EfficientDet против YOLOv10#

В быстро развивающейся области компьютерного зрения выбор правильной архитектуры обнаружения объектов имеет решающее значение для баланса между точностью, задержкой и вычислительной эффективностью. В этом подробном техническом руководстве сравниваются две чрезвычайно влиятельные модели: EfficientDet от Google и YOLOv10 Университета Цинхуа. Хотя обе модели представляют собой значительный прорыв в обнаружении объектов, к проектированию архитектуры и оптимизации моделей они подходят с совершенно разных сторон.

Мы рассмотрим их базовые архитектуры, изучим результаты тестирования производительности на стандартных наборах данных, таких как COCO, и обсудим их интеграцию в современные конвейеры машинного обучения, уделив особое внимание преимуществам комплексной экосистемы Ultralytics.

EfficientDet: первопроходец составного масштабирования#

Представленная в конце 2019 года, EfficientDet установила новый ориентир для масштабируемого и высокоточного обнаружения объектов, предложив обоснованный подход к масштабированию размеров сети.

Ключевые инновации и архитектура#

• Авторы: Mingxing Tan, Ruoming Pang и Quoc V. Le
• Организация: Google Brain
• Дата: 20.11.2019
• Arxiv: https://arxiv.org/abs/1911.09070
• GitHub: Репозиторий EfficientDet

EfficientDet построена на основе EfficientNet и использует новую двунаправленную пирамиду признаков (BiFPN). В отличие от традиционных сетей пирамид признаков (FPN), которые суммируют признаки без учета их важности, BiFPN применяет обучаемые веса для объединения признаков разных масштабов. Благодаря этому сеть может эффективно обучаться тому, признаки какого разрешения вносят наибольший вклад в итоговое предсказание. Кроме того, EfficientDet использует метод составного масштабирования, который одновременно и равномерно масштабирует разрешение, глубину и ширину базовой сети, сети признаков, а также сетей предсказания рамок и классов.

Хотя EfficientDet остается надежным выбором для устаревших систем, тесно интегрированных со старыми конвейерами TensorFlow, во время обучения модель предъявляет значительные требования к памяти и опирается на устаревшую экосистему, которая по сравнению с современными динамическими фреймворками может быть громоздкой.

Узнай больше об EfficientDet

YOLOv10: новатор без NMS#

Выпущенная в середине 2024 года, YOLOv10 фундаментально изменила парадигму обнаружения объектов в реальном времени, устранив необходимость в подавлении немаксимумов (NMS) на этапе постобработки и значительно сократив задержку инференса.

Ключевые инновации и архитектура#

• Авторы: Ao Wang, Hui Chen, Lihao Liu и др.
• Организация: Университет Цинхуа
• Дата: 2024-05-23
• Arxiv: https://arxiv.org/abs/2405.14458
• GitHub: Репозиторий YOLOv10

YOLOv10 внедряет согласованную стратегию двойного назначения для обучения без NMS. Используя во время обучения назначения меток «один-ко-многим» и «один-к-одному», сеть учится создавать уникально сопоставленные ограничивающие рамки, не полагаясь на NMS для фильтрации дубликатов. Такой целостный дизайн модели, ориентированный на эффективность и точность, сокращает вычислительную избыточность, делая ее отличным кандидатом для периферийных вычислений и приложений потоковой передачи видео с низкой задержкой. Модель без проблем 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 разработчикам необходимо сопоставлять среднюю точность (mAP) с количеством параметров и объемом вычислений (FLOPs). В таблице ниже подробно приведены эти метрики для вариантов масштабирования обеих моделей.

Примечание: вариант YOLOv10n требует значительно меньше параметров (2.3M) и обеспечивает существенно более высокую скорость в TensorRT (1.56ms) по сравнению с ранними версиями EfficientDet, что делает его гораздо более подходящим для инференса в реальном времени в production-средах.

Почему стоит выбрать Ultralytics для развертывания моделей?#

Хотя обе модели имеют историческое и структурное значение, их интеграция в современные конвейеры может быть сложной. Именно здесь раскрываются преимущества платформы Ultralytics. Предоставляя унифицированную экосистему, Ultralytics упрощает весь жизненный цикл — от разметки данных до развертывания.

1. Простота использования: пакет Ultralytics для Python предоставляет единый интерфейс для обучения моделей, валидации и экспорта, заменяя сотни строк шаблонного кода краткими командами.
2. Экосистема и универсальность: в то время как EfficientDet в значительной степени специализирована на обнаружении, модели Ultralytics YOLO естественным образом расширяются до задач сегментации экземпляров, оценки позы, ориентированных ограничивающих рамок (OBB) и классификации.
3. Эффективность обучения: используя передовые методы, такие как автоматическое формирование батчей и распределенное обучение, модели Ultralytics обучаются быстрее и потребляют значительно меньше памяти CUDA, чем тяжелые архитектуры на базе Transformer или старые многоотраслевые архитектуры TF.

Пример кода: обучение YOLOv10#

Развертывание YOLOv10 с помощью Ultralytics невероятно простое. Следующий фрагмент кода показывает, как инициализировать, обучить и оценить сеть YOLOv10 полностью через 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")

Варианты применения и рекомендации#

Выбор между EfficientDet и YOLOv10 зависит от конкретных требований твоего проекта, ограничений развертывания и предпочтений относительно 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 выбирать YOLOv10#

YOLOv10 рекомендуется для:

• Обнаружения объектов в реальном времени без NMS: приложений, которым полезно сквозное обнаружение без подавления немаксимумов, что снижает сложность развертывания.
• Сбалансированного соотношения скорости и точности: проектов, требующих удачного баланса между скоростью инференса и точностью обнаружения для моделей разных размеров.
• Приложений со стабильной задержкой: сценариев развертывания, где критически важны предсказуемые времена инференса, например в робототехнике или автономных системах.

Когда выбирать Ultralytics (YOLO26)#

Для большинства новых проектов Ultralytics YOLO26 предлагает лучшее сочетание производительности и удобства для разработчиков:

• 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.

Будущее уже наступило: встречай Ultralytics YOLO26#

Хотя YOLOv10 представила революционный дизайн без NMS, технология продолжила развиваться. Выпущенная в январе 2026 года, Ultralytics YOLO26 представляет собой окончательное достижение в области vision AI. Она объединяет лучшие аспекты предыдущих архитектур — такие как многозадачные возможности YOLO11 и стабильность RT-DETR — в единую, высокооптимизированную мощную систему.

Ключевые прорывы в YOLO26:

• Сквозной дизайн без NMS: развивая основы, заложенные в YOLOv10, YOLO26 изначально является сквозной моделью, сводя логику развертывания к абсолютному минимуму.
• До 43% более быстрый инференс на CPU: благодаря устранению Distribution Focal Loss (DFL) YOLO26 значительно сокращает вычислительные накладные расходы, становясь бесспорным лидером для периферийных AI-устройств.
• Оптимизатор MuSGD: YOLO26 заимствует инновации из обучения больших языковых моделей (LLM). Объединяя стабильность SGD со скоростью Muon, модель сходится быстрее и надежнее любой предшествующей версии.
• ProgLoss + STAL: улучшенные формулировки функции потерь эффективно решают давние проблемы обнаружения малых объектов — области, в которой EfficientDet традиционно испытывала трудности.

Заключение: выбор моделей для конкретных задач#

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

• EfficientDet сохраняет академический интерес с точки зрения составного масштабирования и подходит исследователям, поддерживающим существующие системы на базе TensorFlow, где размер весов модели (на диске) важнее скорости выполнения.
• YOLOv10 великолепно подходит для приложений, требующих сверхнизкой задержки, таких как высокоскоростное отслеживание множества объектов и мониторинг дорожного движения, благодаря своей новаторской архитектуре без NMS.
• YOLO26, однако, является лучшим выбором для современных проектов в области компьютерного зрения, предлагая самый высокий баланс производительности с точки зрения точности, минимального объема памяти и многозадачной универсальности при поддержке надежной экосистемы Ultralytics.