EfficientDet и YOLO11#

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

Независимо от того, нужна ли тебе задержка в миллисекундах на устройствах периферийного ИИ или масштабируемая точность для облачного вывода, понимание особенностей этих моделей имеет решающее значение.

Профили моделей и технические детали#

Понимание происхождения и лежащей в основе философии проектирования каждой архитектуры помогает объяснить их производительность в реальных задачах обнаружения объектов.

EfficientDet#

Разработанная исследователями из Google Brain, EfficientDet предложила системный подход к масштабированию сетей обнаружения объектов, дополнив его новой двунаправленной пирамидальной сетью признаков (BiFPN).

• Авторы: Mingxing Tan, Ruoming Pang и Quoc V. Le
• Организация: Google
• Дата: 20.11.2019
• 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

YOLO11#

YOLO11 представляет собой значительный этап развития экосистемы Ultralytics, расширяя 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#

Архитектурные различия между этими двумя моделями подчеркивают расхождение в стратегиях проектирования, сформировавшееся с годами.

EfficientDet использует основу EfficientNet и вводит BiFPN, которая обеспечивает многоуровневое слияние признаков сверху вниз и снизу вверх. В ней применяется метод составного масштабирования, одновременно и равномерно изменяющий разрешение, глубину и ширину всех сетей основы, сети признаков и сетей предсказания рамок и классов. Несмотря на высокую эффективность в максимизации средней точности по усредненной полноте (mAP), сложная маршрутизация в BiFPN иногда может создавать узкое место для пропускной способности памяти во время вывода.

YOLO11, с другой стороны, использует оптимизированный модуль C3k2 и усовершенствованную голову обнаружения без якорей. Такой оптимизированный подход минимизирует накладные расходы при извлечении признаков. Ultralytics спроектировала YOLO11 для максимального использования аппаратных ресурсов GPU, что приводит к значительно меньшим требованиям к памяти во время обучения и вывода по сравнению со старыми архитектурами или тяжелыми моделями на основе трансформеров.

Сравнительные тесты производительности#

В таблице ниже сопоставляется производительность обоих семейств моделей в различных масштабах на наборе данных COCO.

Сбалансированный анализ: сильные и слабые стороны#

Ускорение на GPU: YOLO11 превосходит другие модели в средах с GPU. Например, YOLO11m достигает mAP 51,5% при впечатляющей задержке 4,7 мс на GPU T4 с использованием TensorRT. Для достижения сопоставимой точности EfficientDet-d5 требуется 67,86 мс — более чем в 14 раз больше. Это подчеркивает превосходный баланс производительности моделей Ultralytics для приложений реального времени.

Среды с CPU: EfficientDet демонстрирует высокооптимизированную скорость вывода на CPU в небольших вариантах (например, d0 и d1) с использованием ONNX. Однако в более крупных вариантах, таких как d7, его точность масштабируется плохо и сопровождается значительными потерями задержки на GPU.

Методология обучения и экосистема#

Удобство работы разработчика часто не менее важно, чем теоретические возможности модели. Именно здесь экосистема Ultralytics особенно эффективна.

EfficientDet в значительной степени опирается на устаревшую экосистему TensorFlow и сложные библиотеки AutoML. Настройка собственного конвейера обучения требует длительного освоения, тщательного управления зависимостями и ручной конфигурации якорей и функций потерь.

Ultralytics, напротив, предлагает непревзойденную простоту использования. Благодаря хорошо поддерживаемой экосистеме PyTorch обучение модели YOLO требует всего нескольких строк кода. Фреймворк автоматически управляет настройкой гиперпараметров, продвинутой аугментацией данных и оптимальным планированием скорости обучения сразу после установки.

Пример кода: начало работы с Ultralytics#

Этот надежный фрагмент кода, готовый для использования в продакшене, демонстрирует, насколько просты обучение и вывод 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()

Идеальные сценарии использования#

Когда использовать EfficientDet: EfficientDet остается подходящим выбором для исследовательских сред, глубоко интегрированных с конвейерами TensorFlow, или для конкретных задач с ограничениями по CPU, где ранние архитектуры, такие как d0, работают достаточно хорошо.

Когда использовать YOLO11: YOLO11 — очевидный выбор для современных корпоративных развертываний. Исключительная скорость делает его идеальным для автономных транспортных средств, спортивной аналитики в реальном времени и высокопроизводительного обнаружения производственных дефектов. Кроме того, низкое потребление памяти обеспечивает гибкое развертывание на устройствах с ограниченными ресурсами, таких как NVIDIA Jetson.

Перспективы: обновление YOLO26#

Несмотря на исключительные возможности YOLO11, разработчикам, начинающим новые проекты, 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 нововведений:

• Сквозная архитектура без NMS: Развивая идеи, заложенные в YOLOv10, YOLO26 полностью устраняет подавление немаксимумов (NMS) на этапе постобработки, значительно сокращая задержку и упрощая конвейеры развертывания.
• Оптимизатор MuSGD: Гибридный оптимизатор, объединяющий стандартный SGD с Muon (вдохновленным обучением больших языковых моделей), что значительно повышает стабильность обучения.
• До 43% более быстрый вывод на CPU: Специальные оптимизации делают YOLO26 невероятно эффективной на периферийных устройствах без дискретных GPU.
• ProgLoss + STAL: Продвинутые функции потерь, заметно улучшающие обнаружение небольших объектов, что особенно важно для аэрофотосъемки и робототехники.

Изучи более широкий спектр архитектур для компьютерного зрения, включая детекторы на основе трансформеров, такие как RT-DETR, в нашей подробной документации Ultralytics Docs.