Link to this sectionEfficientDet против YOLOv10: Анализ эволюции моделей обнаружения объектов#

В быстро развивающейся области computer vision выбор правильной архитектуры для обнаружения объектов имеет решающее значение для баланса между точностью, задержкой и вычислительной эффективностью. В этом комплексном техническом руководстве сравниваются две крайне влиятельные модели: EfficientDet от Google и YOLOv10 от Университета Цинхуа. Хотя обе модели представляют собой значительные шаги вперед в обнаружении объектов, они подходят к проектированию архитектуры и model optimization с совершенно разных сторон.

Мы изучим их ключевые архитектуры, рассмотрим результаты производительности на standard datasets like COCO и обсудим, как они интегрируются в современные конвейеры машинного обучения, особо подчеркивая преимущества комплексной Ultralytics ecosystem.

Link to this sectionEfficientDet: Пионер составного масштабирования#

Представленный в конце 2019 года, EfficientDet установил новый стандарт для масштабируемого и высокоточного обнаружения объектов, внедрив принципиальный подход к масштабированию параметров сети.

Link to this sectionКлючевые инновации и архитектура#

• Авторы: Минсин Тан, Руомин Пан и Куок В. Ле
• Организация: Google Brain
• Дата: 2019-11-20
• Arxiv: https://arxiv.org/abs/1911.09070
• GitHub: EfficientDet Repository

EfficientDet построен на основе EfficientNet, используя инновационную двунаправленную пирамидальную сеть признаков (BiFPN). В отличие от традиционных Feature Pyramid Networks (FPN), которые суммируют признаки, не различая их важность, BiFPN использует обучаемые веса для объединения признаков разных масштабов. Это позволяет сети эффективно определять, какие признаки с разным разрешением вносят наибольший вклад в финальное предсказание. Кроме того, EfficientDet использует метод составного масштабирования, который одновременно равномерно масштабирует разрешение, глубину и ширину для основной сети, сети признаков и сетей предсказания bbox/класса.

Хотя EfficientDet остается надежным выбором для устаревших систем, глубоко интегрированных со старыми конвейерами TensorFlow, он требует значительных memory requirements во время обучения и опирается на старую экосистему, которая может быть громоздкой по сравнению с современными динамическими фреймворками.

Узнай больше об EfficientDet

Link to this sectionYOLOv10: Инновация без NMS#

Выпущенная в середине 2024 года, YOLOv10 фундаментально изменила парадигму обнаружения объектов в реальном времени, устранив необходимость в подавлении немаксимумов (NMS) при постобработке, что значительно снизило inference latency.

Link to this sectionКлючевые инновации и архитектура#

• Авторы: Ао Ван, Хуэй Чен, Лихао Лю и др.
• Организация: Tsinghua University
• Дата: 2024-05-23
• Arxiv: https://arxiv.org/abs/2405.14458
• GitHub: YOLOv10 Repository

YOLOv10 представляет последовательную стратегию двойного присвоения для обучения без NMS. Используя как «один-ко-многим», так и «один-к-одному» присвоение меток во время обучения, сеть учится создавать уникальные соответствующие ограничивающие рамки без необходимости использования NMS для фильтрации дубликатов. Этот целостный дизайн модели, основанный на эффективности и точности, сокращает вычислительную избыточность, делая её отличным кандидатом для edge computing и приложений потокового видео с низкой задержкой. Она легко интегрируется в экосистему Ultralytics, предоставляя разработчикам доступ к чрезвычайно простому Python API.

Узнай больше о YOLOv10

Link to this sectionСравнение производительности: Точность, скорость и эффективность#

При развертывании моделей в реальных сценариях разработчики должны сопоставлять mean Average Precision (mAP) с количеством параметров и вычислительными операциями (FLOPs). В таблице ниже подробно описаны эти показатели для масштабируемых вариантов обеих моделей.

Примечание: Вариант YOLOv10n требует значительно меньше параметров (2.3M) и достигает гораздо более высокой скорости TensorRT (1.56ms) по сравнению с ранними итерациями EfficientDet, что делает его гораздо более подходящим для real-time inference в производстве.

Link to this sectionПочему стоит выбрать Ultralytics для развертывания моделей?#

Хотя обе модели имеют историческую и структурную значимость, их интеграция в современные конвейеры может быть сложной задачей. Именно здесь сияет Ultralytics Platform. Предоставляя единую экосистему, Ultralytics упрощает весь жизненный цикл — от data annotation до развертывания.

1. Простота использования: Пакет Ultralytics для Python предлагает единый интерфейс для model training, validation и экспорта, заменяя сотни строк шаблонного кода лаконичными командами.
2. Экосистема и универсальность: В то время как EfficientDet узко специализируется на обнаружении, модели Ultralytics YOLO естественным образом расширяются до Instance Segmentation, Pose Estimation, Oriented Bounding Boxes (OBB) и классификации.
3. Эффективность обучения: Используя передовые методы, такие как авто-пакетирование и распределенное обучение, модели Ultralytics обучаются быстрее и потребляют значительно меньше памяти CUDA, чем тяжелые архитектуры Transformer или старые многоветвевые архитектуры TF.

Link to this sectionПример кода: Обучение YOLOv10#

Развертывание YOLOv10 с помощью Ultralytics невероятно просто. Следующий фрагмент кода демонстрирует, как инициализировать, обучить и оценить сеть YOLOv10 полностью в рамках Python API.

from ultralytics import YOLO

# Load a pre-trained YOLOv10 model (nano variant for edge speed)
model = YOLO("yolov10n.pt")

# Train the model on the COCO8 dataset
results = model.train(data="coco8.yaml", epochs=50, imgsz=640, batch=16)

# Evaluate the model on the validation set
metrics = model.val()

# Export the model to ONNX for production deployment
model.export(format="onnx")

Link to this sectionСценарии использования и рекомендации#

Выбор между EfficientDet и YOLOv10 зависит от специфических требований твоего проекта, ограничений развертывания и предпочтений в экосистеме.

Link to this sectionКогда стоит выбрать EfficientDet#

EfficientDet — отличный выбор, если:

• Конвейеры Google Cloud и TPU: Системы с глубокой интеграцией в Google Cloud Vision API или инфраструктуру TPU, где EfficientDet имеет встроенную оптимизацию.
• Исследования составного масштабирования: Академическое тестирование, сфокусированное на изучении эффектов сбалансированного масштабирования глубины, ширины и разрешения сети.
• Развертывание на мобильных устройствах через TFLite: Проекты, требующие экспорта в TensorFlow Lite специально для Android или встраиваемых систем на базе Linux.

Link to this sectionКогда стоит выбрать YOLOv10#

YOLOv10 рекомендуется для:

• Детекции в реальном времени без NMS: Приложения, которым полезна сквозная (end-to-end) детекция без использования Non-Maximum Suppression, что снижает сложность развертывания.
• Сбалансированного соотношения скорости и точности: Проекты, требующие оптимального баланса между скоростью вывода и точностью детекции для различных масштабов моделей.
• Приложений с постоянной задержкой: Сценарии развертывания, где критически важна предсказуемость времени вывода, например, в робототехнике или автономных системах.

Link to this sectionКогда выбирать Ultralytics (YOLO26)#

Для большинства новых проектов Ultralytics YOLO26 предлагает наилучшее сочетание производительности и опыта разработчика:

• Развертывания на периферии без NMS: приложений, требующих стабильного вывода с низкой задержкой без сложности постобработки подавления немаксимумов.
• Среды только с CPU: устройств без выделенного GPU-ускорения, где до 43% более быстрый вывод на CPU у YOLO26 дает решающее преимущество.
• Детектирования мелких объектов: сложных сценариев, таких как аэросъемка с дронов или анализ датчиков IoT, где ProgLoss и STAL значительно повышают точность на крошечных объектах.

Link to this sectionБудущее уже здесь: встречай Ultralytics YOLO26#

Хотя YOLOv10 представила революционный дизайн без NMS, технологии шагнули вперед. Ultralytics YOLO26, выпущенная в январе 2026 года, представляет собой передовое решение для компьютерного зрения. Она объединяет лучшие аспекты предыдущих архитектур, таких как многозадачность YOLO11 и стабильность RT-DETR, в единую, высокооптимизированную мощную систему.

Ключевые прорывы в YOLO26:

• Сквозной дизайн без NMS: Опираясь на фундамент YOLOv10, модель YOLO26 является нативно сквозной, упрощая логику развертывания до абсолютного минимума.
• До 43% более быстрый вывод на CPU: Благодаря удалению Distribution Focal Loss (DFL) YOLO26 значительно снижает вычислительные затраты, становясь неоспоримым лидером для устройств Edge AI.
• Оптимизатор MuSGD: YOLO26 заимствует инновации из обучения больших языковых моделей (LLM). Объединяя стабильность SGD со скоростью Muon, она сходится быстрее и надежнее, чем любая предшествующая модель.
• ProgLoss + STAL: Улучшенные формулировки функции потерь эффективно решают давние проблемы с обнаружением мелких объектов — область, в которой EfficientDet традиционно испытывала трудности.

Узнай больше о YOLO26

Link to this sectionЗаключение: подбор моделей под конкретные задачи#

Выбор между этими сетями в конечном итоге зависит от ограничений твоего развертывания:

• EfficientDet остается темой для академических исследований в области составного масштабирования и подходит исследователям, поддерживающим существующие системы TensorFlow, где размер весов модели (на диске) важнее, чем скорость выполнения.
• YOLOv10 феноменальна для приложений, требующих сверхнизкой задержки, таких как высокоскоростное отслеживание нескольких объектов и мониторинг дорожного движения, благодаря своей новаторской архитектуре без NMS.
• YOLO26, однако, является лучшим выбором для современных проектов в области компьютерного зрения, предлагая идеальный баланс производительности по точности, минимальные требования к памяти и многозадачность, поддерживаемую надежной экосистемой Ultralytics.