EfficientDet и YOLOv6-3.0#

Выбор правильной архитектуры нейросети — основа любого успешного проекта в области компьютерного зрения. В этом подробном техническом разборе сравниваются две ключевые модели в сфере обнаружения объектов: EfficientDet от Google и YOLOv6-3.0 от Meituan.

На момент выхода обе архитектуры стали важным шагом вперед, однако стремительное развитие искусственного интеллекта привело к появлению более универсальных решений, оптимизированных для периферийных устройств. Ниже мы подробно рассмотрим производительность, методики обучения и архитектурные особенности EfficientDet и YOLOv6-3.0, а также выясним, почему разработчики все чаще переходят на современные экосистемы, такие как Ultralytics YOLO26, для передовых развертываний.

EfficientDet: масштабируемая архитектура AutoML#

Команда Google Brain разработала EfficientDet, предложив новый подход: для оптимизации как базовой сети, так и сети признаков использовалось автоматизированное машинное обучение (AutoML).

• 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#

Ключевая инновация EfficientDet — BiFPN (двунаправленная пирамидальная сеть признаков). В отличие от традиционных FPN, которые лишь объединяют признаки сверху вниз, BiFPN поддерживает сложные двунаправленные связи между масштабами и использует обучаемые веса, чтобы определять важность разных входных признаков. В сочетании с этим применяется метод составного масштабирования, который одновременно и равномерно масштабирует разрешение, глубину и ширину сети.

Преимущества и недостатки#

EfficientDet обеспечивает отличное значение средней точности (mAP) относительно количества параметров, что для своего времени делало эту модель очень точной. Однако она сильно зависит от устаревших сред TensorFlow. Эта зависимость часто усложняет настройку гиперпараметров, увеличивает расход памяти при обучении и замедляет инференс на стандартном оборудовании по сравнению с современными одностадийными детекторами на PyTorch.

Подробнее об EfficientDet

YOLOv6-3.0: лидер по промышленной пропускной способности#

YOLOv6-3.0 выпустили для решения конкретных задач массовой обработки. Эта сверточная нейронная сеть (CNN) изначально создавалась для максимальной пропускной способности на аппаратных ускорителях, таких как GPU 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 шейке YOLOv6-3.0 традиционные модули заменены модулем BiC (двунаправленная конкатенация), который сохраняет точные сигналы локализации. Кроме того, модель использует стратегию AAT (обучение с помощью якорей). На этапе обучения AAT добавляет вспомогательную ветвь с якорями для дополнительного направления градиентов, а при инференсе эта ветвь отключается, чтобы сохранить преимущество безъякорной архитектуры в скорости.

Преимущества и недостатки#

Благодаря эффективной для оборудования базовой сети EfficientRep YOLOv6-3.0 хорошо подходит для высокоскоростных промышленных производственных сред, где возможна пакетная обработка на выделенных GPU. Однако сильная зависимость модели от операций репараметризации может значительно снизить скорость при развертывании на периферийных устройствах и в средах, использующих только CPU.

Узнай больше о YOLOv6-3.0

Сравнение производительности#

Чтобы выбрать модель с учетом конкретных ограничений развертывания, необходимо понимать реальные показатели производительности. Ниже подробно рассмотрены точность, скорость и вычислительные затраты.

Сценарии использования и рекомендации#

Выбор между EfficientDet и YOLOv6 зависит от требований твоего проекта, ограничений развертывания и предпочтений в отношении экосистемы.

Когда стоит выбрать EfficientDet#

EfficientDet — хороший выбор для:

• Google Cloud и конвейеры TPU: Системы, тесно интегрированные с API Google Cloud Vision или инфраструктурой TPU, где EfficientDet оптимизирована изначально.
• Исследования составного масштабирования: Академические исследования и сравнительное тестирование, посвящённые влиянию сбалансированного масштабирования глубины, ширины и разрешения сети.
• Развертывание на мобильных устройствах через LiteRT: Проекты, для которых требуется экспорт в LiteRT (ранее TensorFlow Lite) для Android или встраиваемых устройств с Linux.

Когда стоит выбрать YOLOv6#

YOLOv6 рекомендуется для следующих задач:

• Развертывание с учетом промышленного оборудования: сценарии, в которых аппаратно-ориентированный дизайн и эффективная репараметризация модели обеспечивают оптимальную производительность на конкретном целевом оборудовании.
• Быстрая одноэтапная детекция: приложения, где приоритетом является максимальная скорость инференса на GPU для обработки видео в реальном времени в контролируемых условиях.
• Интеграция с экосистемой Meituan: команды, уже работающие с технологическим стеком и инфраструктурой развертывания Meituan.

Когда выбирать Ultralytics (YOLO26)#

Для большинства новых проектов Ultralytics YOLO26 предлагает оптимальное сочетание производительности и удобства разработки:

• Развертывание на периферийных устройствах без NMS: Приложения, которым необходим стабильный инференс с низкой задержкой без усложнения постобработки подавлением немаксимумов.
• Среды только с CPU: Устройства без выделенного ускорителя GPU, где до 43% более быстрый инференс YOLO26 на CPU даёт решающее преимущество.
• Обнаружение небольших объектов: Сложные сценарии, например съёмка с дронов или анализ данных IoT-датчиков, где ProgLoss и STAL заметно повышают точность обнаружения крошечных объектов.

Преимущества Ultralytics: почему YOLO26 — лучший выбор#

EfficientDet и YOLOv6-3.0 стали важными этапами в исследованиях компьютерного зрения, но их развертывание в современных производственных средах часто связано со сложными зависимостями, разрозненными API и высокими требованиями к памяти. Экосистема Ultralytics устраняет эти узкие места рабочих процессов непосредственно на уровне платформы.

Для разработчиков, которым нужны максимальная производительность и простота использования, Ultralytics YOLO26, выпущенная в январе 2026 года, представляет собой качественный скачок вперед. Это рекомендуемая модель для новых развертываний, превосходящая устаревшие архитектуры по всем параметрам.

Прорывные инновации YOLO26#

• Сквозная архитектура без NMS: YOLO26 поддерживает нативный сквозной инференс, устраняя необходимость в постобработке с подавлением немаксимумов (NMS), если выбрать голову с режимом one-to-one через nms=False. Это значительно снижает разброс задержки и упрощает развертывание модели на самых разных периферийных устройствах.
• Оптимизатор MuSGD: Вдохновленная методами обучения больших языковых моделей (например, Kimi K2 от Moonshot AI), YOLO26 использует гибрид SGD и Muon. Это переносит стабильность больших языковых моделей в компьютерное зрение, ускоряя сходимость и делая обучение эффективнее.
• Инференс на CPU до 43% быстрее: YOLO26 специально оптимизирована для периферийных вычислений и маломощных устройств и обеспечивает непревзойденную скорость на CPU там, где традиционные промышленные модели не справляются.
• Удаление DFL: Удаление Distribution Focal Loss упрощает граф экспорта и обеспечивает беспроблемную совместимость со средами выполнения для развертывания, такими как OpenVINO и CoreML.
• ProgLoss + STAL: Продвинутые функции потерь заметно повышают точность распознавания небольших объектов, делая YOLO26 незаменимой для картографирования с дронов, датчиков IoT и робототехники.

Непревзойденная универсальность#

В отличие от EfficientDet, ограниченной обнаружением ограничивающих рамок, YOLO26 изначально поддерживает несколько задач. Единый Python API сразу же позволяет выполнять сегментацию экземпляров, оценку позы, классификацию изображений и обнаружение ориентированных ограничивающих рамок (OBB). В архитектуру также встроены улучшения для отдельных задач, такие как функция потерь семантической сегментации и оценка остаточного логарифмического правдоподобия (RLE).

Простая интеграция в код#

Для обучения продвинутой нейросети больше не нужны сотни строк шаблонного кода. Библиотека Ultralytics позволяет без проблем 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", nms=False)

Другие модели, которые стоит рассмотреть#

Если в проекте нужно поддерживать старые конфигурации оборудования или ты работаешь с устаревшей кодовой базой, более широкая экосистема Ultralytics поможет решить эти задачи.

• Ultralytics YOLO11: непосредственная предшественница YOLO26, которой доверяют в корпоративных средах, где нужны зрелые и хорошо документированные конвейеры.
• Ultralytics YOLOv8: модель, изменившая стандарты удобства разработки и остающаяся отличным выбором для универсальных задач компьютерного зрения благодаря глубокой интеграции с такими инструментами, как TensorBoard и Weights & Biases.