Начать

EfficientDet и YOLOv6-3.0

Выбор подходящей архитектуры нейронной сети — основа любого успешного проекта в области компьютерного зрения. В этом руководстве сравниваются две важные модели обнаружения объектов: EfficientDet от Google и YOLOv6-3.0 от Meituan.

На момент выпуска обе архитектуры стали важным шагом вперед, однако с тех пор ИИ предложил более универсальные решения, оптимизированные для периферийных устройств. В этом руководстве сравниваются производительность, методы обучения и архитектурные особенности EfficientDet и YOLOv6-3.0, а также объясняется, почему многие разработчики теперь выбирают для развертывания современные экосистемы, такие как Ultralytics YOLO26.

EfficientDet: масштабируемая архитектура AutoML#

Разработанная командой Google Brain модель EfficientDet использует базовую сеть EfficientNet, спроектированную с помощью AutoML, и дополняет ее сетью признаков с составным масштабированием.

Архитектурные инновации#

Ключевая инновация EfficientDet — BiFPN (двунаправленная сеть пирамиды признаков). В отличие от традиционных FPN, которые просто объединяют признаки сверху вниз, BiFPN поддерживает сложные двунаправленные связи между масштабами и использует обучаемые веса, чтобы учитывать важность различных входных признаков. Кроме того, применяется метод составного масштабирования, который одновременно и равномерно изменяет разрешение, глубину и ширину сети.

Преимущества и недостатки#

EfficientDet обеспечивает высокую среднюю точность (mAP) относительно количества параметров, что для своего времени делало модель очень точной. Однако она сильно зависит от устаревших окружений TensorFlow. Из-за этой зависимости настройка гиперпараметров часто становится сложной, при обучении расходуется больше памяти, а на стандартном оборудовании инференс выполняется медленнее, чем у современных одностадийных детекторов на PyTorch.

Подробнее об EfficientDet

YOLOv6-3.0: лидер по промышленной пропускной способности#

YOLOv6-3.0 — это сверточная нейронная сеть (CNN), разработанная с нуля для высокопроизводительной промышленной обработки на ускорителях, таких как GPU NVIDIA T4 и A100.

Архитектурные инновации#

В YOLOv6-3.0 традиционные модули заменены модулем двунаправленной конкатенации (BiC) в шее сети, который сохраняет точные сигналы локализации. Также используется стратегия обучения с помощью якорей (AAT). Во время обучения AAT добавляет вспомогательную ветвь на основе якорей для дополнительного управления градиентами. При инференсе эта ветвь удаляется, чтобы сохранить преимущество безанкорной скорости.

Преимущества и недостатки#

Благодаря базовой сети EfficientRep, оптимизированной для оборудования, YOLOv6-3.0 хорошо показывает себя в высокоскоростных производственных средах, где пакетная обработка выполняется на выделенных GPU. Однако архитектура оптимизирована для пропускной способности GPU, поэтому ее преимущество в скорости может уменьшиться на периферийных устройствах или в средах, где доступны только CPU.

Узнай больше о YOLOv6-3.0

Сравнение производительности#

Чтобы выбрать модель, подходящую для конкретных ограничений развертывания, важно понимать фактические метрики производительности. В таблице ниже сравниваются точность, скорость и вычислительные затраты.

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
YOLOv6-3.0n64037.5-1.174.711.4
YOLOv6-3.0s64045.0-2.6618.545.3
YOLOv6-3.0m64050.0-5.2834.985.8
YOLOv6-3.0l64052.8-8.9559.6150.7
Требования к оборудованию

YOLOv6-3.0 демонстрирует очень высокую скорость TensorRT на GPU T4, однако разработчики, развертывающие модели на ограниченном периферийном оборудовании или CPU, получат значительную пользу от архитектур, специально разработанных для устройств с низким энергопотреблением, например Ultralytics YOLO26.

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:

  • Конвейеры Google Cloud и TPU: системы на базе TensorFlow в инфраструктуре Google Cloud TPU, где эталонная реализация EfficientDet поддерживает обучение на TPU.
  • 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 лучшее сочетание производительности и удобства для разработчиков:

  • Развертывание на периферийных устройствах без NMS: приложения, которым нужен стабильный инференс с низкой задержкой без усложнений, связанных с постобработкой с подавлением немаксимумов (NMS).
  • Среды только с CPU: устройства без выделенного GPU-ускорителя, где инференс YOLO26 (YOLO26n по сравнению с YOLO11n) до 43% быстрее, что дает явное 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 стоит выбрать YOLO26#

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.

Разработчикам, которым важны высокая производительность и простота использования, стоит обратить внимание на Ultralytics YOLO26, выпущенную в январе 2026 года. Эта модель рекомендуется для новых развертываний.

Инновации YOLO26#

  • Сквозная архитектура без NMS: YOLO26 поддерживает встроенный сквозной инференс, устраняя необходимость в постобработке NMS, если выбрана голова «один к одному» с nms=False. Это уменьшает колебания задержки и упрощает развертывание модели на самых разных периферийных устройствах.
  • Оптимизатор MuSGD: Вдохновленная обучением LLM (например, Kimi K2 от Moonshot AI), YOLO26 использует гибрид SGD и Muon. Этот подход переносит стабильность обучения больших языковых моделей в компьютерное зрение, ускоряя сходимость и повышая эффективность обучения.
  • Инференс на CPU до 43% быстрее: YOLO26 оптимизирована для периферийных вычислений и устройств с низким энергопотреблением. Она обеспечивает быстрый инференс на CPU даже там, где традиционные промышленные модели работают с трудом; YOLO26n до 43% быстрее YOLO11n.
  • Удаление DFL: Distribution Focal Loss удалена, чтобы упростить граф экспорта и улучшить совместимость со средами выполнения для развертывания, такими как OpenVINO и CoreML.
  • ProgLoss + STAL: Прогрессивная функция потерь и назначение меток с учетом малых объектов заметно улучшают распознавание небольших объектов, поэтому YOLO26 хорошо подходит для картографирования с дронов, датчиков IoT и робототехники.

Универсальность#

В отличие от EfficientDet, предназначенной только для обнаружения объектов по ограничивающим рамкам, YOLO26 изначально поддерживает несколько задач. Один унифицированный Python API из коробки поддерживает сегментацию экземпляров, классификацию изображений, оценку позы и обнаружение объектов с помощью ориентированных ограничивающих рамок (OBB). В архитектуру также встроены улучшения для отдельных задач, например функция потерь для семантической сегментации и Residual Log-Likelihood Estimation (RLE).

Интеграция кода#

Обучение продвинутой нейронной сети больше не требует сотен строк шаблонного кода. Библиотека Ultralytics позволяет исследователям загрузить модель, обучить и валидировать ее на стандартных наборах данных, таких как COCO, всего в несколько строк:

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: Непосредственный предшественник YOLO26, широко используемый в корпоративных средах, где нужны зрелые и хорошо документированные конвейеры.
  • Ultralytics YOLOv8: Широко распространенная модель, установившая высокую планку удобства для разработчиков. Она по-прежнему хорошо подходит для универсальных задач компьютерного зрения и тесно интегрируется с такими инструментами, как TensorBoard и Weights & Biases.
Участники

Комментарии

Задай вопрос, поделись результатами или помоги кому-нибудь.