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.
- 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 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.
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.
- 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 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.
Сравнение производительности#
Чтобы выбрать модель, подходящую для конкретных ограничений развертывания, важно понимать фактические метрики производительности. В таблице ниже сравниваются точность, скорость и вычислительные затраты.
| Модель | размер (пиксели) | mAPval50-95 | Скорость CPU ONNX (мс) | Скорость T4 TensorRT10 (мс) | параметры (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| EfficientDet-d0 | 512 | 34.6 | - | 3.92 | 3.9 | 2.54 |
| EfficientDet-d1 | 640 | 40.5 | - | 7.31 | 6.6 | 6.1 |
| EfficientDet-d2 | 768 | 43.0 | - | 10.92 | 8.1 | 11.0 |
| EfficientDet-d3 | 896 | 47.5 | - | 19.59 | 12.0 | 24.9 |
| EfficientDet-d4 | 1024 | 49.7 | - | 33.55 | 20.7 | 55.2 |
| EfficientDet-d5 | 1280 | 51.5 | - | 67.86 | 33.7 | 130.0 |
| EfficientDet-d6 | 1280 | 52.6 | - | 89.29 | 51.9 | 226.0 |
| EfficientDet-d7 | 1536 | 53.7 | - | 128.07 | 51.9 | 325.0 |
| YOLOv6-3.0n | 640 | 37.5 | - | 1.17 | 4.7 | 11.4 |
| YOLOv6-3.0s | 640 | 45.0 | - | 2.66 | 18.5 | 45.3 |
| YOLOv6-3.0m | 640 | 50.0 | - | 5.28 | 34.9 | 85.8 |
| YOLOv6-3.0l | 640 | 52.8 | - | 8.95 | 59.6 | 150.7 |
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.
Комментарии
Задай вопрос, поделись результатами или помоги кому-нибудь.