EfficientDet против YOLOv6-3.0: подробное руководство по промышленному обнаружению объектов

Выбор правильной архитектуры нейронной сети — это фундамент любой успешной инициативы в области компьютерного зрения. В этом подробном обзоре приводится глубокое техническое сравнение двух ключевых моделей в сфере обнаружения объектов: EfficientDet от Google и YOLOv6-3.0 от Meituan.

Хотя обе архитектуры стали значительным шагом вперед на момент своего выхода, быстрое развитие искусственного интеллекта привело к появлению более универсальных и оптимизированных для периферийных устройств решений. Ниже мы разбираем производительность, методы обучения и архитектурные особенности EfficientDet и YOLOv6-3.0, а также изучаем, почему разработчики всё чаще переходят на современные экосистемы, такие как Ultralytics YOLO26, для внедрения передовых решений.

EfficientDet: масштабируемая архитектура AutoML

Разработанный командой Google Brain, EfficientDet совершил сдвиг парадигмы, опираясь на автоматизированное машинное обучение (AutoML) для оптимизации как своей основы (backbone), так и сети признаков.

• Авторы: Mingxing Tan, Ruoming Pang и Quoc V. Le
• Организация: Google Research
• Дата: 2019-11-20
• Arxiv: 1911.09070
• GitHub: google/automl
• Документация: README EfficientDet

Архитектурные инновации

Главная инновация EfficientDet — это BiFPN (двунаправленная пирамидальная сеть признаков). В отличие от традиционных FPN, которые просто агрегируют признаки сверху вниз, BiFPN обеспечивает сложные двусторонние кросс-масштабные связи и использует обучаемые веса для определения важности различных входных признаков. Это сочетается с методом составного масштабирования, который одновременно равномерно масштабирует разрешение, глубину и ширину сети.

Сильные и слабые стороны

EfficientDet достигает отличной средней точности (mAP) по отношению к количеству параметров, что делало её очень точной для своего времени. Однако она сильно зависит от устаревших сред TensorFlow. Эта зависимость часто приводит к сложностям при настройке гиперпараметров, повышенному потреблению памяти во время обучения и более медленной задержке вывода на стандартном оборудовании по сравнению с современными одностадийными детекторами на базе PyTorch.

Узнай больше об EfficientDet

YOLOv6-3.0: чемпион промышленной пропускной способности

Выпущенная для удовлетворения конкретных потребностей массовой обработки, YOLOv6-3.0 представляет собой сверточную нейронную сеть (CNN), разработанную с нуля для максимизации пропускной способности на аппаратных ускорителях, таких как графические процессоры NVIDIA T4 и A100.

• Авторы: Chuyi Li, Lulu Li, Yifei Geng и др.
• Организация: Meituan Vision AI
• Дата: 2023-01-13
• Arxiv: 2301.05586
• GitHub: meituan/YOLOv6
• Документация: Документация YOLOv6

Архитектурные инновации

В YOLOv6-3.0 традиционные модули заменены на модуль двунаправленной конкатенации (BiC) в «шее» сети для сохранения точных сигналов локализации. Кроме того, она использует стратегию обучения с поддержкой анкоров (AAT). AAT интегрирует вспомогательную ветвь на основе анкоров во время этапа обучения для обеспечения дополнительного градиентного руководства, которое затем отключается во время вывода для сохранения преимущества в скорости за счет отказа от анкоров.

Сильные и слабые стороны

Построенная на дружественной к аппаратному обеспечению основе EfficientRep, YOLOv6-3.0 превосходно работает в высокоскоростных промышленных производственных средах, где возможна пакетная обработка на выделенных GPU. Однако её сильная зависимость от операций репараметризации может привести к значительному снижению скорости при развертывании на периферийных устройствах или в средах, опирающихся исключительно на вычисления CPU.

Узнай больше о YOLOv6-3.0

Сравнение производительности

Понимание реальных метрик производительности имеет фундаментальное значение для выбора модели, которая соответствует твоим конкретным ограничениям развертывания. Ниже представлен подробный разбор точности, скорости и вычислительных затрат.

Варианты использования и рекомендации

Выбор между EfficientDet и YOLOv6 зависит от твоих конкретных требований к проекту, ограничений развертывания и предпочтений в экосистеме.

Когда выбирать EfficientDet

EfficientDet — это хороший выбор для:

• Конвейеров Google Cloud и TPU: Систем, глубоко интегрированных с API Google Cloud Vision или инфраструктурой TPU, где EfficientDet имеет нативную оптимизацию.
• Исследований в области составного масштабирования: Академических бенчмарков, сфокусированных на изучении эффектов сбалансированного масштабирования глубины, ширины и разрешения сети.
• Развертывания на мобильных устройствах через TFLite: Проектов, которые специально требуют экспорта в TensorFlow Lite для Android или встроенных Linux-устройств.

Когда выбирать YOLOv6

YOLOv6 рекомендуется для:

• Развертывания с учетом промышленного оборудования: Сценарии, где аппаратная оптимизация модели и эффективная репараметризация обеспечивают наилучшую производительность на конкретном целевом оборудовании.
• Быстрой одностадийной детекции: Приложения, ставящие во главу угла скорость логического вывода на GPU для обработки видео в реальном времени в контролируемых средах.
• Интеграции в экосистему Meituan: Команды, уже работающие внутри технологического стека и инфраструктуры развертывания Meituan.

Когда выбирать Ultralytics (YOLO26)

Для большинства новых проектов Ultralytics YOLO26 предлагает лучшее сочетание производительности и опыта разработчика:

• Периферийное развертывание без NMS: Приложениям требуется стабильный вывод с низкой задержкой без сложности постобработки Non-Maximum Suppression.
• Среды только с CPU: Устройства без выделенного GPU-ускорения, где преимущество YOLO26 в виде до 43% более быстрого вывода на CPU является решающим.
• Обнаружение мелких объектов: Сложные сценарии, такие как аэросъемка с дронов или анализ данных IoT-датчиков, где ProgLoss и STAL значительно повышают точность распознавания крошечных объектов.

Преимущество Ultralytics: почему YOLO26 — лучший выбор

Хотя EfficientDet и YOLOv6-3.0 были важными вехами в исследованиях зрения, их развертывание в современных производственных средах часто связано с борьбой со сложными зависимостями, разрозненными API и высокими требованиями к памяти. Экосистема Ultralytics нативно решает эти проблемы в рабочих процессах.

Для разработчиков, стремящихся к абсолютному пику производительности и простоте использования, Ultralytics YOLO26 (выпущенная в январе 2026 года) предлагает поколенческий скачок вперед. Это рекомендуемая модель для новых внедрений, превосходящая устаревшие архитектуры по всем параметрам.

Прорывные инновации YOLO26

• Сквозной дизайн без NMS: YOLO26 нативно работает по принципу «end-to-end», полностью устраняя необходимость в пост-обработке через немаксимальное подавление (NMS). Это радикально снижает вариативность задержек и упрощает развертывание моделей на разнообразном периферийном оборудовании.
• Оптимизатор MuSGD: Вдохновленный обучением больших языковых моделей (как Kimi K2 от Moonshot AI), YOLO26 использует гибрид SGD и Muon. Это приносит стабильность больших языковых моделей в компьютерное зрение, обеспечивая более быструю сходимость и высокоэффективные процессы обучения.
• До 43% более быстрый вывод на CPU: Оптимизированная специально для периферийных вычислений и маломощных устройств, YOLO26 обеспечивает непревзойденную скорость на CPU там, где традиционные промышленные модели работают с трудом.
• Удаление DFL: Distribution Focal Loss была удалена для упрощения графа экспорта, что обеспечивает бесшовную совместимость с рантаймами развертывания, такими как OpenVINO и CoreML.
• ProgLoss + STAL: Передовые функции потерь обеспечивают заметные улучшения в распознавании мелких объектов, что делает YOLO26 незаменимой для создания карт с дронов, IoT-датчиков и робототехники.

Непревзойденная универсальность

В отличие от EfficientDet, ограниченной обнаружением ограничивающих рамок (bounding boxes), YOLO26 является нативно многозадачной системой. Тот же унифицированный Python API «из коробки» поддерживает сегментацию экземпляров, оценку позы, классификацию изображений и обнаружение с помощью ориентированных ограничивающих рамок (OBB), с улучшениями для конкретных задач, такими как функция потерь семантической сегментации и оценка остаточного логарифмического правдоподобия (RLE), встроенными непосредственно в архитектуру.

Узнай больше о YOLO26

Бесшовная интеграция кода

Обучение передовой нейронной сети больше не требует сотен строк шаблонного кода. Библиотека Ultralytics позволяет исследователям безупречно загружать, обучать и проверять модель на стандартных наборах данных, таких как COCO:

from ultralytics import YOLO

# Initialize the natively end-to-end YOLO26 Nano model
model = YOLO("yolo26n.pt")

# Train the model efficiently with automatic hardware detection
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Validate the model's performance
metrics = model.val()
print(f"Achieved mAP50-95: {metrics.box.map:.3f}")

# Export directly to ONNX or TensorRT without NMS overhead
model.export(format="onnx")

Другие модели, которые стоит рассмотреть

Если твой проект требует поддержки старых аппаратных профилей или ты поддерживаешь унаследованную кодовую базу, более широкая экосистема Ultralytics поможет тебе в этом.

• Ultralytics YOLO11: Непосредственный предшественник YOLO26, которому очень доверяют в корпоративных средах, требующих зрелых и хорошо документированных конвейеров.
• Ultralytics YOLOv8: Стандарт, который переопределил опыт разработчиков и остается отличным выбором для задач компьютерного зрения общего назначения, глубоко интегрированным с такими инструментами, как TensorBoard и Weights & Biases.