EfficientDet и YOLO26#

Выбор подходящей архитектуры компьютерного зрения — критически важный этап при создании масштабируемых и эффективных систем искусственного интеллекта. В этом подробном руководстве проводится углубленное техническое сравнение устаревшей EfficientDet от Google и современной Ultralytics YOLO26. Мы оцениваем их базовые архитектуры, показатели производительности и методологии обучения, чтобы помочь тебе выбрать лучшую модель с учетом конкретных ограничений развертывания.

Происхождение и авторство моделей#

Понимание происхождения этих архитектур дает ценный контекст для их концепций проектирования и предполагаемых вариантов использования.

EfficientDet

• Авторы: Mingxing Tan, Ruoming Pang и Quoc V. Le
• Организация: Google Research
• Дата: 20.11.2019
• Arxiv: 1911.09070
• GitHub: google/automl/efficientdet

Узнай больше об EfficientDet

YOLO26

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

Архитектурные инновации#

Различия в архитектуре этих двух моделей разительны и отражают стремительный прогресс в области глубокого обучения за последние несколько лет.

В основе EfficientDet лежит BiFPN (двунаправленная пирамидальная сеть признаков), а для разрешения, глубины и ширины используется метод составного масштабирования. Хотя в 2019 году эта модель достигла превосходной теоретической эффективности, она сильно зависит от устаревших фреймворков TensorFlow и сложных алгоритмов поиска AutoML, которые зачастую трудно адаптировать под пользовательские наборы данных.

В отличие от нее, Ultralytics YOLO26 представляет собой передовую разработку в области компьютерного зрения реального времени. В ней реализовано несколько революционных архитектурных улучшений, специально разработанных для современных конвейеров развертывания:

• Сквозная архитектура без NMS: YOLO26 изначально является сквозной моделью и полностью устраняет необходимость в постобработке с подавлением немаксимумов (NMS). Этот революционный подход, впервые предложенный в YOLOv10, обеспечивает более быструю и простую логику развертывания и значительно уменьшает разброс задержки на периферийных чипах.
• Удаление DFL: Благодаря удалению Distribution Focal Loss (DFL) YOLO26 упрощает выходную голову, обеспечивая лучшую совместимость с периферийными вычислениями и маломощными устройствами.
• Оптимизатор MuSGD: YOLO26 использует оптимизатор MuSGD — гибрид SGD и Muon, вдохновленный инновациями в области больших языковых моделей, такими как Kimi K2 от Moonshot AI. Это обеспечивает значительно более стабильное обучение и более быструю сходимость по сравнению со стандартными оптимизаторами.
• ProgLoss + STAL: Внедрение прогрессивной функции потерь (ProgLoss) в сочетании с назначением меток с учетом малых объектов (STAL) обеспечивает заметные улучшения в распознавании малых объектов, что крайне важно для аэрофотоснимков и робототехники.

Метрики производительности и бенчмарки#

Настоящая проверка любой модели обнаружения объектов — ее производительность в реальных условиях. В таблице ниже сопоставляются точность, измеренная с помощью средней точности (mAP), скорость инференса и вычислительные требования.

Как показано выше, YOLO26 обеспечивает значительно лучший баланс производительности. Хотя старые архитектуры иногда могут демонстрировать низкое теоретическое количество FLOPs, YOLO26 использует оптимизированные шаблоны доступа к памяти для достижения значительно более высокой скорости инференса на GPU. Например, YOLO26x достигает впечатляющего показателя 57.5 mAP, работая почти в 10 раз быстрее на оборудовании TensorRT, чем эквивалентная EfficientDet-d7. Кроме того, YOLO26 включает оптимизации, обеспечивающие до 43% более быстрый инференс на CPU по сравнению с устаревшими вариантами YOLO, что делает ее оптимальным выбором для периферийного ИИ.

Преимущества экосистемы Ultralytics#

Выбор архитектуры редко определяется только теоретическим количеством FLOPs; он в значительной степени зависит от инженерных рабочих процессов. Разработчики регулярно отдают предпочтение Ultralytics благодаря непревзойденной простоте использования.

Обучение EfficientDet часто требует сложного управления зависимостями, ручной настройки гиперпараметров и настройки устаревших сред TensorFlow. В отличие от нее, модели Ultralytics предлагают элегантно простой API. Этот удобный подход напрямую распространяется на платформу Ultralytics, которая из коробки поддерживает облачное обучение, аннотирование данных и отслеживание экспериментов в реальном времени.

Кроме того, детекторы на базе Transformer и сложные модели AutoML отличаются чрезвычайно высоким потреблением памяти. Модели Ultralytics известны своими весьма эффективными требованиями к памяти, поэтому ты можешь обучать надежные модели на оборудовании потребительского класса, не сталкиваясь с ошибками нехватки памяти (OOM).

Универсальность и поддержка задач#

EfficientDet — это исключительно сеть для обнаружения объектов. YOLO26 — унифицированная модель для решения нескольких задач. Она изначально включает в архитектуру специализированные для отдельных задач инновации:

• Функция потерь для семантической сегментации и многомасштабный proto для безупречной сегментации экземпляров.
• Residual Log-Likelihood Estimation (RLE) для значительного повышения точности оценки позы.
• Специализированные процедуры вычисления функции потерь угла для решения проблем границ в повернутых ограничивающих рамках (OBB).

Варианты применения и рекомендации#

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

Когда стоит выбрать EfficientDet#

EfficientDet — хороший выбор для:

• Конвейеров Google Cloud и TPU: систем, тесно интегрированных с Google Cloud Vision API или инфраструктурой TPU, где EfficientDet имеет нативную оптимизацию.
• Исследований составного масштабирования: академических бенчмарков, посвящённых изучению влияния сбалансированного масштабирования глубины, ширины и разрешения сети.
• Мобильного развертывания через TFLite: проектов, которым необходим экспорт в TensorFlow Lite для Android или встраиваемых устройств под управлением Linux.

Когда стоит выбрать YOLO26#

YOLO26 рекомендуется для:

• Развертывания на периферийных устройствах без NMS: приложений, требующих стабильного вывода с низкой задержкой без сложной постобработки с подавлением немаксимумов.
• Сред без GPU: устройств без выделенного ускорения GPU, где до 43% более быстрый вывод YOLO26 на CPU дает решающее преимущество.
• Обнаружения мелких объектов: сложных сценариев, таких как аэрофотосъемка с дронов или анализ данных IoT-сенсоров, где ProgLoss и STAL значительно повышают точность обнаружения крошечных объектов.

Пример реализации: обучение YOLO26#

Благодаря Python SDK от Ultralytics запуск высокооптимизированного процесса обучения занимает всего несколько 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 leveraging the robust MuSGD optimizer
results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    device=0,  # Automatically engages GPU acceleration
)

# Export natively to ONNX without NMS plugins
exported_path = model.export(format="onnx")
print(f"Model seamlessly exported to: {exported_path}")

Заключение: какую модель выбрать?#

При сравнении EfficientDet и YOLO26 направление развития отрасли очевидно. EfficientDet остается важным историческим этапом в исследовании составного масштабирования. Однако для современных приложений — независимо от того, развертываются ли они в облачных кластерах или на устройствах с ограниченными ресурсами, таких как Raspberry Pi, — выбор явно склоняется в пользу Ultralytics.

Благодаря устранению NMS, оптимизации для значительно меньшего объема VRAM и интеграции технологии в передовую экосистему для разработчиков YOLO26 определенно является рекомендуемой архитектурой для надежного компьютерного зрения, готового к промышленной эксплуатации. Независимо от того, обнаруживаешь ли ты производственные дефекты или составляешь карты урожайности сельскохозяйственных культур, платформа Ultralytics позволяет пройти путь от набора данных до развертывания с непревзойденной скоростью и точностью.