EfficientDet и YOLO11
Выбор подходящей архитектуры нейронной сети — основа любого успешного приложения компьютерного зрения. В этом руководстве проводится техническое сравнение EfficientDet от Google и Ultralytics YOLO11: анализируются различия архитектур, показатели производительности и наиболее подходящие сценарии развёртывания.
Разбираешься ли ты с миллисекундной задержкой на устройствах периферийного ИИ или нуждаешься в масштабируемой точности для облачного инференса — понимание различий между этими моделями поможет сделать выбор.
Профили моделей и технические характеристики#
Понимание происхождения и принципов проектирования каждой архитектуры помогает оценить её производительность в реальных задачах обнаружения объектов.
EfficientDet#
EfficientDet разработали исследователи из Google Brain. Эта модель предложила системный подход к масштабированию сетей для обнаружения объектов и новую сеть BiFPN (двунаправленная сеть пирамиды признаков).
- Авторы: Mingxing Tan, Ruoming Pang и Quoc V. Le
- Организация: Google
- Дата: 2019-11-20
- arXiv: https://arxiv.org/abs/1911.09070
- GitHub: https://github.com/google/automl/tree/master/efficientdet
- Документация: https://github.com/google/automl/tree/master/efficientdet#readme
YOLO11#
YOLO11 — значительный шаг вперёд для экосистемы Ultralytics: модель улучшает производительность в реальном времени, эффективность использования параметров и многозадачное обучение.
- Авторы: Glenn Jocher и Jing Qiu
- Организация: Ultralytics
- Дата: 2024-09-27
- GitHub: https://github.com/ultralytics/ultralytics
- Документация: https://docs.ultralytics.com/models/yolo11
Сравнение архитектур#
Различия в архитектуре этих моделей показывают, как за прошедшие годы разошлись стратегии их проектирования.
EfficientDet использует в качестве базовой сети EfficientNet и представляет BiFPN, который объединяет многомасштабные признаки сверху вниз и снизу вверх. Метод составного масштабирования одновременно и единообразно меняет разрешение, глубину и ширину базовой сети, сети признаков и сетей предсказания рамок и классов. Несмотря на высокую эффективность в повышении средней точности (mAP), сложная маршрутизация в BiFPN иногда может создавать узкое место для пропускной способности памяти во время инференса.
YOLO11, напротив, использует оптимизированный модуль C3k2 и голову обнаружения без якорей. Такой упрощённый подход снижает накладные расходы при извлечении признаков. Инженеры Ultralytics разработали YOLO11 для максимальной загрузки оборудования GPU, благодаря чему требования к памяти при обучении и инференсе значительно ниже, чем у старых архитектур и тяжёлых моделей на основе Transformer.
EfficientDet предназначен исключительно для обнаружения объектов, тогда как YOLO11 отличается высокой универсальностью. Одна архитектура YOLO11 изначально поддерживает сегментацию экземпляров, классификацию изображений, оценку позы и ориентированные ограничивающие рамки (OBB).
Тесты производительности#
В таблице ниже сравнивается производительность обоих семейств моделей разных масштабов на наборе данных COCO.
| 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 |
| YOLO11n | 640 | 39.5 | 56.1 | 1.5 | 2.6 | 6.5 |
| YOLO11s | 640 | 47.0 | 90.0 | 2.5 | 9.4 | 21.6 |
| YOLO11m | 640 | 51.5 | 183.2 | 4.7 | 20.1 | 68.1 |
| YOLO11l | 640 | 53.4 | 238.6 | 6.2 | 25.3 | 87.2 |
| YOLO11x | 640 | 54.7 | 462.8 | 11.3 | 56.9 | 195.3 |
Сбалансированный анализ: сильные и слабые стороны#
YOLO11 лидирует в средах с GPU. Например, YOLO11m обеспечивает mAP 51,5% за 4,7 мс на GPU T4 с использованием TensorRT. Для достижения такой же точности EfficientDet-d5 требуется 67,86 мс — более чем в 14 раз больше. Это показывает, насколько хорошо модели Ultralytics сочетают производительность для приложений реального времени.
Методика обучения и экосистема#
Удобство разработки зачастую не менее важно, чем теоретические возможности модели. Именно здесь экосистема Ultralytics выделяется на фоне остальных.
EfficientDet во многом зависит от устаревшей экосистемы TensorFlow и сложных библиотек AutoML. Настройка собственного конвейера обучения требует серьёзного погружения, сложного управления зависимостями и ручной конфигурации якорей и функций потерь.
Ultralytics, напротив, создана для простоты использования. Благодаря хорошо поддерживаемой экосистеме PyTorch обучение модели YOLO требует всего нескольких строк кода. Фреймворк автоматически управляет аугментацией данных и планированием скорости обучения, а также включает встроенную функцию подбора гиперпараметров.
Пример кода: начало работы с Ultralytics#
Этот фрагмент кода показывает, насколько просто обучать модель и запускать инференс с помощью Python API.
from ultralytics import YOLO
# Загрузка предварительно обученной облегчённой модели YOLO11
model = YOLO("yolo11s.pt")
# Обучи модель на собственном датасете
train_results = model.train(data="coco8.yaml", epochs=50, imgsz=640, device=0)
# Выполнение быстрого инференса на изображении
results = model.predict("https://ultralytics.com/images/bus.jpg")
results[0].show()Оптимальные сценарии применения#
Когда использовать EfficientDet: EfficientDet по-прежнему подходит для исследовательских сред, в которых широко используются конвейеры TensorFlow.
Когда использовать YOLO11: YOLO11 — отличный выбор для современных корпоративных развёртываний. Благодаря высокой скорости модель хорошо подходит для автономных транспортных средств, спортивной аналитики в реальном времени и обнаружения производственных дефектов при высокой пропускной способности. Низкое потребление памяти также позволяет гибко развёртывать её на оборудовании с ограниченными ресурсами, например NVIDIA Jetson.
Что дальше: переход на YOLO26#
Несмотря на широкие возможности YOLO11, разработчикам новых проектов стоит рассмотреть недавно выпущенную YOLO26, а проверенная временем YOLOv8 остаётся доступной для существующих развёртываний. Выпущенная в январе 2026 года, YOLO26 развивает основу YOLO11 и представляет несколько нововведений:
- Сквозная архитектура без NMS: Развивая идеи YOLOv10, YOLO26 может полностью пропускать постобработку с подавлением немаксимумов (NMS) благодаря опциональной голове с назначением один-к-одному (
nms=False), снижая задержку и упрощая конвейеры развёртывания. - Оптимизатор MuSGD: Гибридный оптимизатор, сочетающий стандартный SGD и Muon (вдохновлённый обучением больших языковых моделей), повышает стабильность обучения.
- Инференс на CPU до 43% быстрее: YOLO26n работает на CPU до 43% быстрее YOLO11n, поэтому YOLO26 хорошо подходит для периферийных устройств без дискретных GPU.
- ProgLoss + STAL: Прогрессивная функция потерь и назначение меток с учётом малых объектов улучшают обнаружение небольших объектов, что особенно важно для аэрофотоснимков и робототехники.
Изучи более широкий спектр архитектур компьютерного зрения, включая детекторы на основе Transformer, такие как RT-DETR, в документации Ultralytics.
Комментарии
Задай вопрос, поделись результатами или помоги кому-нибудь.