Начать

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).

Подробнее об EfficientDet

YOLO11#

YOLO11 — значительный шаг вперёд для экосистемы Ultralytics: модель улучшает производительность в реальном времени, эффективность использования параметров и многозадачное обучение.

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.

Универсальность для нескольких задач

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.

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
YOLO11n64039.556.11.52.66.5
YOLO11s64047.090.02.59.421.6
YOLO11m64051.5183.24.720.168.1
YOLO11l64053.4238.66.225.387.2
YOLO11x64054.7462.811.356.9195.3

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.

Участники

Комментарии

Задай вопрос, поделись результатами или помоги кому-нибудь.