EfficientDet и YOLO26
Выбор подходящей архитектуры компьютерного зрения — важный этап создания масштабируемых и эффективных систем ИИ. В этом руководстве сравниваются EfficientDet от Google, выпущенная в 2019 году, и Ultralytics YOLO26, выпущенная в январе 2026 года. Здесь оцениваются архитектура, метрики производительности и методы обучения моделей, чтобы помочь тебе выбрать оптимальную модель с учетом ограничений среды 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
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 компаундное масштабирование применяется к разрешению, глубине и ширине модели. В 2019 году модель обеспечивала высокую эффективность, однако она сильно зависит от устаревших фреймворков TensorFlow и сложных алгоритмов поиска AutoML, которые часто неудобно адаптировать к пользовательским наборам данных.
В отличие от нее, Ultralytics YOLO26 — последняя модель Ultralytics для компьютерного зрения в реальном времени. В ней реализовано несколько архитектурных усовершенствований для современных конвейеров развертывания:
- Сквозная архитектура без NMS: YOLO26 поддерживает нативную сквозную головку с сопоставлением один к одному (
nms=False), которая устраняет необходимость в постобработке с помощью подавления немаксимумов (NMS). Этот подход, впервые реализованный в YOLOv10, упрощает логику развертывания, ускоряет его и уменьшает колебания задержки на периферийных чипах. - Удаление DFL: Удаление распределительной фокальной функции потерь (DFL) упрощает выходную голову YOLO26, улучшая совместимость с периферийными вычислениями и устройствами с низким энергопотреблением.
- Оптимизатор MuSGD: Вдохновлённый методами обучения больших языковых моделей, в том числе применяемыми Moonshot AI для Kimi K2, YOLO26 использует оптимизатор MuSGD — гибрид SGD и Muon. Он обеспечивает более стабильное обучение и более быструю сходимость по сравнению со стандартными оптимизаторами.
- ProgLoss + STAL: Прогрессивная функция потерь (ProgLoss) в сочетании с назначением меток с учётом малых объектов (STAL) заметно повышает точность распознавания небольших объектов, что особенно важно для аэрофотоснимков и робототехники.
Показатели производительности и результаты тестирования#
Настоящую эффективность любой модели обнаружения объектов определяют результаты её работы в реальных условиях. В таблице ниже сравниваются точность, измеренная с помощью средней точности (mAP), скорость инференса и вычислительные требования.
| Модель | размер (пиксели) | mAPval50-95 | Скорость CPU ONNX (мс) | Скорость T4 TensorRT10 (мс) | параметры (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| EfficientDet-d0 | 512 | 34.6 | - | 3.92 | 3.9 | 2.54 |
| EfficientDet-d1 | 640 | 40.5 | - | 7.31 | 6.6 | 6.1 |
| EfficientDet-d2 | 768 | 43.0 | - | 10.92 | 8.1 | 11.0 |
| EfficientDet-d3 | 896 | 47.5 | - | 19.59 | 12.0 | 24.9 |
| EfficientDet-d4 | 1024 | 49.7 | - | 33.55 | 20.7 | 55.2 |
| EfficientDet-d5 | 1280 | 51.5 | - | 67.86 | 33.7 | 130.0 |
| EfficientDet-d6 | 1280 | 52.6 | - | 89.29 | 51.9 | 226.0 |
| EfficientDet-d7 | 1536 | 53.7 | - | 128.07 | 51.9 | 325.0 |
| YOLO26n | 640 | 40.9 | 38.9 | 1.7 | 2.4 | 5.5 |
| YOLO26s | 640 | 48.6 | 87.2 | 2.5 | 9.5 | 20.9 |
| YOLO26m | 640 | 53.1 | 220.0 | 4.7 | 20.4 | 68.4 |
| YOLO26l | 640 | 55.0 | 286.2 | 6.2 | 24.8 | 86.8 |
| YOLO26x | 640 | 57.5 | 525.8 | 11.8 | 55.7 | 194.4 |
Как видно выше, YOLO26 обеспечивает гораздо лучший баланс производительности. Хотя самые компактные варианты EfficientDet имеют очень низкое значение FLOPs, YOLO26 обеспечивает значительно более быстрый инференс на GPU при любом уровне точности. Например, YOLO26x достигает 57.5 mAP и работает на T4 с TensorRT более чем в 10 раз быстрее EfficientDet-d7. YOLO26n также обеспечивает до 43% более быстрый инференс на CPU, чем YOLO11n, что делает YOLO26 отличным выбором для периферийного ИИ.
Преимущества экосистемы Ultralytics#
Выбор архитектуры редко сводится только к теоретическому значению FLOPs: многое зависит от инженерных процессов. Многие разработчики выбирают Ultralytics за простоту использования.
Для обучения EfficientDet часто требуются сложное управление зависимостями, ручная настройка гиперпараметров и устаревшие конфигурации TensorFlow. В отличие от него, модели Ultralytics имеют простой API. Такой же удобный подход реализован и на платформе Ultralytics, где из коробки доступны облачное обучение, разметка данных и отслеживание экспериментов в реальном времени.
Детекторы на базе Transformer и сложные модели AutoML также обычно потребляют много памяти. Модели Ultralytics известны своими эффективными требованиями к памяти: ты можешь обучать надёжные модели на обычном потребительском оборудовании без ошибок 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 маски более высокого качества для сегментации экземпляров.
- Оценка логарифма правдоподобия остатка (RLE) повышает точность оценки позы.
- Специальные функции потерь для углов устраняют проблемы с границами ориентированных ограничивающих рамок (OBB).
Если ты поддерживаешь старые системы, Ultralytics по-прежнему полностью поддерживает YOLO11 и более ранние версии в том же API. Однако для всех новых разработок YOLO26 обеспечивает наилучшее соотношение ресурсов и точности.
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:
- Конвейеры Google Cloud и TPU: системы на базе TensorFlow в инфраструктуре Google Cloud TPU, где эталонная реализация EfficientDet поддерживает обучение на TPU.
- 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 GPU-ускорителя, где инференс YOLO26 (YOLO26n по сравнению с YOLO11n) до 43% быстрее, что дает явное преимущество.
- Обнаружение мелких объектов: Сложные сценарии, например аэрофотосъёмка с дронов и анализ данных датчиков IoT, где ProgLoss и STAL значительно повышают точность обнаружения крошечных объектов.
Пример реализации: обучение YOLO26#
С пакетом Ultralytics для Python запуск оптимизированного обучения требует всего нескольких строк кода. Фреймворк из коробки поддерживает масштабирование смешанной точности, распределение нагрузки между несколькими 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?#
EfficientDet остаётся важной вехой в исследованиях составного масштабирования. Однако для современных приложений — как при развёртывании в облачных кластерах, так и на ресурсно-ограниченных устройствах Raspberry Pi — сравнение говорит в пользу Ultralytics YOLO26.
Благодаря отказу от NMS, снижению требований к VRAM и интеграции со зрелой экосистемой для разработчиков YOLO26 — рекомендуемая архитектура для надёжного компьютерного зрения, готового к промышленной эксплуатации. Обнаруживаешь ли ты производственные дефекты или оцениваешь урожайность сельскохозяйственных культур — платформа Ultralytics помогает быстро пройти путь от набора данных до развёртывания.
Комментарии
Задай вопрос, поделись результатами или помоги кому-нибудь.