Link to this sectionEfficientDet против YOLO11: подробное техническое сравнение#

Выбор оптимальной архитектуры нейронной сети — основа любого успешного приложения для компьютерного зрения. В этом подробном руководстве представлено углубленное техническое сравнение EfficientDet от Google и Ultralytics YOLO11, в котором анализируются их архитектурные различия, показатели производительности и сценарии для развертывания.

Независимо от того, стремишься ли ты к миллисекундной задержке на устройствах Edge AI или тебе требуется масштабируемая точность для облачного инференса, понимание нюансов этих моделей имеет решающее значение.

Link to this sectionПрофили моделей и технические детали#

Понимание истории и базовой философии проектирования каждой архитектуры помогает связать их производительность с реальными задачами обнаружения объектов.

Link to this sectionEfficientDet#

Разработанная исследователями из Google Brain, модель EfficientDet представила принципиальный подход к масштабированию сетей обнаружения объектов наряду с новой технологией BiFPN (двунаправленная пирамидальная сеть признаков).

• Авторы: Минсин Тан, Руомин Пан и Куок В. Ле
• 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

Узнай больше об EfficientDet

Link to this sectionYOLO11#

YOLO11 представляет собой значительную эволюцию в экосистеме Ultralytics, расширяя границы производительности в реальном времени, эффективности параметров и многозадачного обучения.

• 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/

Узнай больше о YOLO11

Link to this sectionАрхитектурное сравнение#

Архитектурные различия между этими двумя моделями подчеркивают расхождение в стратегиях проектирования на протяжении многих лет.

EfficientDet использует бэкбон EfficientNet и внедряет BiFPN, что позволяет объединять признаки разных масштабов как сверху вниз, так и снизу вверх. Модель использует метод составного масштабирования, который равномерно масштабирует разрешение, глубину и ширину для всех сетей бэкбона, признаков и предсказания рамок/классов одновременно. Хотя это весьма эффективно для максимизации средней точности (mAP), сложная маршрутизация в BiFPN иногда может создавать узкое место в пропускной способности памяти во время инференса.

YOLO11, с другой стороны, использует оптимизированный модуль C3k2 и продвинутую «безъякорную» (anchor-free) голову детектирования. Такой оптимизированный подход минимизирует накладные расходы при извлечении признаков. Ultralytics спроектировали YOLO11 так, чтобы максимизировать использование оборудования GPU, что приводит к значительно меньшим требованиям к памяти как во время обучения, так и во время инференса по сравнению со старыми архитектурами или тяжелыми моделями трансформеров.

Link to this sectionТесты производительности#

В таблице ниже приведено сравнение производительности обеих семейств моделей в разных масштабах на наборе данных COCO.

Link to this sectionСбалансированный анализ: сильные и слабые стороны#

Ускорение на GPU: YOLO11 доминирует в средах с GPU. Например, YOLO11m выдает mAP 51.5% при молниеносных 4.7 мс на GPU T4 с использованием TensorRT. Чтобы достичь сопоставимой точности, EfficientDet-d5 требуется 67.86 мс — это более чем в 14 раз медленнее. Это подчеркивает превосходный баланс производительности моделей Ultralytics для приложений реального времени.

Среды CPU: EfficientDet демонстрирует высокооптимизированную скорость инференса на CPU в своих меньших вариантах (таких как d0 и d1) с использованием ONNX. Однако его точность плохо масштабируется без значительных потерь в задержке GPU в более крупных вариантах, таких как d7.

Link to this sectionМетодология обучения и экосистема#

Опыт разработчика зачастую так же важен, как и теоретические возможности модели. Именно здесь экосистема Ultralytics показывает себя с лучшей стороны.

EfficientDet сильно опирается на устаревшую экосистему TensorFlow и сложные библиотеки AutoML. Настройка конвейера пользовательского обучения включает крутую кривую обучения, сложное управление зависимостями и ручную конфигурацию якорей и функций потерь.

Напротив, Ultralytics предлагает непревзойденную простоту использования. Благодаря хорошо поддерживаемой экосистеме PyTorch, для обучения модели YOLO требуется всего несколько строк кода. Платформа автоматически управляет настройкой гиперпараметров, расширенной аугментацией данных и оптимальным планированием скорости обучения прямо «из коробки».

Link to this sectionПример кода: начало работы с Ultralytics#

Этот надежный, готовый к эксплуатации фрагмент кода демонстрирует, насколько простыми являются обучение и инференс в рамках Python API.

from ultralytics import YOLO

# Load a pre-trained YOLO11 small model
model = YOLO("yolo11s.pt")

# Train the model on your custom dataset with automated hyperparameter tuning
train_results = model.train(data="coco8.yaml", epochs=50, imgsz=640, device=0)

# Perform fast inference on an image
results = model.predict("https://ultralytics.com/images/bus.jpg")
results[0].show()

Link to this sectionИдеальные варианты использования#

Когда использовать EfficientDet: EfficientDet остается жизнеспособным выбором для исследовательских сред, сильно зависимых от конвейеров TensorFlow или специфических ограничений CPU, где ранние архитектуры, такие как d0, работают достаточно хорошо.

Когда использовать YOLO11: YOLO11 — это окончательный выбор для современных корпоративных развертываний. Его исключительная скорость делает его идеальным для автономных транспортных средств, спортивной аналитики в реальном времени и высокопроизводительного обнаружения дефектов на производстве. Кроме того, низкое потребление памяти позволяет гибко развертывать его на оборудовании с ограниченными ресурсами, таком как NVIDIA Jetson.

Link to this sectionВзгляд в будущее: обновление YOLO26#

Хотя YOLO11 исключительно способна, разработчикам, начинающим новые проекты, следует оценить другие архитектуры Ultralytics, такие как проверенная YOLOv8 или недавно выпущенная YOLO26. Выпущенная в начале 2026 года, YOLO26 берет за основу YOLO11 и внедряет несколько революционных инноваций:

• Сквозной дизайн без NMS: Развивая наследие YOLOv10, YOLO26 полностью устраняет не-максимальное подавление (NMS) при постобработке, сокращая задержку и упрощая конвейеры развертывания.
• Оптимизатор MuSGD: Гибридный оптимизатор, сочетающий стандартный SGD с Muon (вдохновленный обучением больших языковых моделей), что значительно повышает стабильность обучения.
• До 43% быстрее инференс на CPU: Специфические оптимизации делают YOLO26 невероятно мощной на edge-устройствах, у которых нет дискретных GPU.
• ProgLoss + STAL: Продвинутые функции потерь, которые значительно улучшают обнаружение мелких объектов, что критически важно для аэрофотосъемки и робототехники.

Изучи более широкий ландшафт архитектур компьютерного зрения, включая детекторы на базе трансформеров, такие как RT-DETR, в нашей подробной документации Ultralytics.