EfficientDet и YOLO11#

Выбор оптимальной архитектуры нейронной сети — основа любого успешного приложения для компьютерного зрения. В этом подробном руководстве проводится углублённое техническое сравнение EfficientDet от Google и Ultralytics YOLO11: анализируются различия в архитектуре, показатели производительности и оптимальные сценарии развёртывания.

Независимо от того, нужно ли тебе добиться задержки в миллисекунды на устройствах периферийного ИИ или обеспечить масштабируемую точность для инференса в облаке, важно понимать особенности этих моделей.

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

Подробнее об EfficientDet

YOLO11#

YOLO11 — значительный шаг вперёд для экосистемы Ultralytics: эта модель расширяет границы производительности в реальном времени, эффективности использования 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

Сравнение архитектур#

Различия в архитектуре этих моделей показывают, как за прошедшие годы разошлись стратегии их проектирования.

EfficientDet использует в качестве базовой сети EfficientNet и предлагает BiFPN, которая объединяет многомасштабные признаки сверху вниз и снизу вверх. В модели применяется метод составного масштабирования, равномерно изменяющий разрешение, глубину и ширину базовой сети, сети признаков и сетей предсказания рамок и классов. Хотя этот подход очень эффективен для максимизации средней точности (mAP), сложная маршрутизация в BiFPN иногда становится узким местом для пропускной способности памяти во время инференса.

YOLO11, напротив, использует оптимизированный модуль C3k2 и усовершенствованную голову обнаружения без якорей. Такой упрощённый подход сокращает накладные расходы при извлечении признаков. Инженеры Ultralytics разработали YOLO11 для максимально эффективного использования GPU, благодаря чему при обучении и инференсе требуется значительно меньше памяти, чем старым архитектурам и крупным моделям на основе трансформеров.

Тесты производительности#

В таблице ниже сравнивается производительность обоих семейств моделей разных масштабов на наборе данных COCO.

Сбалансированный анализ: сильные и слабые стороны#

Ускорение на GPU: YOLO11 превосходит конкурентов в средах с GPU. Например, YOLO11m достигает mAP 51.5% за рекордные 4.7 мс на GPU T4 с использованием TensorRT. Чтобы добиться сопоставимой точности, EfficientDet-d5 требуется 67.86 мс — более чем в 14 раз дольше. Это демонстрирует превосходный баланс производительности моделей Ultralytics для приложений реального времени.

Среды с CPU: небольшие варианты EfficientDet (например, d0 и d1) обеспечивают хорошо оптимизированный инференс на CPU с использованием ONNX. Однако при переходе к крупным вариантам, например d7, точность растёт незначительно, тогда как задержка на GPU резко увеличивается.

Методика обучения и экосистема#

Удобство разработки часто не менее важно, чем теоретические возможности модели. Именно здесь проявляют себя преимущества экосистемы Ultralytics.

EfficientDet сильно зависит от устаревшей экосистемы TensorFlow и сложных библиотек AutoML. Настройка собственного конвейера обучения требует длительного освоения, кропотливого управления зависимостями и ручной настройки якорей и функций потерь.

В свою очередь, Ultralytics обеспечивает непревзойдённую простоту использования. Благодаря хорошо поддерживаемой экосистеме PyTorch для обучения модели YOLO достаточно всего нескольких строк кода. Фреймворк автоматически выполняет расширенную аугментацию данных и планирование скорости обучения, а также включает встроенную функцию подбора гиперпараметров.

Пример кода: начало работы с Ultralytics#

Этот надёжный пример кода, готовый к промышленной эксплуатации, показывает, насколько просто выполнять обучение и инференс через 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 остаётся подходящим вариантом для исследовательских сред, в которых активно используются конвейеры TensorFlow, или для сценариев с ограничениями по CPU, где достаточно ранних архитектур, например d0.

Когда использовать YOLO11: YOLO11 — очевидный выбор для современных корпоративных развёртываний. Исключительная скорость делает модель идеальной для автономных транспортных средств, спортивной аналитики в реальном времени и высокопроизводительного обнаружения производственных дефектов. Кроме того, низкое потребление памяти позволяет гибко развёртывать её на оборудовании с ограниченными ресурсами, например на NVIDIA Jetson.

Что дальше: переход на YOLO26#

Несмотря на высокие возможности YOLO11, разработчикам новых проектов стоит оценить и другие архитектуры Ultralytics, например проверенную временем YOLOv8 или недавно выпущенную YOLO26. Выпущенная в начале 2026 года YOLO26 развивает основу YOLO11 и представляет несколько революционных инноваций:

• Сквозная архитектура без NMS: продолжая традицию YOLOv10, YOLO26 может полностью пропускать постобработку с подавлением немаксимумов (NMS) благодаря дополнительной голове один-к-одному (nms=False), что сокращает задержку и упрощает конвейеры развёртывания.
• Оптимизатор MuSGD: гибридный оптимизатор, сочетающий стандартный SGD с Muon (вдохновлённый обучением больших языковых моделей) и значительно повышающий стабильность обучения.
• Инференс на CPU до 43% быстрее: специальные оптимизации делают YOLO26 чрезвычайно эффективной на периферийных устройствах без дискретных GPU.
• ProgLoss + STAL: усовершенствованные функции потерь значительно повышают точность обнаружения небольших объектов, что особенно важно для аэрофотоснимков и робототехники.

Изучи и другие архитектуры компьютерного зрения, включая детекторы на основе трансформеров, например RT-DETR, в нашей полной документации Ultralytics Docs.