EfficientDet и YOLOv6-3.0#

Выбор правильной архитектуры нейронной сети — краеугольный камень любой успешной инициативы в области компьютерного зрения. В этом подробном техническом обзоре сравниваются две ключевые модели в области обнаружения объектов: EfficientDet от Google и YOLOv6-3.0 от Meituan.

Хотя обе архитектуры стали значительным шагом вперед после своего выпуска, стремительное развитие искусственного интеллекта привело к появлению более универсальных решений, оптимизированных для периферийных устройств. Ниже мы разберем производительность, методологии обучения и архитектурные особенности EfficientDet и YOLOv6-3.0, а также рассмотрим, почему разработчики все чаще переходят на современные экосистемы, такие как Ultralytics YOLO26, для развертывания передовых моделей.

EfficientDet: масштабируемая архитектура AutoML#

Разработанная командой Google Brain, EfficientDet произвела смену парадигмы, опираясь на автоматизированное машинное обучение (AutoML) для оптимизации как своей магистральной сети, так и сети признаков.

• Авторы: Mingxing Tan, Ruoming Pang и Quoc V. Le
• Организация: Google Research
• Дата: 20.11.2019
• Arxiv: 1911.09070
• GitHub: google/automl
• Документация: EfficientDet README

Архитектурные инновации#

Ключевая инновация EfficientDet — двунаправленная сеть пирамиды признаков (BiFPN). В отличие от традиционных FPN, которые лишь агрегируют признаки сверху вниз, BiFPN поддерживает сложные двунаправленные межмасштабные связи и использует обучаемые веса для определения важности различных входных признаков. Это сочетается с методом составного масштабирования, который одновременно и равномерно изменяет разрешение, глубину и ширину сети.

Преимущества и недостатки#

EfficientDet обеспечивает отличную среднюю точность (mAP) относительно количества параметров, благодаря чему для своего времени была очень точной. Однако она сильно зависит от устаревших сред TensorFlow. Эта зависимость часто приводит к сложной настройке гиперпараметров, повышенному потреблению памяти во время обучения и большей задержке при выводе на стандартном оборудовании по сравнению с современными одностадийными детекторами на базе PyTorch.

Узнай больше об EfficientDet

YOLOv6-3.0: чемпион по промышленной пропускной способности#

Выпущенная для удовлетворения специфических потребностей пакетной обработки, YOLOv6-3.0 представляет собой сверточную нейронную сеть (CNN), разработанную с нуля 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#

YOLOv6-3.0 заменяет традиционные модули модулем двунаправленной конкатенации (BiC) в шее сети, чтобы сохранять точные сигналы локализации. Кроме того, в ней используется стратегия обучения с помощью якорей (AAT). AAT интегрирует вспомогательную ветвь на основе якорей на этапе обучения для предоставления дополнительных градиентных указаний, после чего эта ветвь отбрасывается во время вывода, сохраняя преимущество безъякорной скорости.

Преимущества и недостатки#

Построенная на магистральной сети EfficientRep, оптимизированной для работы с оборудованием, YOLOv6-3.0 отлично показывает себя в высокоскоростных промышленных условиях производства, где возможна пакетная обработка на выделенных GPU. Однако сильная зависимость от операций репараметризации может привести к значительному падению скорости при развертывании на периферийных устройствах или в средах, где вычисления выполняются исключительно на CPU.

Узнай больше о YOLOv6-3.0

Сравнение производительности#

Понимание исходных показателей производительности имеет фундаментальное значение для выбора модели, соответствующей конкретным ограничениям развертывания. Ниже приведен подробный разбор точности, скорости и вычислительных затрат.

Варианты применения и рекомендации#

Выбор между EfficientDet и YOLOv6 зависит от конкретных требований проекта, ограничений развертывания и предпочтительной экосистемы.

Когда стоит выбрать EfficientDet#

EfficientDet — хороший выбор для:

• Конвейеров Google Cloud и TPU: систем, тесно интегрированных с Google Cloud Vision API или инфраструктурой TPU, где EfficientDet имеет нативную оптимизацию.
• Исследований составного масштабирования: академических бенчмарков, посвящённых изучению влияния сбалансированного масштабирования глубины, ширины и разрешения сети.
• Мобильного развертывания через TFLite: проектов, которым необходим экспорт в TensorFlow Lite для Android или встраиваемых устройств под управлением Linux.

Когда стоит выбрать YOLOv6#

YOLOv6 рекомендуется для:

• Развертывание с учетом промышленного оборудования: сценарии, в которых аппаратно-ориентированный дизайн модели и эффективная репараметризация обеспечивают оптимальную производительность на конкретном целевом оборудовании.
• Быстрое одностадийное обнаружение: приложения, в которых приоритетом является максимальная скорость инференса на GPU для обработки видео в реальном времени в контролируемых средах.
• Интеграция с экосистемой Meituan: команды, уже работающие в технологическом стеке и инфраструктуре развертывания Meituan.

Когда выбирать Ultralytics (YOLO26)#

Для большинства новых проектов Ultralytics YOLO26 предлагает лучшее сочетание производительности и удобства для разработчиков:

• Развертывания на периферийных устройствах без NMS: приложений, требующих стабильного вывода с низкой задержкой без сложной постобработки с подавлением немаксимумов.
• Сред без GPU: устройств без выделенного ускорения GPU, где до 43% более быстрый вывод YOLO26 на CPU дает решающее преимущество.
• Обнаружения мелких объектов: сложных сценариев, таких как аэрофотосъемка с дронов или анализ данных IoT-сенсоров, где ProgLoss и STAL значительно повышают точность обнаружения крошечных объектов.

Преимущество Ultralytics: почему YOLO26 — лучший выбор#

Хотя EfficientDet и YOLOv6-3.0 стали важными вехами в исследованиях компьютерного зрения, их развертывание в современных производственных средах часто связано со сложными зависимостями, разрозненными API и высокими требованиями к памяти. Экосистема Ultralytics решает эти узкие места рабочих процессов изначально.

Для разработчиков, которым нужны максимальная производительность и удобство использования, Ultralytics YOLO26 (выпущенная в январе 2026 года) предлагает скачок на целое поколение вперед. Это рекомендуемая модель для новых развертываний, превосходящая устаревшие архитектуры по всем направлениям.

Прорывные инновации YOLO26#

• Сквозная архитектура без NMS: YOLO26 изначально является сквозной моделью, полностью устраняющей необходимость в постобработке с помощью подавления немаксимумов (NMS). Это значительно уменьшает разброс задержки и упрощает развертывание моделей на различных периферийных устройствах.
• Оптимизатор MuSGD: Вдохновленный обучением LLM (например, Kimi K2 от Moonshot AI), YOLO26 использует комбинацию SGD и Muon. Это переносит 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 устройств с низким энергопотреблением, YOLO26 обеспечивает непревзойденную скорость работы на CPU там, где традиционные промышленные модели испытывают трудности.
• Удаление DFL: Distribution Focal Loss была удалена для упрощения графа экспорта, обеспечивая бесшовную совместимость со средами выполнения для развертывания, такими как OpenVINO и CoreML.
• ProgLoss + STAL: Продвинутые функции потерь обеспечивают заметные улучшения в распознавании малых объектов, что делает YOLO26 незаменимой для картографирования с помощью дронов, IoT-сенсоров и робототехники.

Непревзойдённая универсальность#

В отличие от EfficientDet, ограниченной обнаружением ограничивающих рамок, YOLO26 изначально является многозадачной моделью. Один унифицированный Python API из коробки поддерживает сегментацию экземпляров, оценку позы, классификацию изображений и обнаружение ориентированных ограничивающих рамок (OBB), а специфичные для задач улучшения, такие как функция потерь семантической сегментации и оценка остаточного логарифма правдоподобия (RLE), встроены непосредственно в архитектуру.

Бесшовная интеграция кода#

Обучение продвинутой нейронной сети больше не требует сотен строк шаблонного кода. Библиотека Ultralytics позволяет без проблем загружать, обучать и валидировать 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 твоему проекту требуется поддержка старых аппаратных профилей или ты сопровождаешь устаревшую кодовую базу, более широкая экосистема Ultralytics поможет решить эти задачи.

• Ultralytics YOLO11: Непосредственный предшественник YOLO26, которому особенно доверяют в корпоративных средах, требующих зрелых и хорошо документированных конвейеров.
• Ultralytics YOLOv8: Эталонная модель, переопределившая опыт разработчиков и остающаяся отличным выбором для универсальных задач компьютерного зрения, глубоко интегрированных с такими инструментами, как TensorBoard и Weights & Biases.