EfficientDet против YOLOv10#

В стремительно развивающейся области computer vision выбор правильной архитектуры детектирования объектов критически важен для балансировки точности, задержки и вычислительной эффективности. Это подробное техническое руководство сравнивает две очень влиятельные модели: EfficientDet от Google и YOLOv10 от Университета Цинхуа. Хотя обе модели представляют собой значительные шаги вперед в детектировании объектов, они подходят к проектированию архитектуры и model optimization с совершенно разных сторон.

Мы изучим их основные архитектуры, рассмотрим бенчмарки производительности на standard datasets like COCO и обсудим, как они интегрируются в современные конвейеры машинного обучения, уделяя особое внимание преимуществам комплексной Ultralytics ecosystem.

EfficientDet: 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.

Ключевые 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 построена на базе бэкбона EfficientNet и использует новую двунаправленную пирамидальную сеть признаков (BiFPN). В отличие от традиционных Feature Pyramid Networks (FPN), которые суммируют признаки без учета их важности, BiFPN задействует обучаемые веса для слияния многомасштабных признаков. Это позволяет сети эффективно определять, признаки какого разрешения вносят наибольший вклад в финальное предсказание. Кроме того, EfficientDet использует метод составного масштабирования, который одновременно и равномерно масштабирует разрешение, глубину и ширину для бэкбона, сети признаков и сетей предсказания ограничивающих рамок и классов.

Хотя EfficientDet остается надежным выбором для устаревших систем, глубоко интегрированных со старыми конвейерами TensorFlow, она обладает значительными memory requirements во время обучения и полагается на устаревшую экосистему, которая может быть громоздкой по сравнению с современными динамическими фреймворками.

Узнай больше об EfficientDet

YOLOv10: Инновация без NMS#

Выпущенная в середине 2024 года, YOLOv10 кардинально изменила парадигму детектирования объектов в реальном времени, устранив необходимость в подавлении не максимумов (NMS) на этапе постобработки и значительно снизив inference latency.

Ключевые 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 согласованную стратегию двойного назначения для обучения без NMS. Используя как варианты назначения меток «один-ко-многим», так и «один-к-одному» во время обучения, сеть учится создавать уникально соответствующие ограничивающие рамки без опоры на NMS для фильтрации дубликатов. Такой целостный дизайн модели, ориентированный на эффективность и точность, снижает 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

Сравнение 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). Таблица ниже подробно описывает эти метрики для различных вариантов масштабирования обеих моделей.

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

Почему стоит выбрать Ultralytics для развертывания моделей?#

Хотя обе модели имеют историческое и структурное значение, 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 Python предлагает единый интерфейс для model training, validation и экспорта, заменяя сотни строк шаблонного кода лаконичными командами.
2. Экосистема и универсальность: Хотя EfficientDet узко специализирована на детекции, 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.

Пример 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")

Сценарии использования и рекомендации#

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

Когда 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.
• Мобильное развертывание через TFLite: Проекты, которым специально требуется экспорт TensorFlow Lite для Android или встраиваемых устройств Linux.

Когда 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.
• Приложения с постоянной задержкой: Сценарии развертывания, где предсказуемое время вывода критически важно, например, в robotics или автономных системах.

Когда выбирать Ultralytics (YOLO26)#

Для большинства новых проектов Ultralytics YOLO26 предлагает наилучшее сочетание производительности и удобства для 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.
• Обнаружение малых объектов: Сложные сценарии, такие как aerial drone imagery или анализ с помощью IoT-сенсоров, где ProgLoss и STAL значительно повышают точность для крошечных объектов.

Будущее уже здесь: встречай Ultralytics YOLO26#

Хотя YOLOv10 представила революционный дизайн без NMS, технология продолжила развиваться. Выпущенная в январе 2026 года Ultralytics YOLO26 представляет собой абсолютный передовой уровень в области компьютерного зрения. Она объединяет лучшие аспекты предыдущих архитектур — такие как многозадачные возможности YOLO11 и стабильность RT-DETR — в единый, высокооптимизированный инструмент.

Ключевые прорывы в YOLO26:

• Сквозной дизайн без NMS: Опираясь на фундамент YOLOv10, модель YOLO26 является нативно сквозной, упрощая логику развертывания до абсолютного минимума.
• Инференс на CPU быстрее до 43%: С удалением функции распределенных фокальных потерь (DFL) YOLO26 радикально сокращает вычислительные накладные расходы, делая её бесспорным королем для edge AI devices.
• 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

Заключение: подбор моделей под конкретные задачи#

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

• EfficientDet остается предметом академического интереса в отношении составного масштабирования и подходит для исследователей, поддерживающих существующие системы TensorFlow, где размер весов модели (на диске) важнее скорости работы.
• YOLOv10 феноменальна для приложений, требующих сверхнизкой задержки, таких как высокоскоростной multi-object tracking и мониторинг дорожного движения, благодаря своей новаторской архитектуре без NMS.
• YOLO26, однако, является главной рекомендацией для современных computer vision projects, предлагая абсолютный наилучший Performance Balance точности, минимального объема потребляемой памяти и многозадачной универсальности при поддержке надежной экосистемы Ultralytics.