EfficientDet vs YOLOv5: подробное техническое сравнение

Выбор подходящей модели обнаружения объектов — это критически важное решение, которое уравновешивает потребность в точности, скорости и вычислительных ресурсах. На этой странице представлено всестороннее техническое сравнение EfficientDet, семейства моделей от Google, известного своей масштабируемостью и точностью, и Ultralytics YOLOv5, широко используемой модели, известной своей исключительной скоростью и простотой использования. Мы углубимся в их архитектурные различия, эталонные показатели производительности и идеальные варианты использования, чтобы помочь вам выбрать лучшую модель для вашего проекта компьютерного зрения.

EfficientDet: Масштабируемая и эффективная архитектура

EfficientDet был представлен командой Google Brain как новое семейство масштабируемых и эффективных детекторов объектов. Его основная инновация заключается в тщательно разработанной архитектуре, которая оптимизирует как точность, так и эффективность посредством сложного масштабирования.

Технические детали

• Авторы: Мингксинг Тан, Руоминг Панг и Куок В. Ле
• Организация: Google
• Дата: 20.11.2019
• Arxiv: https://arxiv.org/abs/1911.09070
• GitHub: https://github.com/google/automl/tree/master/efficientdet
• Документация: https://github.com/google/automl/tree/master/efficientdet#readme

Архитектура и ключевые особенности

Архитектура EfficientDet основана на трех ключевых компонентах:

• EfficientNet Backbone: В качестве основы для извлечения признаков используется высокоэффективная сеть EfficientNet, которая уже оптимизирована для отличного соотношения точности и вычислительных затрат.
• BiFPN (Bi-directional Feature Pyramid Network): Для объединения признаков EfficientDet представляет BiFPN, которая обеспечивает простое и быстрое объединение многомасштабных признаков. В отличие от традиционных FPN, BiFPN имеет двунаправленные соединения и использует взвешенное объединение признаков для определения важности различных входных признаков.
• Комплексное масштабирование (Compound Scaling): Новый метод масштабирования, который равномерно масштабирует глубину, ширину и разрешение для backbone, сети признаков и сетей предсказания bounding box/класса. Это позволяет создать семейство моделей (от D0 до D7), которые удовлетворяют различным ограничениям ресурсов, сохраняя при этом архитектурную согласованность.

Сильные и слабые стороны

Преимущества:

• Высокая точность: Более крупные модели EfficientDet (например, D5-D7) могут достигать самых современных показателей mAP, часто превосходя другие модели по чистой точности.
• Эффективность параметров: Для заданного уровня точности модели EfficientDet часто более эффективны по параметрам и FLOP, чем старые архитектуры, такие как Mask R-CNN.
• Масштабируемость: Метод масштабирования обеспечивает четкий путь для масштабирования модели вверх или вниз в зависимости от целевого оборудования и требований к производительности.

Слабые стороны:

• Скорость инференса: Несмотря на эффективность для своей точности, EfficientDet, как правило, медленнее, чем одноэтапные детекторы, такие как YOLOv5, особенно на GPU. Это может сделать его менее подходящим для приложений инференса в реальном времени.
• Сложность: BiFPN и составное масштабирование вносят более высокий уровень архитектурной сложности по сравнению с более простой конструкцией YOLOv5.

Идеальные варианты использования

EfficientDet — отличный выбор для приложений, где достижение максимально возможной точности является основной целью, а задержка — второстепенной задачей:

• Анализ медицинских изображений: Обнаружение незначительных аномалий на медицинских сканах, где точность имеет первостепенное значение.
• Спутниковые снимки: Анализ высокого разрешения для таких приложений, как сельское хозяйство или мониторинг окружающей среды.
• Офлайн-пакетная обработка: Анализ больших наборов данных изображений или видео, где обработка не обязательно должна происходить в реальном времени.

Узнайте больше об EfficientDet

Ultralytics YOLOv5: Универсальная и широко используемая модель

Ultralytics YOLOv5 стал отраслевым стандартом, известным своим невероятным балансом скорости, точности и беспрецедентной простотой использования. Разработанный на PyTorch, он стал предпочтительной моделью для разработчиков и исследователей, ищущих практичное и высокопроизводительное решение.

Технические детали

• Автор: Гленн Джокер
• Организация: Ultralytics
• Дата: 26.06.2020
• GitHub: https://github.com/ultralytics/yolov5
• Документация: https://docs.ultralytics.com/models/yolov5/

Сильные и слабые стороны

Преимущества:

• Исключительная скорость: YOLOv5 исключительно быстрая, обеспечивая обнаружение объектов в реальном времени, что крайне важно для таких приложений, как системы охранной сигнализации.
• Простота использования: Он предлагает простой рабочий процесс обучения и развертывания, поддерживаемый отличной документацией Ultralytics и оптимизированным пользовательским интерфейсом через простые интерфейсы Python и CLI.
• Хорошо поддерживаемая экосистема: YOLOv5 выигрывает от активной разработки, большого сообщества, частых обновлений и обширных ресурсов, таких как учебные пособия и интеграции с такими инструментами, как Ultralytics HUB, для обучения без кода.
• Баланс производительности: Модель обеспечивает отличный компромисс между скоростью инференса и точностью обнаружения, что делает ее подходящей для широкого спектра реальных сценариев.
• Эффективность обучения: YOLOv5 отличается эффективным процессом обучения с готовыми предварительно обученными весами и, как правило, требует меньше памяти для обучения и логического вывода по сравнению с более сложными архитектурами.
• Универсальность: Помимо обнаружения объектов, YOLOv5 также поддерживает задачи сегментации экземпляров и классификации изображений.

Слабые стороны:

• Точность: Несмотря на очень высокую точность, YOLOv5 не всегда может достигать абсолютно самого высокого mAP по сравнению с самыми большими моделями EfficientDet, особенно при обнаружении очень маленьких объектов.
• Детектирование на основе Anchor: Он опирается на предопределенные anchor boxes, что может потребовать настройки для достижения оптимальной производительности на наборах данных с необычными пропорциями объектов.

Идеальные варианты использования

YOLOv5 — предпочтительный выбор для приложений, где скорость, эффективность и простота развертывания имеют первостепенное значение:

• Видеонаблюдение в реальном времени: Быстрое обнаружение объектов в живых видеопотоках.
• Автономные системы: Восприятие с низкой задержкой для робототехники и автономных транспортных средств.
• Edge Computing: Развертывание на устройствах с ограниченными ресурсами, таких как Raspberry Pi и NVIDIA Jetson, благодаря эффективности модели.
• Мобильные приложения: Быстрое время логического вывода и меньший размер моделей подходят для мобильных платформ.

Узнайте больше о YOLOv5

Анализ производительности: точность в сравнении со скоростью

Основной компромисс между EfficientDet и YOLOv5 заключается в точности и скорости. В таблице ниже показано, что, хотя более крупные модели EfficientDet могут достигать более высоких показателей mAP, они делают это со значительно большей задержкой. В отличие от этого, модели YOLOv5 предлагают гораздо более высокую скорость инференса, особенно на GPU (T4 TensorRT), что делает их идеальными для приложений реального времени. Например, YOLOv5l достигает конкурентоспособного значения 49.0 mAP с задержкой всего 6.61 мс, в то время как EfficientDet-d4 с аналогичной точностью более чем в 5 раз медленнее - 33.55 мс.

Заключение: какую модель вам следует выбрать?

EfficientDet и Ultralytics YOLOv5 — это мощные модели обнаружения объектов, но они отвечают разным приоритетам. EfficientDet превосходно подходит, когда максимальная точность является основной целью, потенциально за счет скорости вывода.

Ultralytics YOLOv5, однако, выделяется своим исключительным балансом скорости и точности, что делает его идеальным для подавляющего большинства реальных приложений. Его простота использования, всеобъемлющая и хорошо поддерживаемая экосистема (включая Ultralytics HUB), эффективное обучение и масштабируемость делают его очень практичным и удобным для разработчиков выбором. Для проектов, требующих быстрого развертывания, производительности в реальном времени и сильной поддержки сообщества, YOLOv5 часто является лучшим вариантом.

Пользователям, заинтересованным в изучении более новых моделей с дальнейшими усовершенствованиями, также стоит рассмотреть Ultralytics YOLOv8 или последнюю версию YOLO11, которые развивают сильные стороны YOLOv5 с улучшенной точностью и новыми функциями. Для получения дополнительных сравнений посетите страницу сравнения моделей Ultralytics model comparison page.

📅 Создано 1 год назад ✏️ Обновлено 1 месяц назад

Комментарии