EfficientDet и DAMO-YOLO
При построении масштабируемых конвейеров компьютерного зрения выбор подходящей архитектуры модели — важное решение, влияющее и на возможность развертывания, и на точность обнаружения. В этом руководстве технически сравниваются две известные архитектуры: EfficientDet и DAMO-YOLO.
Хотя обе модели привнесли значительные инновации в обнаружение объектов, с тех пор системы компьютерного зрения и ИИ стали более интегрированными. В этом обзоре рассматриваются основные принципы работы этих ранних сетей и объясняется, почему современные решения, такие как платформа Ultralytics и Ultralytics YOLO26, широко используются в производственной среде.
EfficientDet: масштабируемое и эффективное обнаружение объектов#
Созданная исследователями Google модель EfficientDet предназначена для систематического масштабирования архитектуры при сохранении высокой эффективности. Для этого применяется составное масштабирование глубины и ширины сети, а также разрешения входных данных.
Подробнее об EfficientDet:
- Авторы: Mingxing Tan, Ruoming Pang и Quoc V. Le
- Организация: Google Brain
- Дата: 2019-11-20
- arXiv: 1911.09070
- GitHub: google/automl
Архитектурные инновации#
Главный вклад EfficientDet — двунаправленная сеть пирамиды признаков (BiFPN). В отличие от традиционных FPN, BiFPN обеспечивает 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 — эффективность по числу параметров. Метод составного масштабирования хорошо подходит для задач, где нужно максимизировать среднюю точность (mAP) при фиксированном бюджете вычислений: его результаты предсказуемы. Однако обучать EfficientDet с нуля сложно, и часто требуется существенный подбор гиперпараметров. Сильная зависимость от специфических операций TensorFlow также усложняет переход к развертыванию на периферийных устройствах через ONNX или TensorRT по сравнению с удобными возможностями экспорта современных моделей YOLO.
DAMO-YOLO: автоматизированный поиск архитектуры на практике#
DAMO-YOLO использует иной подход: с помощью поиска архитектуры нейросети (NAS) модель автоматически создает эффективные структуры сетей для инференса в реальном времени.
Сведения о DAMO-YOLO:
- Авторы: Сяньчжэ Сюй, Ици Цзян, Вэйхуа Чэнь, Илуне Хуан, Юань Чжан и Сюйюй Сунь
- Организация: Alibaba Group
- Дата: 2022-11-23
- arXiv: 2211.15444v2
- GitHub: tinyvision/DAMO-YOLO
Архитектурные инновации#
В DAMO-YOLO реализовано несколько новых технологий. В модели используются созданная с помощью NAS базовая сеть MAE-NAS, эффективная RepGFPN в шейке и архитектура ZeroHead, значительно снижающая вычислительные затраты на голову обнаружения. Кроме того, для назначения меток применяется AlignedOTA, а для повышения производительности облегченных вариантов активно используется дистилляция знаний.
Преимущества и недостатки#
DAMO-YOLO выделяется скоростью инференса на GPU и спроектирована для развертывания на архитектурах NVIDIA с использованием TensorRT. Благодаря упрощенной структуре головы модель выдает прогнозы с низкой задержкой. Однако автоматизированный поиск архитектуры может сделать структуру модели непрозрачной, затрудняя ручную отладку и настройку для пользовательских периферийных устройств. В отличие от универсальной Ultralytics YOLO11, DAMO-YOLO в первую очередь предназначена для стандартного обнаружения ограничивающих рамок и не поддерживает из коробки такие задачи, как оценка позы или обнаружение ориентированных ограничивающих рамок (OBB).
Сравнение производительности#
Чтобы выбрать модель, важно понимать практические компромиссы. В таблице ниже семейство EfficientDet сравнивается с серией DAMO-YOLO по ключевым показателям производительности.
| Модель | размер (пиксели) | mAPval50-95 | Скорость CPU ONNX (мс) | Скорость T4 TensorRT10 (мс) | параметры (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| 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 |
| 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 точность, но требует значительных вычислительных ресурсов, поэтому не подходит для периферийного ИИ. DAMO-YOLO обеспечивает высокую скорость в TensorRT, но для сопоставимой точности ей обычно нужно больше параметров, чем младшим моделям EfficientDet.
Сценарии использования и рекомендации#
Выбор между EfficientDet и DAMO-YOLO зависит от требований конкретного проекта, ограничений развертывания и предпочтительной экосистемы.
Когда стоит выбрать EfficientDet#
EfficientDet — хороший выбор для:
- Конвейеры Google Cloud и TPU: системы на базе TensorFlow в инфраструктуре Google Cloud TPU, где эталонная реализация EfficientDet поддерживает обучение на TPU.
- Исследования составного масштабирования: Академические исследования и сравнительное тестирование, посвящённые влиянию сбалансированного масштабирования глубины, ширины и разрешения сети.
- Развертывание на мобильных устройствах через LiteRT: Проекты, для которых требуется экспорт в LiteRT (ранее TensorFlow Lite) для Android или встраиваемых устройств с Linux.
Когда стоит выбрать DAMO-YOLO#
DAMO-YOLO рекомендуется для следующих задач:
- Высокопроизводительная видеоаналитика: Обработка видеопотоков с высокой частотой кадров на фиксированной инфраструктуре NVIDIA GPU, где основной показатель — пропускная способность при размере пакета 1.
- Промышленные производственные линии: Сценарии со строгими ограничениями по задержке GPU на выделенном оборудовании, например контроль качества в реальном времени на сборочных линиях.
- Исследования в области поиска нейросетевых архитектур: Изучение влияния автоматизированного поиска архитектур (MAE-NAS) и эффективных перенастраиваемых базовых сетей на качество обнаружения.
Когда выбирать Ultralytics (YOLO26)#
Для большинства новых проектов Ultralytics YOLO26 предлагает лучшее сочетание производительности и удобства для разработчиков:
- Развертывание на периферийных устройствах без NMS: приложения, которым нужен стабильный инференс с низкой задержкой без сложной постобработки методом подавления немаксимумов (NMS).
- Среды только с CPU: устройства без выделенного GPU-ускорителя, где инференс YOLO26 (YOLO26n по сравнению с YOLO11n) до 43% быстрее, что дает явное преимущество.
- Обнаружение небольших объектов: Сложные сценарии, например съёмка с дронов или анализ данных IoT-датчиков, где ProgLoss и STAL заметно повышают точность обнаружения крошечных объектов.
Преимущества Ultralytics: развитие моделей предыдущих поколений#
Хотя EfficientDet и DAMO-YOLO представляют научную ценность, современным разработчикам нужны инструменты, сочетающие высокую производительность и удобство работы. Именно здесь выделяется экосистема Ultralytics.
Простота использования и экосистема#
Развертывание моделей из отдельных исследовательских репозиториев с многочисленными модификациями часто требует сложной интеграции. Ultralytics предлагает единую, хорошо поддерживаемую экосистему с подробной документацией и API в стиле Python. Будь то обучение в Google Colab или экспорт в CoreML для инференса на мобильных устройствах — для настройки конвейера достаточно нескольких строк кода.
from ultralytics import YOLO
# Загрузи настоятельно рекомендуемую компактную модель YOLO26
model = YOLO("yolo26n.pt")
# Обучи модель на пользовательском датасете
model.train(data="coco8.yaml", epochs=50, imgsz=640)
# Экспортируй обученную модель в ONNX для производственной среды
model.export(format="onnx")Представляем YOLO26#
Для разработчиков, оценивающих EfficientDet или DAMO-YOLO, естественным следующим шагом станет Ultralytics YOLO26. Выпущенная в январе 2026 года модель предлагает несколько новых возможностей:
- Сквозная обработка без NMS: Развивая идею обучения без NMS в YOLOv10, встроенная голова один-к-одному YOLO26 (
nms=False) устраняет необходимость постобработки NMS. Это упрощает архитектуру развертывания и обеспечивает стабильную задержку на разном оборудовании. - До 43% более быстрый инференс на CPU: YOLO26 оптимизирована для обычных CPU и подходит для развертывания на периферийных устройствах без мощных GPU, для которых DAMO-YOLO не предназначена. YOLO26n работает до 43% быстрее YOLO11n.
- Оптимизатор MuSGD: YOLO26 переносит методы обучения LLM в компьютерное зрение и использует оптимизатор MuSGD, вдохновленный Moonshot AI, для стабильного обучения и быстрой сходимости. Обучение становится менее чувствительным, чем с EfficientDet.
- Отказ от DFL: Отказ от Distribution Focal Loss упрощает экспорт и повышает совместимость с маломощными периферийными устройствами, например с Raspberry Pi.
- ProgLoss + STAL: Прогрессивная функция потерь и стратегия назначения меток с учетом малых объектов заметно улучшают распознавание мелких объектов — задачу, с которой старые архитектуры часто справляются плохо.
Эффективное использование памяти и универсальность задач#
В отличие от моделей на основе Transformer или сильно объединенных сетей, созданных с помощью NAS, модели Ultralytics известны своей эффективностью по памяти. При обучении они используют гораздо меньше памяти CUDA, что позволяет быстро выполнять итерации на обычном оборудовании.
Хотя EfficientDet и DAMO-YOLO ограничены обнаружением ограничивающих рамок, Ultralytics в рамках той же интуитивно понятной платформы из коробки поддерживает сегментацию экземпляров и классификацию изображений. Тем, кто продолжает поддерживать старые проекты, стоит обратить внимание на Ultralytics YOLOv8 — надежную и широко применяемую альтернативу.
Заключение#
Выбирая архитектуру компьютерного зрения, нужно сопоставить теоретическую производительность с реальными условиями развертывания. EfficientDet предлагает продуманный подход к масштабированию, а DAMO-YOLO обеспечивает высокую скорость на GPU. Однако командам, для которых важны быстрая разработка, надежное развертывание и современные функции, лучше подойдут модели Ultralytics. Сочетая такие инновации, как инференс без NMS и оптимизация MuSGD, YOLO26 создает производительную, удобную в сопровождении и эффективную основу для проектов компьютерного зрения.
Комментарии
Задай вопрос, поделись результатами или помоги кому-нибудь.