EfficientDet против YOLOv5#

Выбор оптимальной архитектуры нейронной сети — определяющий шаг в любой инициативе по computer vision. Баланс между задержкой инференса, эффективностью параметров и точностью детекции определяет, насколько хорошо модель проявит себя в реальных условиях. Это исчерпывающее техническое руководство предлагает глубокий анализ двух очень влиятельных фреймворков для детекции объектов: EfficientDet от Google и Ultralytics YOLOv5.

Сравнивая их архитектурные инновации, методологии обучения и возможности развертывания, разработчики могут принимать обоснованные решения для своих конкретных сред развертывания, будь то масштабирование на облачных серверах или работа на ограниченных по ресурсам граничных устройствах.

EfficientDet: Масштабируемая архитектура с BiFPN#

Представленная Google Research, модель EfficientDet была разработана для систематического масштабирования как основы (backbone), так и сети признаков, чтобы достичь высокой точности с меньшим количеством параметров по сравнению с предыдущими передовыми моделями.

Подробности о модели#

• Авторы: Минсин Тан, Руомин Пан и Куок В. Ле
• Организация: Google Research
• Дата: 20 ноября 2019 г.
• Arxiv: EfficientDet: Scalable and Efficient Object Detection
• GitHub: google/automl/efficientdet

Архитектурные инновации#

EfficientNet в качестве бэкбона лежит в основе EfficientDet, которая использует метод составного масштабирования, равномерно масштабирующий ширину, глубину и разрешение сети. Ее наиболее заметный вклад в object detection — внедрение двунаправленной пирамидальной сети признаков (BiFPN). В отличие от стандартных пирамидальных сетей признаков, которые просто агрегируют признаки сверху вниз, BiFPN обеспечивает сложные двунаправленные кросс-масштабные соединения и вводит обучаемые веса для определения важности различных входных признаков.

Обладая высокой точностью, EfficientDet сильно зависит от экосистемы TensorFlow и специфических библиотек AutoML. Эта зависимость иногда может затруднять интеграцию в пользовательские, легковесные пайплайны развертывания или среды, предпочитающие динамические вычислительные графы.

Узнай больше об EfficientDet

Ultralytics YOLOv5: Демократизация ИИ в реальном времени#

Выпущенный вскоре после EfficientDet, Ultralytics YOLOv5 произвел революцию в индустрии, предложив невероятно доступную нативную реализацию архитектуры YOLO на PyTorch. Он установил новый стандарт для опыта разработчиков, эффективности обучения и гибкости развертывания в реальном времени.

Подробности о модели#

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

Архитектурные инновации#

YOLOv5 представила значительные улучшения по сравнению со своими предшественниками, используя основу CSPDarknet (Cross-Stage Partial), которая значительно улучшает градиентный поток, уменьшая при этом общее количество параметров. Кроме того, YOLOv5 включает функцию Auto-Learning Anchor Boxes, которая автоматически вычисляет оптимальные априорные данные ограничивающих рамок (bounding box) на основе твоих конкретных данных для обучения, устраняя необходимость в ручной настройке гиперпараметров.

YOLOv5 также активно использует Mosaic Data Augmentation, смешивая четыре разных изображения в один тренировочный тайл. Это значительно улучшает способность модели обнаруживать мелкие объекты и обобщает контекстное понимание, делая её очень устойчивой в различных условиях.

Узнай больше о YOLOv5

Производительность и бенчмарки#

Оценка моделей на стандартных бенчмарках, таких как COCO dataset, имеет решающее значение для понимания компромиссов между точностью и скоростью. Таблица ниже иллюстрирует, как различные размеры EfficientDet и YOLOv5 работают в стандартизированных условиях.

Анализ компромиссов#

Хотя EfficientDet-d7 масштабируется до впечатляющего пикового значения mAP в 53.7, она страдает от значительной задержки инференса на GPU-оборудовании по сравнению с архитектурами YOLO. И наоборот, YOLOv5 преуспевает в аппаратном ускорении. Вариант YOLOv5n достигает поразительно быстрого времени инференса в 1.12 мс на GPU T4 с использованием NVIDIA TensorRT, что делает её значительно превосходящей для приложений реального времени, таких как автономное вождение или высокоскоростные производственные линии.

Кроме того, модели YOLOv5 демонстрируют гораздо более низкие требования к памяти CUDA во время обучения по сравнению со сложными сетями с составным масштабированием или большими моделями Transformer. Этот экономный профиль памяти демократизирует доступ к современному ИИ, позволяя исследователям обучать надежные модели на стандартном потребительском оборудовании.

Экосистема обучения и опыт разработчика#

Истинное преимущество экосистемы Ultralytics заключается в ее оптимизированном пользовательском опыте. В то время как EfficientDet требует глубоких знаний API обнаружения объектов TensorFlow, YOLOv5 предоставляет последовательный, простой Python API.

Поддерживаемая в актуальном состоянии Ultralytics ecosystem гарантирует разработчикам доступ к частым обновлениям, активной поддержке сообщества и бесшовным интеграциям с инструментами отслеживания экспериментов, такими как Weights & Biases и ClearML.

Пример кода: Начало работы с YOLOv5#

Запуск инференса с предобученной моделью YOLOv5 требует всего несколько строк кода через PyTorch Hub:

from ultralytics import YOLO

# Load the highly efficient YOLOv5s model
model = YOLO("yolov5su.pt")

# Run inference on an image
results = model("https://ultralytics.com/images/zidane.jpg")

# Display the detected bounding boxes
results[0].show()

Универсальность и реальные приложения#

EfficientDet является строго фреймворком детекции объектов, что ограничивает его полезность в сложных пайплайнах компьютерного зрения. С другой стороны, YOLOv5 эволюционировала до поддержки множества задач компьютерного зрения. Современные релизы модели поддерживают высокоточную instance segmentation и image classification, позволяя разработчикам объединять свой стек машинного обучения.

Идеальные варианты использования#

• EfficientDet: Лучше всего подходит для автономной обработки, академических исследований и облачной аналитики, где максимальная точность важнее задержки, и где доступны серверные TPU или GPU с большим объемом памяти.
• YOLOv5: Определяющий выбор для edge AI deployments. Её комбинация низкой задержки, крошечного объема параметров и высокой точности делает её идеальной для дронов, автоматизации розничной торговли в реальном времени и мобильных приложений через CoreML или TFLite.

Следующее поколение: Обновление до YOLO26#

Хотя YOLOv5 остается надежной и широко развертываемой моделью, область ИИ движется быстро. Для команд, начинающих новые проекты или ищущих абсолютный пик современной производительности, Ultralytics представила YOLO26, выпущенную в январе 2026 года.

YOLO26 переопределяет границу Парето скорости и точности, вводя революционные архитектурные сдвиги, которые облегчают развертывание и ускоряют вывод.

Ключевые достижения YOLO26#

• Конструкция End-to-End без NMS: YOLO26 нативно исключает постобработку Non-Maximum Suppression. Это значительно упрощает логику развертывания и уменьшает дисперсию задержки — революционный подход, усовершенствованный на основе ранних экспериментов в YOLOv10.
• До 43% более быстрый вывод на CPU: Специально разработана для граничных вычислений и IoT-устройств с низким энергопотреблением, работающих без выделенных GPU.
• Оптимизатор MuSGD: Вдохновленный методами обучения больших языковых моделей (таких как Kimi K2 от Moonshot AI), этот гибрид SGD и Muon привносит инновации LLM в компьютерное зрение, обеспечивая более быструю сходимость и высокостабильную динамику обучения.
• ProgLoss + STAL: Эти продвинутые функции потерь дают заметные улучшения в распознавании мелких объектов, что критически важно для аэрофотосъемки и робототехники.
• Удаление DFL: Благодаря удалению Distribution Focal Loss заголовок модели значительно упрощен, что приводит к лучшей совместимости при экспорте на устаревшее или сильно ограниченное граничное оборудование.

Для команд, развертывающих многозадачные пайплайны, YOLO26 также представляет специфичные для задач улучшения, такие как multi-scale proto для сегментации и специализированную угловую потерю для oriented bounding boxes (OBB). Чтобы изучить другие современные альтернативы внутри экосистемы, ты также можешь ознакомиться с YOLO11 или архитектурой YOLOv8.

Заключение#

Выбор между EfficientDet и YOLOv5 сильно зависит от твоей цели развертывания. EfficientDet предлагает математически элегантный подход к масштабированию, подходящий для облачного вывода. Однако превосходный опыт разработчика YOLOv5, чрезвычайно быстрые циклы обучения PyTorch и высокооптимизированные возможности граничного развертывания делают ее предпочтительным выбором для подавляющего большинства реальных приложений реального времени. Используя комплексные инструменты, предоставляемые Ultralytics, команды могут ускорить выход на рынок и создавать высокочувствительные системы ИИ.