EfficientDet vs. YOLO11: баланс эффективности и производительности в реальном времени

Ландшафт object detection быстро развивался, что было обусловлено потребностью в моделях, которые были бы не только точными, но и достаточно эффективными для развертывания в реальных условиях. Двумя важными вехами в этой эволюции являются EfficientDet от Google и Ultralytics YOLO11. Хотя обе архитектуры направлены на оптимизацию компромисса между скоростью и точностью, они подходят к проблеме с разными философиями проектирования и ориентированы на разные основные варианты использования.

EfficientDet произвел революцию в этой области, представив систематический метод масштабирования размеров модели, уделяя особое внимание эффективности параметров и теоретическим вычислительным затратам (FLOPs). В отличие от этого, YOLO11 представляет собой передовой уровень компьютерного зрения в реальном времени, уделяя приоритетное внимание практической скорости логического вывода на современном оборудовании, универсальности задач и удобству для разработчиков. Это всестороннее сравнение углубляется в их технические характеристики, архитектурные инновации и эталонные показатели производительности, чтобы помочь вам выбрать правильный инструмент для вашего проекта.

EfficientDet от Google

EfficientDet — это семейство моделей detect объектов, разработанных командой Google Brain. Выпущенный в конце 2019 года, он был разработан для решения проблемы неэффективности предыдущих современных детекторов, которые часто полагались на массивные backbone или неоптимизированные сети слияния признаков.

Технические детали:

• Авторы: Мингксинг Тан, Руоминг Панг, Куок В. Ле
• Организация:Google
• Дата: 20.11.2019
• Arxiv:EfficientDet: Масштабируемое и эффективное обнаружение объектов
• GitHub:google/automl/efficientdet
• Документация:EfficientDet README

Архитектура и Ключевые Инновации

Успех EfficientDet заключается в двух основных архитектурных вкладах, которые работают в тандеме для максимального повышения эффективности:

1. BiFPN (Bi-directional Feature Pyramid Network): Традиционные Feature Pyramid Networks (FPN) объединяли признаки из разных масштабов сверху вниз. EfficientDet представила BiFPN, которая позволяет информации перемещаться как сверху вниз, так и снизу вверх. Кроме того, она использует механизм взвешенного объединения признаков, определяя важность каждого входного признака, что позволяет сети уделять приоритетное внимание более информативным сигналам.
2. Compound Scaling: Вдохновленный EfficientNet, этот метод создает семейство моделей (от D0 до D7), равномерно масштабируя разрешение, глубину и ширину backbone, сети признаков и сетей предсказаний. Это гарантирует, что по мере роста модель поддерживает баланс между различными компонентами, оптимизируя FLOPs и количество параметров.

Сильные и слабые стороны

EfficientDet известен своей высокой эффективностью параметров, достигая конкурентоспособных показателей mAP^val со значительно меньшим количеством параметров, чем многие его современники. Его масштабируемость позволяет исследователям выбирать размер модели, который точно соответствует их теоретическому вычислительному бюджету.

Однако, теоретическая эффективность не всегда приводит к практической скорости. Обширное использование depth-wise separable convolutions и сложная связность BiFPN могут привести к снижению использования GPU. Следовательно, задержка inference на GPU часто выше по сравнению с моделями, оптимизированными для параллельной обработки, такими как серия YOLO. Кроме того, EfficientDet является строго детектором объектов, не имеющим встроенной поддержки других задач компьютерного зрения, таких как instance segmentation или оценка позы, в рамках одной и той же кодовой базы.

Идеальные варианты использования

• Edge AI на CPUs: Устройства, где память является жестким ограничением и ускорение GPU недоступно.
• Академические исследования: Исследования, посвященные эффективности нейронных сетей и законам масштабирования.
• Приложения с низким энергопотреблением: Сценарии, в которых минимизация потребления заряда батареи (связанного с FLOPs) более важна, чем необработанная задержка.

Узнайте больше об EfficientDet

Ultralytics YOLO11

Ultralytics YOLO11 — это последняя итерация в известной серии YOLO (You Only Look Once). Она опирается на наследие производительности в реальном времени, представляя архитектурные усовершенствования, которые расширяют границы точности, сохраняя при этом молниеносную скорость inference, которую ожидают разработчики.

Технические детали:

• Авторы: Гленн Джохер, Цзин Цю
• Организация:Ultralytics
• Дата: 2024-09-27
• GitHub:ultralytics/ultralytics
• Документация:Документация YOLO11

Архитектура и особенности

В YOLO11 используется современная anchor-free головка обнаружения, устраняющая необходимость в ручной настройке anchor box и упрощающая процесс обучения. Ее архитектуры backbone и neck были оптимизированы для улучшения возможностей извлечения признаков, повышения производительности при решении сложных задач, таких как обнаружение мелких объектов и загроможденные сцены.

В отличие от основного внимания EfficientDet к сокращению FLOP, YOLO11 разработан для аппаратно-ориентированной эффективности. Это означает, что его слои и операции выбираются для максимального увеличения пропускной способности на GPU и NPU ускорителях.

Сильные и слабые стороны

Основным преимуществом YOLO11 является исключительный баланс между скоростью и точностью. Она обеспечивает современную точность, которая конкурирует с более крупными моделями или превосходит их, при этом работая с меньшей задержкой. Это делает ее идеальной для приложений инференса в реальном времени. Кроме того, экосистема Ultralytics обеспечивает простоту использования благодаря унифицированному API, что делает обучение и развертывание беспроблемными.

Стоит учитывать, что самые маленькие варианты YOLO11, несмотря на свою невероятную скорость, могут незначительно уступать в точности самым большим и ресурсоемким моделям, доступным в научных кругах. Однако для практического применения этот компромисс почти всегда выгоден.

Идеальные варианты использования

• Автономные системы: Восприятие в реальном времени для робототехники и автономных транспортных средств.
• Промышленная автоматизация: Высокоскоростной контроль качества производства и detect дефектов.
• Умные города: Эффективный мониторинг трафика и охранное наблюдение.
• Интерактивные приложения: Мобильные приложения, требующие мгновенной визуальной обратной связи.

Узнайте больше о YOLO11

Сравнение производительности

При сравнении EfficientDet и YOLO11 наиболее заметное различие заключается в скорости инференса, особенно на оборудовании GPU. Хотя модели EfficientDet (D0-D7) демонстрируют хорошую эффективность параметров, их сложные операции (например, BiFPN) не позволяют им в полной мере использовать возможности параллельной обработки.

Как показано в таблице ниже, YOLO11n достигает более высокого mAP (39.5), чем EfficientDet-d0 (34.6), при этом значительно быстрее. Что еще более впечатляюще, YOLO11m соответствует точности гораздо более тяжелого EfficientDet-d5 (51.5 mAP), но работает примерно в 14 раз быстрее на T4 GPU (4.7 мс против 67.86 мс). Это огромное преимущество в скорости позволяет YOLO11 обрабатывать видеопотоки высокого разрешения в режиме реального времени, что является сложной задачей для EfficientDet моделей более высокого уровня.

Преимущество Ultralytics

Хотя технические показатели имеют решающее значение, опыт разработчиков и поддержка экосистемы одинаково важны для успеха проекта. Ultralytics предоставляет комплексный набор инструментов, который упрощает весь жизненный цикл MLOps, предлагая явные преимущества по сравнению с ориентированным на исследования репозиторием EfficientDet.

• Простота использования: Ultralytics Python API и CLI разработаны для простоты. Вы можете загрузить, обучить и развернуть современную модель всего в несколько строк кода, тогда как EfficientDet часто требует сложных файлов конфигурации и управления зависимостями в TensorFlow.
• Хорошо поддерживаемая экосистема: Модели Ultralytics поддерживаются активным сообществом и частыми обновлениями. От репозитория GitHub до обширной документации, разработчики имеют доступ к множеству ресурсов, учебных пособий и каналов поддержки.
• Эффективность обучения: YOLO11 оптимизирован для быстрой сходимости. Он поддерживает эффективную загрузку данных и стратегии аугментации, которые сокращают время обучения. Кроме того, его более низкие требования к памяти по сравнению со старыми архитектурами или моделями на основе трансформеров позволяют проводить обучение на GPU потребительского класса без нехватки памяти CUDA.
• Гибкость развертывания: Фреймворк изначально поддерживает экспорт моделей в различные форматы, включая ONNX, TensorRT, CoreML и OpenVINO. Это гарантирует, что ваша модель YOLO11 может быть развернута где угодно, от облачных серверов до периферийных устройств, таких как Raspberry Pi.

Практическое знакомство с YOLO11

Оцените простоту API Ultralytics. В следующем примере показано, как загрузить предварительно обученную модель YOLO11 и запустить логический вывод на изображении:

from ultralytics import YOLO

# Load a pre-trained YOLO11n model
model = YOLO("yolo11n.pt")

# Run inference on an image source
results = model("path/to/image.jpg")

# Display the results
results[0].show()

Заключение

И EfficientDet, и YOLO11 являются знаковыми достижениями в области компьютерного зрения. EfficientDet остается ценным эталоном для масштабируемой архитектуры и подходит для нишевых приложений, где теоретические FLOP являются основным ограничением.

Однако, для подавляющего большинства современных приложений компьютерного зрения, Ultralytics YOLO11 является превосходным выбором. Ее архитектура обеспечивает гораздо лучший баланс точности и скорости, особенно на GPU оборудовании, используемом в большинстве производственных сред. В сочетании с универсальным многозадачным фреймворком, надежной экосистемой и непревзойденной простотой использования, YOLO11 позволяет разработчикам уверенно создавать и развертывать высокопроизводительные решения на основе искусственного интеллекта.

Изучите другие сравнения

Чтобы лучше понимать ландшафт моделей обнаружения объектов, рассмотрите возможность изучения этих дополнительных сравнений:

• YOLO11 vs. YOLOv10
• YOLO11 vs. RT-DETR
• YOLO11 против YOLOv9
• YOLOv8 vs. EfficientDet
• YOLOX в сравнении с EfficientDet

Комментарии