Начать

EfficientDet и YOLOv5

Выбор правильной архитектуры нейронной сети — ключевой этап любого проекта в области компьютерного зрения. Сочетание задержки инференса, эффективности использования параметров и точности обнаружения определяет, насколько хорошо модель будет работать в реальных условиях. В этом техническом руководстве анализируются два влиятельных фреймворка для обнаружения объектов: EfficientDet от Google и YOLOv5 от Ultralytics.

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, представленная Google Research, была создана для систематического масштабирования базовой сети и сети признаков, чтобы обеспечить высокую точность с меньшим количеством параметров, чем у ведущих моделей предыдущего поколения.

Сведения о модели#

Архитектурные инновации#

В качестве базовой сети EfficientDet использует классификационную модель EfficientNet и метод составного масштабирования, равномерно изменяющий ширину, глубину и разрешение сети. Важнейший вклад EfficientDet в обнаружение объектов — создание двунаправленной сети пирамиды признаков (BiFPN). В отличие от стандартных сетей пирамиды признаков, которые просто объединяют признаки сверху вниз, BiFPN поддерживает сложные двунаправленные связи между масштабами и использует обучаемые веса, чтобы определять важность различных 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#

Выпущенная в середине 2020 года Ultralytics YOLOv5 сделала YOLO гораздо доступнее благодаря встроенной реализации архитектуры на PyTorch. Модель установила новый стандарт удобства для разработчиков, эффективности обучения и гибкости развертывания в реальном времени.

Сведения о модели#

Архитектурные инновации#

В YOLOv5 появились значительные улучшения по сравнению с предшественниками: базовая сеть CSPDarknet (Cross-Stage Partial) улучшает распространение градиентов и сокращает общее количество параметров. Кроме того, YOLOv5 использует автоматическое обучение якорным рамкам и сама рассчитывает приоритетные параметры ограничивающих рамок на основе пользовательских обучающих данных, избавляя от необходимости вручную настраивать якоря.

В YOLOv5 также активно используется аугментация данных Mosaic: четыре разных изображения объединяются в один обучающий фрагмент. Это помогает модели лучше обнаруживать небольшие объекты и понимать контекст, повышая ее устойчивость в различных условиях.

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.

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
YOLOv5n64028.0-1.121.94.5
YOLOv5s64037.4-1.927.216.5
YOLOv5m64045.4-4.0321.249.0
YOLOv5l64049.0-6.6146.5109.1
YOLOv5x64050.7-11.8986.7205.7

Анализ компромиссов#

Хотя EfficientDet-d7 достигает пикового mAP 53,7, на GPU у нее наблюдается значительная задержка инференса по сравнению с архитектурами YOLO. YOLOv5, напротив, эффективно использует аппаратное ускорение. Вариант YOLOv5n обеспечивает инференс за 1,12 мс на GPU T4 с помощью NVIDIA TensorRT, поэтому он гораздо лучше подходит для приложений реального времени, например автономного вождения или высокоскоростных производственных линий.

При обучении моделям YOLOv5 требуется гораздо меньше памяти CUDA, чем сложным сетям с составным масштабированием или крупным моделям Transformer. Благодаря такому низкому потреблению памяти современные технологии ИИ становятся доступнее: исследователи могут обучать надежные модели на обычном пользовательском оборудовании.

Максимальная эффективность оборудования

Чтобы добиться максимального количества кадров в секунду (FPS) от модели YOLOv5 на периферийных устройствах, экспортируй веса PyTorch в TensorRT для GPU NVIDIA или в OpenVINO для CPU Intel. Это может значительно повысить скорость инференса.

Экосистема обучения и удобство разработки#

Главное преимущество экосистемы Ultralytics — удобство и простота работы. Если для EfficientDet нужно хорошо знать API обнаружения объектов TensorFlow, то YOLOv5 предлагает единый и простой Python API.

Экосистема Ultralytics активно развивается: разработчики получают регулярные обновления, поддержку активного сообщества и интеграции с инструментами отслеживания экспериментов, такими 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 фреймворк для обнаружения объектов, что ограничивает его применение в сложных конвейерах компьютерного зрения. YOLOv5, напротив, развилась и теперь поддерживает несколько задач компьютерного зрения. Современные выпуски модели обеспечивают точную 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: отличный выбор для развертывания ИИ на периферийных устройствах. Низкая задержка, небольшое количество параметров и высокая точность делают модель подходящей для аналитики с дронов, автоматизации розничной торговли в реальном времени и мобильных приложений на CoreML или LiteRT.

Следующее поколение: переход на YOLO26#

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

Архитектурные изменения в YOLO26 улучшают компромисс между скоростью и точностью, упрощают развертывание и ускоряют инференс.

Ключевые улучшения YOLO26#

  • Сквозная архитектура без NMS: дополнительная голова для сквозного инференса YOLO26 (nms=False) устраняет этап постобработки с подавлением немаксимумов (NMS). Это упрощает логику развертывания и уменьшает колебания задержки, развивая подход, впервые представленный в YOLOv10.
  • Инференс на CPU до 43% быстрее: По сравнению с YOLO11n модель YOLO26n работает на CPU до 43% быстрее, поэтому подходит для периферийных вычислений и маломощных устройств IoT без выделенных GPU.
  • Оптимизатор MuSGD: Этот гибрид SGD и Muon, вдохновленный методами обучения больших языковых моделей (например, разработками, лежащими в основе Kimi K2 от Moonshot AI), переносит идеи обучения LLM в компьютерное зрение, ускоряя сходимость и обеспечивая стабильную динамику обучения.
  • ProgLoss + STAL: Прогрессивная функция потерь и стратегия назначения меток с учетом малых объектов заметно повышают качество их распознавания, что особенно важно для аэрофотоснимков и робототехники.
  • Удаление DFL: Удаление Distribution Focal Loss упрощает голову модели и повышает совместимость при экспорте на устаревшее 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 среды развертывания. EfficientDet предлагает продуманный подход к масштабированию, подходящий для инференса преимущественно в облаке. Однако удобство для разработчиков, быстрые циклы обучения PyTorch и возможности оптимизированного развертывания на периферийных устройствах делают YOLOv5 предпочтительным выбором для большинства приложений реального времени в реальных условиях. Для новых проектов рекомендуется начать с YOLO26. Используя комплексные инструменты Ultralytics, команды могут ускорить вывод продуктов на рынок и создавать высокоотзывчивые системы ИИ.

Участники

Комментарии

Задай вопрос, поделись результатами или помоги кому-нибудь.