Начать

EfficientDet и YOLOv7

Выбор наиболее эффективной архитектуры нейронной сети критически важен для успеха любого проекта в области компьютерного зрения. Сравнение проверенных моделей, таких как EfficientDet и YOLOv7, помогает разработчикам оптимизировать точность и вычислительную эффективность.

В этом техническом анализе рассматриваются архитектурные особенности, метрики производительности и наиболее подходящие сценарии развертывания обеих моделей. Также объясняется, почему интегрированная экосистема Ultralytics, включая новейшую Ultralytics YOLO26, — достойная альтернатива для современных задач компьютерного зрения.

Знакомство с EfficientDet#

EfficientDet разработана для максимального повышения точности при систематическом контроле вычислительных затрат в условиях различных ограничений ресурсов. Для этого в модели применен новый подход к масштабированию и объединению признаков.

Подробнее об EfficientDet:

Архитектура и инновации#

В основе EfficientDet лежит двунаправленная сеть пирамиды признаков (BiFPN). В отличие от традиционных FPN, BiFPN обеспечивает быстрое слияние признаков разных масштабов, используя обучаемые веса для оценки важности различных входных признаков. В сочетании с этим применяется метод составного масштабирования, который одновременно и равномерно изменяет разрешение, глубину и ширину базовой сети, сети признаков и сетей предсказания рамок и классов.

Преимущества и недостатки#

EfficientDet хорошо масштабируется. Компактные варианты модели (d0–d2) исключительно эффективны по числу параметров и подходят для сред с жесткими ограничениями на объем хранилища. Более крупные варианты, например d7, устанавливают новые рекорды средней точности (mAP) при высокопроизводительной автономной обработке.

Однако EfficientDet сильно зависит от устаревших реализаций TensorFlow и сложных конвейеров AutoML. Из-за этой устаревшей инфраструктуры модель трудно интегрировать в современные рабочие процессы, ориентированные на PyTorch. Кроме того, при переходе к вариантам с более высокой точностью она демонстрирует значительную задержку инференса на периферийных устройствах.

Подробнее об EfficientDet

Знакомство с YOLOv7#

Представленная в 2022 году YOLOv7 значительно повысила скорость и точность приложений реального времени, установив на тот момент новый ориентир для семейства YOLO.

Подробности о YOLOv7:

Архитектура и инновации#

В YOLOv7 появилась расширенная сеть агрегации эффективных слоев (E-ELAN). Это архитектурное усовершенствование повышает способность сети к обучению, не нарушая исходный путь градиента, и позволяет модели эффективно изучать более разнообразные признаки. Кроме того, в модели реализован «обучаемый набор бесплатных улучшений»: используются такие методы, как запланированная репараметризация и динамическое назначение меток, которые повышают точность без увеличения затрат на инференс.

Преимущества и недостатки#

YOLOv7 хорошо показывает себя в сценариях реального времени, например при видеоаналитике и высокоскоростной навигации роботов. Модель хорошо масштабируется на серверных GPU и имеет встроенную реализацию на PyTorch, что делает ее доступной для академических исследователей.

Несмотря на высокую скорость, YOLOv7 по-прежнему использует подавление немаксимумов (NMS) на этапе постобработки, что может приводить к непостоянной задержке в сценах с большим количеством объектов. При обучении модель занимает заметно больше памяти, чем модели новых поколений, поэтому для работы с большими размерами пакетов требуется более мощное оборудование.

Узнай больше о YOLOv7

Сравнение производительности и метрик#

При сравнении этих моделей важно учитывать компромисс между точностью, скоростью инференса и количеством параметров. В таблице ниже оцениваются различные конфигурации EfficientDet и YOLOv7.

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
YOLOv7l64051.4-6.8436.9104.7
YOLOv7x64053.1-11.5771.3189.9
Итоги сравнения производительности

EfficientDet-d7 обеспечивает наивысший mAP, но требует около 128 мс на GPU T4. YOLOv7x достигает сопоставимого показателя 53,1 mAP за 11,57 мс — на порядок эффективнее с вычислительной точки зрения для развертывания в реальном времени.

Сценарии использования и рекомендации#

Выбор между EfficientDet и YOLOv7 зависит от конкретных 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 выбирать YOLOv7#

YOLOv7 рекомендуем для таких задач:

  • Академические бенчмарки: воспроизведение результатов передового уровня 2022 года или изучение влияния E-ELAN и методов обучаемого набора бесплатных преимуществ.
  • Исследования перепараметризации: изучение запланированных перепараметризованных сверток и стратегий комплексного масштабирования моделей.
  • Существующие пользовательские конвейеры: проекты с глубоко адаптированными конвейерами на основе конкретной архитектуры YOLOv7, которые сложно переработать.

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 необходим стабильный инференс с низкой задержкой без усложнения постобработки подавлением немаксимумов.
  • Среды только с CPU: устройства без выделенного ускорителя GPU, на которых YOLO26n получает явное преимущество благодаря инференсу на CPU до 43% быстрее, чем у YOLO11n.
  • 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#

Выбор подходящей архитектуры зависит не только от самих метрик: нужно оценить весь жизненный цикл машинного обучения. Экосистема Ultralytics обеспечивает удобную работу для разработчиков и значительно снижает порог входа для надежного развертывания ИИ.

  • Простота использования: Ultralytics предоставляет унифицированный Python API. Разработчики могут обучать, валидировать и экспортировать модели всего в несколько строк кода, не управляя сложными разрозненными кодовыми базами, типичными для EfficientDet.
  • Хорошо поддерживаемая экосистема: благодаря частым обновлениям, подробной документации и активному сообществу Ultralytics обеспечивает совместимость с новейшими фреймворками развертывания, такими как TensorRT и OpenVINO.
  • Требования к памяти: Благодаря оптимизированным загрузчикам данных PyTorch и упрощенным структурам сетей моделям Ultralytics YOLO при обучении требуется значительно меньше памяти CUDA, чем сетям с несколькими ветвями и моделям с большим количеством Transformer.
  • Универсальность: В отличие от старых архитектур, предназначенных только для обнаружения объектов по ограничивающим рамкам, модели Ultralytics — это многозадачные фреймворки, поддерживающие сегментацию экземпляров, оценку позы и ориентированные ограничивающие рамки (OBB).

Эффективное обучение с Ultralytics#

В следующем примере кода показано, насколько просто обучать модель с помощью пакета Ultralytics для Python по сравнению с настройкой устаревших конвейеров TensorFlow.

from ultralytics import YOLO

# Загружаем настоятельно рекомендуемую модель YOLO26
model = YOLO("yolo26s.pt")

# Обучить модель со встроенной аугментацией данных
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Экспортировать модель в TensorRT для развертывания
model.export(format="engine")

Новый стандарт: YOLO26#

YOLOv7 и EfficientDet заложили основу современного компьютерного зрения, но с выходом Ultralytics YOLO26 в январе 2026 года ситуация значительно изменилась. YOLO26 разработана для высокой точности и быстрой работы на периферийных устройствах и рекомендуется для новых проектов в области компьютерного зрения.

Ключевые инновации YOLO26#

  • Сквозная архитектура без NMS: Развивая идеи, заложенные в YOLOv10, YOLO26 предлагает встроенную голову для сквозного инференса (nms=False). Полное устранение постобработки NMS обеспечивает меньшую и более стабильную задержку, что критически важно для систем, где безопасность имеет первостепенное значение, например для автономного вождения.
  • Инференс на CPU до 43% быстрее: Благодаря удалению Distribution Focal Loss (DFL) YOLO26 проще экспортировать, а на периферийных устройствах, таких как Raspberry Pi, она работает быстрее (YOLO26n на CPU до 43% быстрее YOLO11n), что делает ее отличным решением для периферийных вычислений.
  • Оптимизатор MuSGD: В YOLO26 используется оптимизатор MuSGD — гибрид SGD и Muon, вдохновленный методами обучения LLM от Moonshot AI. Это обеспечивает стабильную динамику обучения и более быструю сходимость.
  • ProgLoss + STAL: Прогрессивная функция потерь и назначение меток с учетом малых объектов повышают способность модели обнаруживать крошечные объекты, что особенно важно для снимков с дронов и систем охранной сигнализации.
  • Улучшения для отдельных задач: YOLO26 — это не просто детектор. В модели используются функция потерь для семантической сегментации и многомасштабный proto для более качественной сегментации экземпляров, Residual Log-Likelihood Estimation (RLE) для более точной оценки позы и специальная функция потерь угла для устранения неоднозначности границ OBB.

Другие модели#

Хотя YOLO26 рекомендуется использовать по умолчанию, экосистема Ultralytics поддерживает и другие модели, рассчитанные на различные задачи.

Для разработчиков, которые поддерживают существующие системы, YOLO11 остается надежным и хорошо поддерживаемым вариантом на Ultralytics Platform. Если требуются именно архитектуры на основе Transformer, RT-DETR обеспечивает обнаружение объектов в реальном времени с помощью кодировщика-декодировщика Transformer, сочетая механизмы внимания с высокой скоростью выполнения в реальном времени.

В заключение: EfficientDet дает полезные академические идеи о составном масштабировании, а YOLOv7 обеспечивает высокую базовую производительность в реальном времени, но современным предприятиям лучше выбрать Ultralytics Platform. С YOLO26 команды получают высокую производительность, простое обучение и активно поддерживаемый путь развертывания.

Участники

Комментарии

Задай вопрос, поделись результатами или помоги кому-нибудь.