Начать

EfficientDet и YOLOv10

В компьютерном зрении правильный выбор архитектуры обнаружения объектов крайне важен для баланса точности, задержки и вычислительной эффективности. В этом техническом руководстве сравниваются две влиятельные модели: EfficientDet от Google и YOLOv10 Университета Цинхуа. Обе модели представляют значительный прогресс в обнаружении объектов, но подходят к проектированию архитектуры и оптимизации модели совершенно по-разному.

В руководстве рассматриваются основные архитектуры моделей, анализируются результаты тестов на стандартных наборах данных, таких как COCO, а также обсуждается их интеграция в современные конвейеры машинного обучения, включая экосистему Ultralytics.

EfficientDet: первопроходец составного масштабирования#

Выпущенная в конце 2019 года, EfficientDet установила новый стандарт масштабируемого и точного обнаружения объектов, предложив продуманный подход к масштабированию размерностей сети.

Ключевые инновации и архитектура#

EfficientDet построена на базовой сети EfficientNet и использует новую двунаправленную пирамидальную сеть признаков (BiFPN). В отличие от традиционных пирамидальных сетей признаков (FPN), которые суммируют признаки, не учитывая их важность, BiFPN использует обучаемые веса для объединения признаков разных масштабов. Благодаря этому сеть может эффективно обучаться тому, признаки какого разрешения вносят наибольший вклад в итоговое предсказание. EfficientDet также применяет метод составного масштабирования, который одновременно и единообразно меняет разрешение, глубину и ширину базовой сети, сети признаков и сетей предсказания рамок и классов.

EfficientDet по-прежнему подходит для устаревших систем, тесно интегрированных со старыми конвейерами TensorFlow, но при обучении требует значительного объёма памяти и использует устаревшую экосистему, работать с которой сложнее, чем с современными динамическими фреймворками.

Подробнее об EfficientDet

YOLOv10: новаторская архитектура без NMS#

Выпущенная в середине 2024 года, YOLOv10 изменила подход к обнаружению объектов в реальном времени: модель устраняет необходимость в подавлении немаксимумов (NMS) на этапе постобработки, значительно снижая задержку инференса.

Ключевые инновации и архитектура#

YOLOv10 представляет согласованную стратегию двойного назначения для обучения без NMS. Используя при обучении назначение меток «многие-к-одному» и «один-к-одному», сеть учится предсказывать уникально сопоставленные ограничивающие рамки без необходимости применять NMS для удаления дубликатов. Этот целостный подход к проектированию модели, ориентированный на эффективность и точность, снижает избыточные вычисления, что делает её отличным кандидатом для периферийных вычислений и приложений потоковой передачи видео с низкой задержкой. Модель также интегрирована в экосистему Ultralytics, предоставляя разработчикам простой Python API.

Подробнее о YOLOv10

Преимущества работы без NMS

Удаление этапа NMS позволяет YOLOv10 сохранять стабильную скорость инференса независимо от количества обнаруженных в сцене объектов, устраняя скачки задержки, которые часто возникают в перегруженных приложениях компьютерного зрения.

Сравнение производительности: точность, скорость и эффективность#

При развёртывании моделей в реальных условиях разработчикам необходимо сопоставлять среднюю точность (mAP) с количеством параметров и вычислительных операций (FLOPs). В таблице ниже представлены эти показатели для масштабируемых вариантов обеих моделей.

Модельразмер
(пиксели)
mAPval50-95Скорость
CPU ONNX
(мс)
Скорость
T4 TensorRT10
(мс)
параметры
(M)
FLOPs
(B)
EfficientDet-d051234.6-3.923.92.54
EfficientDet-d164040.5-7.316.66.1
EfficientDet-d276843.0-10.928.111.0
EfficientDet-d389647.5-19.5912.024.9
EfficientDet-d4102449.7-33.5520.755.2
EfficientDet-d5128051.5-67.8633.7130.0
EfficientDet-d6128052.6-89.2951.9226.0
EfficientDet-d7153653.7-128.0751.9325.0
YOLOv10n64038.5-1.842.36.7
YOLOv10s64046.3-2.497.221.6
YOLOv10m64051.1-4.7415.459.1
YOLOv10b64052.5-5.7419.192.0
YOLOv10l64053.2-7.2824.4120.3
YOLOv10x64054.4-10.7029.5160.4

Примечание: Вариант YOLOv10n требует меньше параметров (2.3M) и обеспечивает гораздо более высокую скорость TensorRT (1.84ms), чем самые компактные варианты EfficientDet, поэтому он значительно лучше подходит для инференса в реальном времени в производственной среде.

Почему стоит выбрать Ultralytics для развёртывания моделей?#

Обе модели имеют историческое и структурное значение, однако их интеграция в современные конвейеры может быть непростой задачей. Здесь помогает платформа Ultralytics. Благодаря единой экосистеме Ultralytics упрощает весь жизненный цикл — от разметки данных до развёртывания.

  1. Простота использования: пакет Ultralytics для Python предоставляет единый интерфейс для обучения моделей, валидации и экспорта, заменяя сотни строк шаблонного кода короткими командами.
  2. Экосистема и универсальность: EfficientDet специализируется на обнаружении объектов, тогда как модели Ultralytics YOLO поддерживают сегментацию экземпляров, классификацию, оценку позы и ориентированные ограничивающие рамки (OBB).
  3. Эффективность обучения: Благодаря таким методам, как автоматическая разбивка на пакеты и распределённое обучение, модели Ultralytics обучаются быстрее и потребляют гораздо меньше памяти CUDA, чем тяжёлые модели на основе Transformer или старые архитектуры TensorFlow с несколькими ветвями.

Пример кода: обучение YOLOv10#

Развёртывание YOLOv10 с Ultralytics не вызывает сложностей. Следующий фрагмент кода показывает, как инициализировать, обучить и оценить сеть YOLOv10 целиком через Python API.

from ultralytics import YOLO

# Загрузи предварительно обученную модель YOLOv10 (компактный вариант для высокой скорости на периферийных устройствах)
model = YOLO("yolov10n.pt")

# Обучи модель на датасете COCO8
results = model.train(data="coco8.yaml", epochs=50, imgsz=640, batch=16)

# Оцени модель на валидационном наборе
metrics = model.val()

# Экспортируем модель в ONNX для развертывания в промышленной среде
model.export(format="onnx")

Сценарии использования и рекомендации#

Выбор между EfficientDet и YOLOv10 зависит от требований конкретного проекта, ограничений развёртывания и предпочтений в отношении экосистемы.

Когда стоит выбрать EfficientDet#

EfficientDet — хороший выбор для:

  • Конвейеры Google Cloud и TPU: системы на базе TensorFlow в инфраструктуре Google Cloud TPU, где эталонная реализация EfficientDet поддерживает обучение на TPU.
  • Исследования составного масштабирования: Академические исследования и сравнительное тестирование, посвящённые влиянию сбалансированного масштабирования глубины, ширины и разрешения сети.
  • Развертывание на мобильных устройствах через LiteRT: Проекты, для которых требуется экспорт в LiteRT (ранее TensorFlow Lite) для Android или встраиваемых устройств с Linux.

Когда выбирать YOLOv10#

YOLOv10 рекомендуется для таких задач:

  • Детектирование в реальном времени без NMS: Приложения, которым полезно сквозное детектирование без подавления немаксимумов, что упрощает развертывание.
  • Сбалансированное соотношение скорости и точности: Проекты, в которых важно найти оптимальный баланс между скоростью инференса и точностью детектирования для моделей разных размеров.
  • Приложения с постоянной задержкой: Сценарии развертывания, где важны предсказуемые времена инференса, например в робототехнике или автономных системах.

Когда выбирать Ultralytics (YOLO26)#

Для большинства новых проектов Ultralytics YOLO26 предлагает оптимальное сочетание производительности и удобства разработки:

  • Развертывание на периферийных устройствах без NMS: Приложения, которым необходим стабильный инференс с низкой задержкой без усложнения постобработки подавлением немаксимумов.
  • Среды только с CPU: устройства без выделенного ускорителя GPU, на которых YOLO26n получает явное преимущество благодаря инференсу на CPU до 43% быстрее, чем у YOLO11n.
  • Обнаружение небольших объектов: Сложные сценарии, например съёмка с дронов или анализ данных IoT-датчиков, где ProgLoss и STAL заметно повышают точность обнаружения крошечных объектов.

Будущее уже наступило: встречай Ultralytics YOLO26#

YOLOv10 представила архитектуру YOLO без NMS, но технология продолжила развиваться. Выпущенная в январе 2026 года, Ultralytics YOLO26 — текущая рекомендуемая модель Ultralytics для ИИ в компьютерном зрении. Она объединяет сильные стороны предыдущих архитектур, такие как многозадачные возможности YOLO11 и сквозное обнаружение объектов в RT-DETR, в одном оптимизированном семействе моделей.

Преимущества YOLO26

Если ты начинаешь новый проект, начни с YOLO26. Платформа Ultralytics обеспечивает гибкость и простоту использования.

Ключевые инновации YOLO26:

  • Сквозная архитектура без NMS: Развивая основу, заложенную YOLOv10, YOLO26 предлагает опциональную сквозную голову с назначением один-к-одному (nms=False), которая пропускает NMS и упрощает логику развёртывания.
  • Инференс на CPU до 43% быстрее: Удаление распределительной фокальной функции потерь (DFL) значительно снижает вычислительные издержки: YOLO26n работает на CPU до 43% быстрее YOLO11n, поэтому хорошо подходит для устройств периферийного ИИ.
  • Оптимизатор MuSGD: YOLO26 заимствует методы обучения больших языковых моделей (LLM). Сочетая стабильность SGD со скоростью Muon, он обеспечивает более быструю и надёжную сходимость.
  • ProgLoss + STAL: Прогрессивная функция потерь и назначение меток с учётом малых объектов решают давние проблемы обнаружения небольших объектов — области, в которой EfficientDet традиционно испытывала трудности.

Вывод: выбираем модель для конкретной задачи#

Окончательный выбор между этими сетями зависит от ограничений развёртывания:

  • EfficientDet по-прежнему представляет академический интерес как пример составного масштабирования и подходит исследователям, поддерживающим существующие системы TensorFlow, для которых размер файла весов модели важнее скорости выполнения.
  • YOLOv10 отлично подходит для приложений, требующих сверхнизкой задержки, например для высокоскоростного отслеживания нескольких объектов и мониторинга дорожного движения, благодаря архитектуре без NMS.
  • YOLO26 — лучшая рекомендация для современных проектов компьютерного зрения: модель обеспечивает отличный баланс производительности благодаря высокой точности, малому потреблению памяти и универсальности для решения разных задач, которые поддерживает надёжная экосистема Ultralytics.
Участники

Комментарии

Задай вопрос, поделись результатами или помоги кому-нибудь.