EfficientDet и YOLO26#

Выбор подходящей архитектуры компьютерного зрения — важный этап при создании масштабируемых и эффективных систем ИИ. В этом подробном руководстве проводится углубленное техническое сравнение устаревшей модели EfficientDet от Google и передовой Ultralytics YOLO26. Мы оцениваем их архитектуры, показатели производительности и методики обучения, чтобы помочь тебе выбрать модель, подходящую для конкретных ограничений развертывания.

Происхождение модели и авторство#

Знание происхождения этих архитектур помогает лучше понять лежащие в их основе принципы проектирования и предполагаемые сценарии применения.

EfficientDet

• Авторы: Mingxing Tan, Ruoming Pang и Quoc V. Le
• Организация: Google Research
• Дата: 2019-11-20
• Arxiv: 1911.09070
• GitHub: google/automl/efficientdet

Подробнее об EfficientDet

YOLO26

• Авторы: Glenn Jocher и Jing Qiu
• Организация: Ultralytics
• Дата: 2026-01-14
• GitHub: ultralytics/ultralytics

Архитектурные инновации#

Архитектуры этих моделей существенно различаются, что отражает стремительное развитие глубокого обучения за последние несколько лет.

В основе EfficientDet лежит BiFPN (двунаправленная сеть пирамиды признаков), а для масштабирования разрешения, глубины и ширины применяется составной метод. Несмотря на отличную теоретическую эффективность в 2019 году, модель сильно зависит от устаревших фреймворков TensorFlow и сложных алгоритмов поиска AutoML, которые часто трудно адаптировать к пользовательским наборам данных.

В отличие от нее, Ultralytics YOLO26 — это передовая модель компьютерного зрения для работы в реальном времени. Она предлагает несколько революционных архитектурных улучшений, разработанных специально для современных конвейеров развертывания:

• Сквозная архитектура без NMS: YOLO26 поддерживает изначально сквозную голову «один к одному» (nms=False), устраняющую необходимость в постобработке с подавлением немаксимумов (NMS). Этот прорывной подход, впервые представленный в YOLOv10, упрощает логику развертывания, ускоряет его и значительно снижает разброс задержки на периферийных чипах.
• Удаление DFL: Удаление Distribution Focal Loss (DFL) упрощает выходную голову YOLO26 и повышает совместимость модели с периферийными вычислениями и устройствами с низким энергопотреблением.
• Оптимизатор MuSGD: Вдохновленная новшествами в области больших языковых моделей, например Kimi K2 от Moonshot AI, YOLO26 использует оптимизатор MuSGD — гибрид SGD и Muon. Он обеспечивает значительно более стабильное обучение и более быструю сходимость по сравнению со стандартными оптимизаторами.
• ProgLoss + STAL: Сочетание Progressive Loss (ProgLoss) и назначения меток с учетом небольших объектов (STAL) заметно улучшает распознавание мелких объектов, что особенно важно для аэрофотосъемки и робототехники.

Показатели производительности и результаты тестирования#

Настоящая проверка любой модели обнаружения объектов — её эффективность в реальных условиях. В таблице ниже сравниваются точность, измеренная как средняя точность (mAP), скорость инференса и требования к вычислительным ресурсам.

Как показано выше, YOLO26 обеспечивает значительно лучший баланс производительности. Хотя старые архитектуры иногда демонстрируют низкое теоретическое число FLOPs, YOLO26 использует оптимизированные схемы доступа к памяти, чтобы добиться существенно более быстрого инференса на GPU. Например, YOLO26x достигает впечатляющих 57.5 mAP и работает на оборудовании TensorRT более чем в 10 раз быстрее, чем соответствующая модель EfficientDet-d7. Кроме того, благодаря оптимизациям YOLO26 инференс на CPU выполняется до 43% быстрее, чем у предыдущих вариантов YOLO, что делает эту модель лучшим выбором для периферийного ИИ.

Преимущества экосистемы Ultralytics#

Выбор архитектуры редко сводится только к теоретическому числу FLOPs: он во многом зависит от инженерных рабочих процессов. Разработчики часто отдают предпочтение Ultralytics благодаря непревзойдённой простоте использования.

Для обучения EfficientDet часто требуются сложное управление зависимостями, ручная настройка гиперпараметров и устаревшие конфигурации TensorFlow. В свою очередь, у моделей Ultralytics элегантный и простой API. Этот удобный рабочий процесс напрямую распространяется и на платформу Ultralytics, которая сразу поддерживает облачное обучение, разметку данных и отслеживание экспериментов в реальном времени.

Кроме того, детекторы на основе трансформеров и сложные модели AutoML требуют чрезмерно большого объёма памяти. Модели Ultralytics известны своей высокой эффективностью и низкими требованиями к памяти, поэтому ты можешь обучать надёжные модели на потребительском оборудовании, не сталкиваясь с ошибками нехватки памяти (OOM).

Универсальность и поддержка задач#

EfficientDet — это исключительно сеть для обнаружения объектов. YOLO26 — универсальная модель для решения множества задач. В её архитектуру изначально встроены специализированные для отдельных задач инновации:

• Функция потерь для семантической сегментации и многомасштабный прототип обеспечивают безупречную сегментацию экземпляров.
• Оценка остаточного логарифма правдоподобия (RLE) значительно повышает точность оценки позы.
• Специальные функции потерь для углов устраняют проблемы с границами ориентированных ограничивающих рамок (OBB).

Сценарии использования и рекомендации#

Выбор между EfficientDet и YOLO26 зависит от требований конкретного проекта, ограничений развёртывания и предпочтений в отношении экосистемы.

Когда стоит выбрать EfficientDet#

EfficientDet — хороший выбор для:

• Google Cloud и конвейеры TPU: Системы, тесно интегрированные с API Google Cloud Vision или инфраструктурой TPU, где EfficientDet оптимизирована изначально.
• Исследования составного масштабирования: Академические исследования и сравнительное тестирование, посвящённые влиянию сбалансированного масштабирования глубины, ширины и разрешения сети.
• Развертывание на мобильных устройствах через LiteRT: Проекты, для которых требуется экспорт в LiteRT (ранее TensorFlow Lite) для Android или встраиваемых устройств с Linux.

Когда выбирать YOLO26#

YOLO26 рекомендуется для:

• Развертывание на периферийных устройствах без NMS: Приложения, которым необходим стабильный инференс с низкой задержкой без усложнения постобработки подавлением немаксимумов.
• Среды только с CPU: Устройства без выделенного ускорителя GPU, где до 43% более быстрый инференс YOLO26 на CPU даёт решающее преимущество.
• Обнаружение небольших объектов: Сложные сценарии, например съёмка с дронов или анализ данных IoT-датчиков, где ProgLoss и STAL заметно повышают точность обнаружения крошечных объектов.

Пример реализации: обучение YOLO26#

Благодаря Python SDK Ultralytics для запуска высокооптимизированного обучения достаточно всего нескольких строк кода. Фреймворк изначально поддерживает масштабирование смешанной точности, оркестрацию нескольких GPU через PyTorch и конвейеры аугментации.

from ultralytics import YOLO

# Load the lightweight, end-to-end YOLO26n model
model = YOLO("yolo26n.pt")

# Train on the COCO8 dataset
results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    device=0,  # Train on the first CUDA GPU
)

# Export the NMS-free end-to-end head to ONNX
exported_path = model.export(format="onnx", nms=False)
print(f"Model seamlessly exported to: {exported_path}")

Вывод: какую модель выбрать?#

При сравнении EfficientDet и YOLO26 направление развития отрасли очевидно. EfficientDet остаётся важной вехой в истории исследований составного масштабирования. Однако для современных приложений — будь то развёртывание в облачных кластерах или на устройствах Raspberry Pi с ограниченными ресурсами — выбор явно склоняется в пользу Ultralytics.

Благодаря отказу от NMS, значительному снижению потребления видеопамяти и интеграции технологии в первоклассную экосистему для разработчиков YOLO26 — безусловно, рекомендуемая архитектура для надёжного компьютерного зрения, готового к промышленной эксплуатации. Обнаруживаешь ли ты дефекты производства или составляешь карты урожайности сельскохозяйственных культур — платформа Ultralytics поможет перейти от набора данных к развёртыванию с непревзойдёнными скоростью и точностью.