Начать

EfficientDet и PP-YOLOE+

Эволюция моделей обнаружения объектов постоянно меняла компьютерное зрение. Два важных этапа — EfficientDet от Google и PP-YOLOE+ от Baidu. Обе архитектуры уравновешивают вычислительную эффективность и точность обнаружения, но используют принципиально разные подходы к проектированию.

В этом руководстве рассматриваются архитектуры, методы обучения и сценарии развертывания в реальных условиях, чтобы помочь тебе выбрать подходящую нейронную сеть для следующего приложения в области компьютерного зрения.

Архитектурные инновации и подходы к проектированию#

Понимание базовой архитектуры этих моделей крайне важно для их эффективного развертывания в производственной среде — как на периферийных устройствах, так и на облачных серверах.

EfficientDet: возможности составного масштабирования#

Разработанная Google Research модель EfficientDet изменила подход к масштабированию детекторов, заменив импровизированное масштабирование продуманным методом составного масштабирования.

Подробнее об EfficientDet

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

Масштабирование EfficientDet

При развертывании EfficientDet тщательно учитывай целевое оборудование. Модель d0 подходит для мобильных устройств, а для масштабирования до d7 потребуются значительные объемы памяти GPU и вычислительные мощности.

PP-YOLOE+: расширяя возможности PaddlePaddle#

Развивая успех предшественников, PP-YOLOE+ была создана командой PaddlePaddle в Baidu для обеспечения высокой точности и оптимизирована для высокопроизводительного развертывания на серверах.

Узнай больше о PP-YOLOE+

В PP-YOLOE+ используется базовая сеть CSPRepResNet, которая сочетает сети Cross Stage Partial с методами репараметризации, чтобы улучшить извлечение признаков без увеличения задержки инференса. Ее голова ET (эффективная голова, согласованная с задачей) значительно улучшает согласование задач классификации и локализации. Кроме того, модель использует безанкорную архитектуру и динамическое назначение меток (TAL), что упрощает обучение и улучшает обобщающую способность на различных наборах данных.

Показатели производительности и результаты тестирования#

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

Модельразмер
(пиксели)
mAPval50-95Скорость
CPU ONNX
(мс)
Скорость
T4 TensorRT10
(мс)
параметры
(M)
FLOPs
(B)
EfficientDet-d051234.6-3.923.92.54
EfficientDet-d164040.5-7.316.66.1
EfficientDet-d276843.0-10.928.111.0
EfficientDet-d389647.5-19.5912.024.9
EfficientDet-d4102449.7-33.5520.755.2
EfficientDet-d5128051.5-67.8633.7130.0
EfficientDet-d6128052.6-89.2951.9226.0
EfficientDet-d7153653.7-128.0751.9325.0
PP-YOLOE+t64039.9-2.844.8519.15
PP-YOLOE+s64043.7-2.627.9317.36
PP-YOLOE+m64049.8-5.5623.4349.91
PP-YOLOE+l64052.9-8.3652.2110.07
PP-YOLOE+x64054.7-14.398.42206.59

Как видно, PP-YOLOE+ обычно обеспечивает более высокую точность при одинаковом количестве параметров, особенно в крупных вариантах (l и x). Модель оптимизирована для пропускной способности GPU и хорошо подходит для пакетной обработки на серверах. У небольших моделей EfficientDet, напротив, очень мало параметров и FLOPs, что может быть преимуществом в средах с крайне ограниченной памятью.

Оптимальные сценарии применения и стратегии развёртывания#

Выбор между этими архитектурами часто зависит от имеющегося 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: модели начального уровня (d0, d1) имеют небольшое количество параметров (3,9 млн и 6,6 млн), поэтому подходят для устройств со строгими ограничениями на размер модели.

Когда выбирать PP-YOLOE+:

  • Высокопроизводительные серверы с GPU: сценарии, требующие максимальной пропускной способности на оборудовании NVIDIA, например обработка сотен одновременных видеопотоков для наблюдения за умным городом.
  • Экосистема PaddlePaddle: Если команда разработчиков уже использует фреймворк глубокого обучения Baidu, интегрировать PP-YOLOE+ будет просто.

Преимущества Ultralytics: знакомство с YOLO26#

Хотя EfficientDet и PP-YOLOE+ — мощные модели, современным проектам нужны решения, сочетающие высокую производительность и простоту использования. Именно здесь Ultralytics YOLO26 выделяется как рекомендуемый выбор для современных задач компьютерного зрения.

Выпущенная в январе 2026 года модель YOLO26 получила встроенную архитектуру сквозной обработки без NMS. Благодаря возможности пропускать постобработку методом подавления немаксимумов (NMS) (nms=False), которая долгое время была узким местом старых моделей, YOLO26 упрощает развертывание и снижает колебания задержки инференса.

YOLO26 также оптимизирована для развертывания на периферийных устройствах. Отказ от Distribution Focal Loss (DFL) упрощает экспорт в такие форматы, как ONNX и TensorRT, а YOLO26n обеспечивает до 43% более быстрый инференс на CPU, чем YOLO11n. Благодаря этому модель отлично подходит для IoT-устройств с питанием от аккумулятора.

Стабильность обучения с MuSGD

В YOLO26 используется оптимизатор MuSGD — гибрид SGD и Muon. Этот оптимизатор, вдохновленный достижениями в обучении LLM, обеспечивает стабильное обучение и быструю сходимость, экономя часы вычислений на GPU.

Разработчикам также полезны прогрессивная функция потерь YOLO26 и стратегия назначения меток с учетом малых объектов (ProgLoss + STAL): они улучшают распознавание мелких объектов, что особенно важно для аэросъемки и точного земледелия.

Развёртывание с Ultralytics#

Главное преимущество Ultralytics — единая экосистема. В отличие от моделей, для которых нужны сложные специализированные скрипты обучения, YOLO26 предлагает простой API. Чтобы обучить модель на собственном наборе данных, достаточно нескольких строк кода на Python:

from ultralytics import YOLO

# Загрузи предварительно обученную модель YOLO26
model = YOLO("yolo26n.pt")

# Обучи модель на датасете COCO8
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Запусти инференцию на новом изображении
predictions = model("https://ultralytics.com/images/bus.jpg")

# Экспортируем в формат ONNX для развертывания
model.export(format="onnx")

YOLO26 из коробки поддерживает как стандартное обнаружение объектов, так и специализированные задачи, например сегментацию экземпляров и оценку позы, благодаря многомасштабным прототипам и оценке остаточного логарифмического правдоподобия (RLE). Все это доступно в рамках одной удобной для пользователя платформы.

Другие примечательные модели#

Если ты выбираешь архитектуру под конкретные требования предприятия, стоит также рассмотреть предыдущее поколение — Ultralytics YOLO11, надежную модель, проверенную в производственной эксплуатации. Для задач, в которых предпочтительны архитектуры на основе Transformer, интересной альтернативой станет RT-DETR, хотя для обучения ей обычно требуется больше памяти CUDA, чем более эффективным вариантам YOLO.

Подводя итог: EfficientDet предлагает обоснованный подход к масштабированию, а PP-YOLOE+ — высокую пропускную способность GPU в рамках своей экосистемы. Однако Ultralytics YOLO26 сегодня обеспечивает наиболее сбалансированное, универсальное и удобное для разработчиков решение. Ее сквозная архитектура и широкие возможности интеграции делают модель рекомендуемой основой для ИИ следующего поколения в области компьютерного зрения.

Комментарии

Задай вопрос, поделись результатами или помоги кому-нибудь.