EfficientDet против YOLOv10: анализ эволюции моделей обнаружения объектов

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

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

EfficientDet: первопроходец составного масштабирования

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

Ключевые инновации и архитектура

• Авторы: Mingxing Tan, Ruoming Pang и Quoc V. Le
• Организация: Google Brain
• Дата: 2019-11-20
• Arxiv: https://arxiv.org/abs/1911.09070
• GitHub: EfficientDet Repository

EfficientDet построена на базе EfficientNet и использует инновационную двунаправленную пирамидальную сеть признаков (BiFPN). В отличие от традиционных Feature Pyramid Networks (FPN), которые суммируют признаки без учета их важности, BiFPN применяет обучаемые веса для объединения признаков разных масштабов. Это позволяет сети эффективно определять, какие признаки с каким разрешением вносят наибольший вклад в итоговый прогноз. Более того, EfficientDet использует метод составного масштабирования, который одновременно и равномерно масштабирует разрешение, глубину и ширину для основной сети, сети признаков и сетей предсказания рамок/классов.

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

Узнай больше о EfficientDet

YOLOv10: инноватор без использования 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 снижает inference latency.

Ключевые инновации и архитектура

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

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 ограничивающие рамки, не полагаясь на NMS для фильтрации дубликатов. Этот целостный дизайн модели, ориентированный на эффективность и точность, уменьшает вычислительную избыточность, что делает ее отличным кандидатом для edge computing и приложений для потоковой передачи видео с низкой задержкой. Она легко интегрируется в экосистему Ultralytics, предоставляя разработчикам доступ к чрезвычайно простому API на Python.

Узнать 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). В приведенной ниже таблице подробно описаны эти показатели для масштабируемых вариантов обеих моделей.

Примечание: Вариант YOLOv10n требует значительно меньше параметров (2,3 млн) и достигает гораздо более высокой скорости TensorRT (1,56 мс) по сравнению с ранними итерациями EfficientDet, что делает его гораздо более подходящим для real-time inference в производстве.

Почему стоит выбрать Ultralytics для развертывания моделей?

Хотя обе модели имеют историческое и структурное значение, интеграция их 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 специализирована для обнаружения, 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 автоматическая пакетная обработка и распределенное обучение, модели Ultralytics обучаются быстрее и потребляют значительно меньше памяти CUDA, чем тяжелые трансформеры 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 через API Python.

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 использования и рекомендации

Выбор между EfficientDet и YOLOv10 зависит от твоих конкретных требований к проекту, ограничений развертывания и предпочтений в отношении экосистемы.

Когда выбирать EfficientDet

EfficientDet — это хороший выбор для:

• Конвейеров Google Cloud и TPU: Систем, глубоко интегрированных с API Google Cloud Vision или инфраструктурой TPU, где EfficientDet имеет нативную оптимизацию.
• Исследований в области составного масштабирования: Академических бенчмарков, сфокусированных на изучении эффектов сбалансированного масштабирования глубины, ширины и разрешения сети.
• Развертывания на мобильных устройствах через TFLite: Проектов, которые специально требуют экспорта в TensorFlow Lite для Android или встроенных Linux-устройств.

Когда выбирать YOLOv10

YOLOv10 рекомендуется для:

• Обнаружение в реальном времени без NMS: Приложения, которые выигрывают от комплексного обнаружения без Non-Maximum Suppression, что снижает сложность развертывания.
• Сбалансированные компромиссы скорости и точности: Проекты, требующие хорошего баланса между скоростью вывода и точностью обнаружения для моделей различных масштабов.
• Consistent-Latency Applications: Deployment scenarios where predictable inference times are critical, such as robotics or autonomous systems.

Когда выбирать Ultralytics (YOLO26)

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

• Периферийное развертывание без NMS: Приложениям требуется стабильный вывод с низкой задержкой без сложности постобработки Non-Maximum Suppression.
• Среды только с CPU: Устройства без выделенного GPU-ускорения, где преимущество YOLO26 в виде до 43% более быстрого вывода на CPU является решающим.
• Обнаружение мелких объектов: Сложные сценарии, такие как аэросъемка с дронов или анализ данных IoT-датчиков, где ProgLoss и STAL значительно повышают точность распознавания крошечных объектов.

Будущее уже здесь: встречай Ultralytics YOLO26

Хотя YOLOv10 представила революционный дизайн без NMS, технологии шагнули дальше. Выпущенная в январе 2026 года, Ultralytics YOLO26 представляет собой окончательное современное достижение в области ИИ для компьютерного зрения. Она объединяет лучшие аспекты предыдущих архитектур, такие как многозадачные возможности YOLO11 и стабильность RT-DETR, в единую, высокооптимизированную мощную систему.

Ключевые прорывы в YOLO26:

• Комплексный дизайн без NMS: основываясь на фундаменте YOLOv10, YOLO26 изначально является сквозным решением, упрощающим логику развертывания до минимума.
• До 43% быстрее вывод на CPU: благодаря удалению Distribution Focal Loss (DFL), YOLO26 значительно снижает вычислительные затраты, что делает ее безоговорочным лидером 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 любой предшественник.
• ProgLoss + STAL: превосходные 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 задачи

Выбор между этими сетями в конечном итоге зависит от твоих ограничений при развертывании:

• EfficientDet остается предметом академического интереса в отношении составного масштабирования и подходит для исследователей, поддерживающих существующие системы TensorFlow, где размер весов модели (на диске) важнее, чем скорость выполнения.
• YOLOv10 феноменальна для приложений, требующих сверхнизкой задержки, таких как высокоскоростное multi-object tracking и мониторинг трафика, благодаря своей передовой архитектуре без NMS.
• YOLO26, однако, является лучшей рекомендацией для современных computer vision projects, предлагая абсолютно лучший Performance Balance между точностью, минимальным потреблением памяти и многозадачностью, поддерживаемой надежной экосистемой Ultralytics.