Сравнение EfficientDet и YOLOv5#

Выбор оптимальной архитектуры нейронной сети — определяющий этап любого проекта в области компьютерного зрения. Баланс между задержкой инференса, эффективностью использования параметров и точностью детектирования определяет, насколько хорошо модель будет работать в реальных условиях. Это подробное техническое руководство содержит углублённый анализ двух чрезвычайно влиятельных фреймворков для детектирования объектов: EfficientDet от Google и Ultralytics YOLOv5.

Сравнивая их архитектурные инновации, методики обучения и возможности развёртывания, разработчики могут принимать обоснованные решения для конкретных сред развёртывания — будь то масштабирование на облачных серверах или запуск на устройствах периферийных вычислений с ограниченными ресурсами.

EfficientDet: масштабируемая архитектура с BiFPN#

Разработанная Google Research, модель EfficientDet предназначена для систематического масштабирования как базовой сети, так и сети признаков, чтобы достигать высокой точности с меньшим числом параметров по сравнению с предшествующими моделями, считавшимися лучшими на тот момент.

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 детектирование объектов
• GitHub: google/automl/efficientdet

Архитектурные инновации#

EfficientDet использует классификационную модель EfficientNet в качестве базовой сети и применяет метод составного масштабирования, равномерно изменяя ширину, глубину и разрешение сети. Самый заметный вклад модели в детектирование объектов — внедрение двунаправленной сети пирамиды признаков (BiFPN). В отличие от стандартных сетей пирамиды признаков, которые просто агрегируют признаки сверху вниз, BiFPN поддерживает сложные двунаправленные межмасштабные связи и вводит обучаемые веса для определения важности различных входных признаков.

Несмотря на высокую точность, EfficientDet сильно зависит от экосистемы TensorFlow и специализированных библиотек AutoML. Такая зависимость иногда усложняет интеграцию модели в пользовательские облегчённые конвейеры развёртывания или среды, предпочитающие динамические вычислительные графы.

Узнай больше об EfficientDet

Ultralytics YOLOv5: демократизация ИИ реального времени#

Выпущенная вскоре после EfficientDet, Ultralytics YOLOv5 произвела революцию в отрасли, предложив исключительно доступную нативную реализацию архитектуры YOLO на PyTorch. Она установила новый стандарт удобства для разработчиков, эффективности обучения и гибкости развёртывания в реальном времени.

Сведения о модели#

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

Архитектурные инновации#

YOLOv5 получила значительные улучшения по сравнению с предшественниками, используя базовую сеть CSPDarknet (частичное разделение между этапами), которая существенно улучшает прохождение градиентов и одновременно уменьшает общее число параметров. Кроме того, YOLOv5 включает автоматически обучаемые anchor boxes, которые автоматически вычисляют оптимальные априорные параметры ограничивающих рамок на основе твоих конкретных пользовательских данных обучения, устраняя необходимость в ручной настройке гиперпараметров.

YOLOv5 также активно использует мозаичную аугментацию данных, объединяя четыре разных изображения в один фрагмент для обучения. Это значительно улучшает способность модели обнаруживать небольшие объекты и обобщать контекстное понимание, делая её устойчивой в разнообразных средах.

Производительность и бенчмарки#

Оценка моделей на стандартных наборах тестов, таких как набор данных COCO, имеет решающее значение для понимания компромиссов между точностью и скоростью. В таблице ниже показано, как различные размеры EfficientDet и YOLOv5 работают в стандартизированных условиях.

Анализ компромиссов#

Хотя EfficientDet-d7 достигает впечатляющего пикового значения mAP 53,7, по сравнению с архитектурами YOLO она отличается значительно большей задержкой инференса на GPU. В свою очередь, YOLOv5 превосходит другие модели по эффективности аппаратного ускорения. Вариант YOLOv5n обеспечивает поразительно быстрое время инференса — 1,12 мс на GPU T4 с использованием NVIDIA TensorRT, что делает его значительно более подходящим для приложений реального времени, таких как автономное вождение или высокоскоростные производственные линии.

Кроме того, моделям YOLOv5 требуется значительно меньше памяти CUDA во время обучения по сравнению со сложными сетями с составным масштабированием или крупными моделями Transformer. Такой экономный профиль использования памяти делает передовые технологии ИИ более доступными, позволяя исследователям обучать надёжные модели на стандартном пользовательском оборудовании.

Экосистема обучения и удобство для разработчиков#

Главное преимущество экосистемы Ultralytics — удобство и простота работы с ней. В то время как EfficientDet требует глубокого знания API детектирования объектов TensorFlow, YOLOv5 предоставляет единый простой API Python.

Хорошо поддерживаемая экосистема Ultralytics обеспечивает 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#

Для запуска инференса с предварительно обученной моделью YOLOv5 требуется 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 применения#

EfficientDet — это исключительно фреймворк для детектирования объектов, что ограничивает его полезность в сложных конвейерах компьютерного зрения. В то же время YOLOv5 развилась и теперь поддерживает несколько задач компьютерного зрения. Современные версии модели поддерживают высокоточную сегментацию экземпляров и классификацию изображений, позволяя разработчикам объединить свой стек машинного обучения.

Идеальные сценарии использования#

• 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 объёмом памяти.
• YOLOv5: безусловный выбор для развёртывания ИИ на периферийных устройствах. Сочетание низкой задержки, небольшого количества параметров и высокой точности делает эту модель идеальной для аналитики с дронов, автоматизации розничной торговли в реальном времени и мобильных приложений через CoreML или TFLite.

Следующее поколение: переход на YOLO26#

Хотя YOLOv5 остаётся надёжной и широко используемой моделью, область ИИ развивается стремительно. Для команд, начинающих новые проекты или стремящихся достичь абсолютного максимума современной производительности, Ultralytics представила YOLO26, выпущенную в январе 2026 года.

YOLO26 переопределяет границу Парето между скоростью и точностью, предлагая революционные архитектурные изменения, которые упрощают развёртывание и ускоряют инференс.

Ключевые улучшения YOLO26#

• Сквозная архитектура без NMS: YOLO26 изначально устраняет постобработку Non-Maximum Suppression. Это существенно упрощает логику развёртывания и уменьшает вариативность задержки — прорывной подход, усовершенствованный на основе ранних экспериментов в YOLOv10.
• До 43% более быстрый инференс на CPU: специально разработан для периферийных вычислений и маломощных устройств IoT, работающих без выделенных GPU.
• Оптимизатор MuSGD: вдохновлённый методами обучения больших языковых моделей, такими как Kimi K2 от Moonshot AI, этот гибрид SGD и Muon переносит инновации LLM в компьютерное зрение, обеспечивая более быструю сходимость и исключительно стабильную динамику обучения.
• ProgLoss + STAL: Эти передовые функции потерь заметно улучшают распознавание небольших объектов, что особенно важно для аэрофотосъемки и робототехники.
• Удаление DFL: исключение Distribution Focal Loss значительно упрощает голову модели, улучшая совместимость при экспорте на устаревшее или сильно ограниченное периферийное оборудование.

Для команд, разворачивающих многозадачные конвейеры, YOLO26 также предлагает специализированные улучшения, такие как multi-scale proto для сегментации и специализированную функцию потерь угла для ориентированных ограничивающих рамок (OBB). Чтобы изучить другие современные альтернативы в экосистеме, ты также можешь ознакомиться с YOLO11 или архитектурой YOLOv8.

Заключение#

Выбор между EfficientDet и YOLOv5 во многом зависит от целевой среды развёртывания. EfficientDet предлагает математически элегантный подход к масштабированию, подходящий для инференса преимущественно в облаке. Однако более удобная среда разработки YOLOv5, чрезвычайно быстрые циклы обучения на PyTorch и высокооптимизированные возможности развёртывания на периферийных устройствах делают её предпочтительным выбором для подавляющего большинства реальных приложений реального времени. Используя комплексные инструменты Ultralytics, команды могут ускорить вывод продуктов на рынок и создавать высокоотзывчивые системы ИИ.