EfficientDet и YOLOv5#

Выбор оптимальной архитектуры нейросети — ключевой этап любого проекта в области компьютерного зрения. От баланса задержки инференса, эффективности использования параметров и точности обнаружения зависит, насколько хорошо модель будет работать в реальных условиях. В этом подробном техническом руководстве анализируются две влиятельные платформы для обнаружения объектов: EfficientDet от Google и Ultralytics YOLOv5.

Сравнив архитектурные инновации, методики обучения и возможности развертывания, разработчики смогут принять взвешенное решение для конкретной среды развертывания — будь то масштабирование на облачных серверах или запуск на периферийных устройствах с ограниченными ресурсами.

EfficientDet: масштабируемая архитектура с BiFPN#

EfficientDet, разработанная Google Research, призвана систематически масштабировать как базовую сеть, так и сеть признаков, обеспечивая высокую точность при меньшем количестве параметров, чем у предыдущих передовых моделей.

Сведения о модели#

• Авторы: Mingxing Tan, Ruoming Pang и Quoc V. Le
• Организация: Google Research
• Дата: 20 ноября 2019 года
• Arxiv: EfficientDet: масштабируемое и эффективное обнаружение объектов
• GitHub: google/automl/efficientdet

Архитектурные инновации#

EfficientDet использует классификационную модель EfficientNet в качестве базовой сети, применяя метод составного масштабирования, который равномерно изменяет ширину, глубину и разрешение сети. Самый заметный вклад модели в обнаружение объектов — появление двунаправленной пирамидальной сети признаков (BiFPN). В отличие от стандартных пирамидальных сетей признаков, которые просто объединяют признаки сверху вниз, BiFPN поддерживает сложные двунаправленные связи между масштабами и использует обучаемые веса, чтобы определять важность разных входных признаков.

Несмотря на высокую точность, EfficientDet сильно зависит от экосистемы TensorFlow и специальных библиотек AutoML. Из-за этой зависимости интеграция модели в собственные легковесные конвейеры развертывания или среды, предпочитающие динамические вычислительные графы, может быть затруднена.

Подробнее об EfficientDet

Ultralytics YOLOv5: демократизация ИИ в реальном времени#

Вскоре после выхода EfficientDet компания Ultralytics представила YOLOv5 — невероятно доступную нативную реализацию архитектуры YOLO на PyTorch, которая произвела революцию в отрасли. Она задала новый стандарт удобства разработки, эффективности обучения и гибкости развертывания в реальном времени.

Сведения о модели#

• Авторы: Glenn Jocher
• Организация: Ultralytics
• Дата: 26 июня 2020 года
• GitHub: ultralytics/yolov5
• Документация: Документация YOLOv5

Архитектурные инновации#

YOLOv5 получила значительные улучшения по сравнению с предшественниками: в ней используется базовая сеть CSPDarknet (Cross-Stage Partial), которая существенно улучшает распространение градиентов и одновременно сокращает общее количество параметров. Кроме того, YOLOv5 использует автоматическую настройку якорных рамок, автоматически рассчитывая оптимальные априорные параметры ограничивающих рамок на основе твоих данных для конкретного обучения и избавляя от необходимости вручную подбирать гиперпараметры.

YOLOv5 также активно использует мозаичную аугментацию данных, объединяя четыре разных изображения в один обучающий фрагмент. Это значительно повышает способность модели обнаруживать мелкие объекты и обобщать контекстную информацию, делая модель очень устойчивой в разнообразных средах.

Производительность и тесты#

Оценка моделей на стандартных тестах, таких как набор данных COCO, крайне важна для понимания компромиссов между точностью и скоростью. В таблице ниже показана производительность моделей EfficientDet и YOLOv5 разных размеров в стандартизированных условиях.

Анализ компромиссов#

EfficientDet-d7 достигает впечатляющего максимального значения mAP 53,7, но на GPU инференс у этой модели значительно медленнее, чем у архитектур YOLO. YOLOv5, напротив, отлично использует аппаратное ускорение. Вариант YOLOv5n выполняет инференс всего за 1,12 мс на GPU T4 с использованием NVIDIA TensorRT, что делает его гораздо лучше для приложений реального времени, таких как автономное вождение и высокоскоростные производственные линии.

Кроме того, при обучении моделям YOLOv5 требуется гораздо меньше памяти CUDA, чем сложным сетям с составным масштабированием или крупным моделям Transformer. Благодаря такой экономии памяти передовые технологии ИИ становятся доступнее: исследователи могут обучать надежные модели на обычном потребительском оборудовании.

Экосистема обучения и удобство разработки#

Главное преимущество экосистемы Ultralytics — удобство и простота работы. Для EfficientDet нужны глубокие знания API обнаружения объектов TensorFlow, а YOLOv5 предлагает единый простой Python API.

За счет качественно поддерживаемой экосистемы Ultralytics разработчики регулярно получают обновления и поддержку активного сообщества, а также могут легко интегрировать инструменты отслеживания экспериментов, такие как Weights & Biases и ClearML.

Пример кода: начало работы с YOLOv5#

Для инференса с предварительно обученной моделью YOLOv5 достаточно нескольких строк кода с помощью пакета Ultralytics для Python:

from ultralytics import YOLO

# Загрузка высокоэффективной модели YOLOv5s
model = YOLO("yolov5su.pt")  # YOLOv5u: веса YOLOv5 без якорей для пакета ultralytics

# Запустить инференс на изображении
results = model("https://ultralytics.com/images/zidane.jpg")

# Отображение обнаруженных ограничивающих рамок
results[0].show()

Универсальность и реальные сценарии применения#

EfficientDet — это исключительно платформа для обнаружения объектов, что ограничивает ее применение в сложных конвейерах компьютерного зрения. YOLOv5, напротив, развилась и теперь поддерживает множество задач компьютерного зрения. Современные версии модели обеспечивают высокоточную сегментацию экземпляров и классификацию изображений, позволяя разработчикам объединить стек машинного обучения.

Оптимальные сценарии применения#

• EfficientDet: лучше всего подходит для автономной обработки, академических исследований и облачной аналитики, где максимальная точность важнее задержки и доступны серверные TPU или GPU с большим объемом памяти.
• YOLOv5: безусловный выбор для развертывания ИИ на периферийных устройствах. Низкая задержка, малое количество параметров и высокая точность делают эту модель идеальной для аналитики с дронов, автоматизации розничной торговли в реальном времени и мобильных приложений с использованием CoreML или LiteRT.

Следующее поколение: переход на YOLO26#

YOLOv5 остается надежной и широко используемой моделью, но ИИ развивается стремительно. Для команд, начинающих новые проекты или стремящихся добиться максимальной современной производительности, Ultralytics выпустила YOLO26 в январе 2026 года.

YOLO26 переопределяет границу Парето между скоростью и точностью и внедряет революционные изменения архитектуры, упрощая развертывание и ускоряя инференс.

Ключевые улучшения YOLO26#

• Сквозная архитектура без NMS: опциональная сквозная голова YOLO26 (nms=False) устраняет постобработку с подавлением немаксимумов. Это значительно упрощает логику развертывания и уменьшает разброс задержки — революционный подход, усовершенствованный на основе ранних экспериментов с YOLOv10.
• Инференс на CPU до 43% быстрее: специальная оптимизация для периферийных вычислений и маломощных устройств IoT, работающих без выделенных GPU.
• Оптимизатор MuSGD: этот гибрид SGD и Muon, вдохновленный методами обучения больших языковых моделей (например, Kimi K2 от Moonshot AI), переносит инновации из области больших языковых моделей в компьютерное зрение, обеспечивая более быструю сходимость и высокую стабильность обучения.
• ProgLoss + STAL: эти продвинутые функции потерь заметно повышают точность распознавания небольших объектов, что крайне важно для аэрофотосъемки и робототехники.
• Удаление DFL: исключение Distribution Focal Loss значительно упрощает голову модели и улучшает совместимость при экспорте на старое или сильно ограниченное периферийное оборудование.

Для команд, развертывающих конвейеры с несколькими задачами, YOLO26 также предлагает специальные улучшения, например многомасштабный прототип для сегментации и специализированную функцию угловых потерь для ориентированных ограничивающих рамок (OBB). Чтобы узнать о других современных альтернативах в экосистеме, изучи также YOLO11 или архитектуру YOLOv8.

Заключение#

Выбор между EfficientDet и YOLOv5 во многом зависит от целевой платформы развертывания. EfficientDet предлагает математически элегантный подход к масштабированию, подходящий для инференса преимущественно в облаке. Однако превосходное удобство разработки YOLOv5, исключительно быстрые циклы обучения на PyTorch и оптимизированные возможности развертывания на периферийных устройствах делают эту модель предпочтительным выбором для большинства реальных приложений, работающих в реальном времени. Используя комплексные инструменты Ultralytics, команды могут быстрее выводить продукты на рынок и создавать отзывчивые системы ИИ.