Сравнение EfficientDet и PP-YOLOE+#

Ландшафт компьютерного зрения во многом сформировался благодаря непрерывной эволюции моделей обнаружения объектов. Двумя значимыми вехами на этом пути стали EfficientDet от Google и PP-YOLOE+ от Baidu. Хотя обе архитектуры создавались для достижения тонкого баланса между вычислительной эффективностью и точностью обнаружения, к этой задаче они подходят с принципиально разных позиций.

Это подробное руководство разбирает их архитектуры, методики обучения и сценарии развертывания в реальных условиях, чтобы помочь тебе выбрать оптимальную нейронную сеть для следующего приложения компьютерного зрения.

Архитектурные инновации и философия проектирования#

Понимание базовой архитектуры этих моделей имеет решающее значение для их эффективного развертывания в производственных средах — как на периферийных устройствах, так и на облачных серверах.

EfficientDet: сила составного масштабирования#

Разработанная Google Research, модель EfficientDet стала настоящим изменением парадигмы: масштабирование модели в ней рассматривается не как произвольный процесс, а как математически обоснованный метод составного масштабирования.

• Авторы: Mingxing Tan, Ruoming Pang и Quoc V. Le
• Организация: Google Research
• Дата: 20.11.2019
• Arxiv: 1911.09070
• GitHub: google/automl
• Документация: Документация EfficientDet

Узнай больше об EfficientDet

Ключевая инновация EfficientDet — двунаправленная пирамидальная сеть признаков (BiFPN). В отличие от традиционных FPN, которые суммируют признаки только сверху вниз, BiFPN вводит обучаемые веса для слияния признаков разных масштабов как сверху вниз, так и снизу вверх. Благодаря этому сеть может интуитивно оценивать важность различных входных признаков. В сочетании с магистральной сетью EfficientNet EfficientDet одновременно масштабирует разрешение, глубину и ширину, создавая семейство моделей (от d0 до d7) для разных вычислительных бюджетов.

PP-YOLOE+: расширяя возможности PaddlePaddle#

Опираясь на успех предшественников, команда PaddlePaddle из Baidu разработала PP-YOLOE+ для достижения передовых показателей, специально оптимизировав модель для высокопроизводительных серверных развертываний.

• Авторы: авторы PaddlePaddle
• Организация: Baidu
• Дата: 2022-04-02
• Arxiv: 2203.16250
• GitHub: PaddlePaddle/PaddleDetection
• Документация: Конфигурация PP-YOLOE+

Узнай больше о PP-YOLOE+

В PP-YOLOE+ используется магистральная сеть CSPRepResNet, объединяющая сети с частичным разделением стадий и методы репараметризации для улучшения извлечения признаков без увеличения задержки инференса. Ее голова ET-head (эффективная голова, согласованная с задачей) значительно улучшает согласованность между задачами классификации и локализации. Кроме того, в модели применяется безъякорная архитектура в сочетании с динамическим назначением меток (TAL), что упрощает процесс обучения и улучшает обобщающую способность на различных наборах данных.

Метрики производительности и бенчмарки#

При выборе модели для инференса в реальном времени крайне важно оценивать баланс между средней точностью (mAP) и вычислительной скоростью. В таблице ниже приведены основные показатели производительности для обоих семейств моделей.

Как видно, PP-YOLOE+ обычно достигает более высоких пиковых показателей точности при сопоставимом количестве параметров, особенно в крупных вариантах (l и x). Модель хорошо оптимизирована для пропускной способности GPU, что делает ее отличным кандидатом для серверных развертываний пакетной обработки. В свою очередь, небольшие модели EfficientDet обеспечивают очень эффективное соотношение числа параметров и FLOP, что может быть особенно полезно в средах с крайне ограниченным объемом памяти.

Идеальные сценарии использования и стратегии развёртывания#

Выбор между этими архитектурами часто в значительной степени зависит от уже используемого технологического стека и оборудования для развертывания.

Когда выбирать EfficientDet:

• Рабочие процессы AutoML: если ты активно используешь экосистему Google и полагаешься на возможности автоматизированного поиска архитектуры.
• Периферийные устройства с ограниченными ресурсами: младшие модели (d0, d1) обеспечивают предсказуемую производительность на мобильных CPU, где размер модели является жестким ограничением.

Когда выбирать PP-YOLOE+:

• Высокопроизводительные серверы с GPU: сценарии, требующие максимальной пропускной способности на оборудовании NVIDIA, например обработка сотен параллельных видеопотоков для наблюдения за умным городом.
• Экосистема PaddlePaddle: если твоя команда разработки уже использует фреймворк глубокого обучения Baidu, интеграция PP-YOLOE+ пройдет без проблем.

Преимущество Ultralytics: знакомство с YOLO26#

Хотя EfficientDet и PP-YOLOE+ — мощные модели, стремительный темп развития AI требует решений, которые сочетают передовую производительность с непревзойденной простотой использования. Именно здесь Ultralytics YOLO26 превосходит конкурентов, становясь оптимальным выбором для современных приложений компьютерного зрения.

Выпущенная в 2026 году, YOLO26 полностью переосмысливает обнаружение объектов в реальном времени благодаря встроенной сквозной архитектуре без NMS. Устраняя постобработку с подавлением немаксимумов — постоянное узкое место старых моделей, — YOLO26 значительно упрощает развертывание и уменьшает дрожание задержки инференса.

Кроме того, YOLO26 специально оптимизирована для периферийных развертываний. Удаление Distribution Focal Loss (DFL) упрощает экспорт в такие форматы, как ONNX и TensorRT, обеспечивая до 43% более быстрый инференс на CPU по сравнению с предыдущими поколениями. Это делает модель исключительно эффективной для IoT-устройств с питанием от аккумулятора.

Разработчики также могут использовать расширенные функции потерь YOLO26, включая ProgLoss + STAL, которые демонстрируют значительное улучшение распознавания малых объектов — критически важное требование для аэрофотосъемки и приложений точного земледелия.

Простое развертывание с Ultralytics#

Истинная сила Ultralytics заключается в единой экосистеме. В отличие от моделей, требующих сложных специализированных скриптов обучения, YOLO26 предлагает невероятно упрощенный API. Для обучения модели на собственном наборе данных достаточно всего нескольких строк кода на Python:

from ultralytics import YOLO

# Load a pre-trained YOLO26 model
model = YOLO("yolo26n.pt")

# Train the model on the COCO8 dataset
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run an inference on a new image
predictions = model("https://ultralytics.com/images/bus.jpg")

# Export to ONNX format for deployment
model.export(format="onnx")

Если тебе требуется стандартное обнаружение или специализированные задачи, такие как сегментация экземпляров и оценка позы, YOLO26 поддерживает их из коробки с помощью многомасштабных прототипов и оценки остаточного логарифмического правдоподобия (RLE) — все это в рамках того же удобного для пользователя фреймворка.

Другие примечательные модели#

Если ты оцениваешь архитектуры для конкретных корпоративных требований, стоит также рассмотреть предыдущее поколение — Ultralytics YOLO11, которое остается надежной, проверенной в производстве рабочей моделью. Для приложений, где предпочтительны архитектуры на основе Transformer, RT-DETR предлагает интересную альтернативу, хотя во время обучения обычно требует больше памяти CUDA по сравнению с высокоэффективными вариантами YOLO.

В заключение: EfficientDet предлагает обоснованное масштабирование, а PP-YOLOE+ обеспечивает отличную пропускную способность GPU в рамках своей экосистемы, но Ultralytics YOLO26 предоставляет наиболее сбалансированное, универсальное и удобное для разработчиков решение на сегодняшний день. Его встроенная сквозная архитектура и широкие возможности интеграции делают его рекомендуемой основой для следующего поколения AI в области компьютерного зрения.