориентированных ограничивающих рамок (OBB).
Сравнение производительности#
Для выбора модели важно понимать эмпирические компромиссы. В таблице ниже семейство EfficientDet сравнивается с серией DAMO-YOLO по ключевым метрикам производительности.
| Модель | размер (пиксели) | mAPval 50-95 | Скорость CPU ONNX (мс) | Скорость T4 TensorRT10 (мс) | параметры (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| EfficientDet-d0 | 640 | 34.6 | 10.2 | 3.92 | 3.9 | 2.54 |
| EfficientDet-d1 | 640 | 40.5 | 13.5 | 7.31 | 6.6 | 6.1 |
| EfficientDet-d2 | 640 | 43.0 | 17.7 | 10.92 | 8.1 | 11.0 |
| EfficientDet-d3 | 640 | 47.5 | 28.0 | 19.59 | 12.0 | 24.9 |
| EfficientDet-d4 | 640 | 49.7 | 42.8 | 33.55 | 20.7 | 55.2 |
| EfficientDet-d5 | 640 | 51.5 | 72.5 | 67.86 | 33.7 | 130.0 |
| EfficientDet-d6 | 640 | 52.6 | 92.8 | 89.29 | 51.9 | 226.0 |
| EfficientDet-d7 | 640 | 53.7 | 122.0 | 128.07 | 51.9 | 325.0 |
| DAMO-YOLOt | 640 | 42.0 | - | 2.32 | 8.5 | 18.1 |
| DAMO-YOLOs | 640 | 46.0 | - | 3.45 | 16.3 | 37.8 |
| DAMO-YOLOm | 640 | 49.2 | - | 5.09 | 28.2 | 61.8 |
| DAMO-YOLOl | 640 | 50.8 | - | 7.18 | 42.1 | 97.3 |
EfficientDet-d7 обеспечивает наивысшую теоретическую точность, но требует огромных вычислительных ресурсов, что делает ее непригодной для периферийного ИИ. DAMO-YOLO обеспечивает исключительную скорость в TensorRT, хотя для достижения сопоставимой точности ей обычно требуется больше параметров, чем младшим моделям EfficientDet.
Варианты применения и рекомендации#
Выбор между EfficientDet и DAMO-YOLO зависит от конкретных требований проекта, ограничений развертывания и предпочтений в отношении экосистемы.
Когда стоит выбрать EfficientDet#
EfficientDet — хороший выбор для:
- Конвейеров Google Cloud и TPU: систем, тесно интегрированных с Google Cloud Vision API или инфраструктурой TPU, где EfficientDet имеет нативную оптимизацию.
- Исследований составного масштабирования: академических бенчмарков, посвящённых изучению влияния сбалансированного масштабирования глубины, ширины и разрешения сети.
- Мобильного развертывания через TFLite: проектов, которым необходим экспорт в TensorFlow Lite для Android или встраиваемых устройств под управлением Linux.
Когда стоит выбрать DAMO-YOLO#
DAMO-YOLO рекомендуется для следующих задач:
- Высокопроизводительная видеоаналитика: Обработка видеопотоков с высоким FPS на фиксированной инфраструктуре NVIDIA GPU, где пропускная способность при размере пакета 1 является основной метрикой.
- Промышленные производственные линии: Сценарии со строгими ограничениями по задержке GPU на выделенном оборудовании, например контроль качества в реальном времени на сборочных линиях.
- Исследования поиска нейронных архитектур: Изучение влияния автоматизированного поиска архитектур (MAE-NAS) и эффективных репараметризованных базовых сетей на производительность обнаружения.
Когда выбирать Ultralytics (YOLO26)#
Для большинства новых проектов Ultralytics YOLO26 предлагает лучшее сочетание производительности и удобства для разработчиков:
- Развертывания на периферийных устройствах без NMS: приложений, требующих стабильного вывода с низкой задержкой без сложной постобработки с подавлением немаксимумов.
- Сред без GPU: устройств без выделенного ускорения GPU, где до 43% более быстрый вывод YOLO26 на CPU дает решающее преимущество.
- Обнаружения мелких объектов: сложных сценариев, таких как аэрофотосъемка с дронов или анализ данных IoT-сенсоров, где ProgLoss и STAL значительно повышают точность обнаружения крошечных объектов.
Преимущество Ultralytics: развитие за пределами устаревших моделей#
Хотя EfficientDet и DAMO-YOLO дают ценную академическую информацию, современным разработчикам нужны фреймворки, сочетающие передовую производительность с удобством разработки. Именно здесь особенно выделяется экосистема Ultralytics.
Непревзойденное удобство использования и экосистема#
Развертывание моделей из отдельных, сильно измененных исследовательских репозиториев часто приводит к серьезным проблемам интеграции. Ultralytics предоставляет единую, тщательно поддерживаемую экосистему с подробной документацией и API в стиле Python. Независимо от того, используешь ли ты Google Colab для обучения или экспортируешь модель в CoreML для вывода на мобильных устройствах, для конвейера достаточно всего нескольких 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")Революция YOLO26#
Для разработчиков, оценивающих EfficientDet или DAMO-YOLO, Ultralytics YOLO26 представляет собой высший этап эволюции. Выпущенная в начале 2026 года, она открывает принципиально новые возможности:
- Сквозная архитектура без NMS: впервые представленная в YOLOv10, YOLO26 изначально устраняет необходимость постобработки с подавлением немаксимумов (NMS). Это значительно упрощает архитектуру развертывания и обеспечивает стабильную задержку на различном оборудовании.
- До 43% более быстрый вывод на CPU: для периферийных развертываний без мощных GPU — сценариев, в которых DAMO-YOLO испытывает трудности, — YOLO26 тщательно оптимизирована и обеспечивает значительный прирост скорости на стандартных CPU.
- Оптимизатор MuSGD: объединяя инновации LLM и компьютерного зрения, YOLO26 использует оптимизатор MuSGD (вдохновленный Moonshot AI), обеспечивая исключительно стабильное обучение и быструю сходимость по сравнению с хрупкими циклами обучения EfficientDet.
- Удаление DFL: удаление Distribution Focal Loss упрощает процесс экспорта и гарантирует лучшую совместимость с маломощными микроконтроллерами и устройствами Raspberry Pi.
- ProgLoss + STAL: эти продвинутые функции потерь значительно улучшают распознавание небольших объектов — область, в которой старые архитектуры традиционно терпят неудачу.
Эффективное использование памяти и универсальность задач#
В отличие от моделей на основе трансформеров или сильно объединенных NAS-сетей, модели Ultralytics отличаются строгой эффективностью использования памяти. Во время обучения они потребляют значительно меньше памяти CUDA, что ускоряет итерации на оборудовании потребительского класса.
Кроме того, EfficientDet и DAMO-YOLO жестко ограничены задачами с ограничивающими рамками, тогда как Ultralytics изначально поддерживает сегментацию экземпляров и классификацию изображений в рамках одной и той же интуитивно понятной среды. Для пользователей, поддерживающих старые проекты, Ultralytics YOLOv8 остается надежной и широко используемой альтернативой, которую стоит рассмотреть.
Заключение#
Выбор подходящей архитектуры компьютерного зрения требует сопоставления теоретической производительности с реальными условиями развертывания. EfficientDet предлагает математически элегантный подход к масштабированию, а DAMO-YOLO обеспечивает впечатляющую чистую скорость на GPU. Однако для команд, которые ставят во главу угла быструю разработку, надежное развертывание и передовые возможности, модели Ultralytics явно превосходят их. Объединяя такие инновации, как вывод без NMS и оптимизация MuSGD, YOLO26 обеспечивает основу, которая сегодня является наиболее производительной, удобной в сопровождении и эффективной для проектов компьютерного зрения.