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:
- Авторы: Mingxing Tan, Ruoming Pang и Quoc V. Le
- Организация: Google
- Дата: 2019-11-20
- arXiv: EfficientDet: масштабируемое и эффективное обнаружение объектов
- GitHub: Репозиторий Google AutoML
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.
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:
- Авторы: Chien-Yao Wang, Alexey Bochkovskiy и Hong-Yuan Mark Liao
- Организация: Институт информатики, Академия Синика, Тайвань
- Дата: 2022-07-06
- arXiv: YOLOv7: обучаемый набор бесплатных улучшений задаёт новый уровень для детекторов объектов реального времени
- GitHub: Официальный репозиторий 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.
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.
| 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 |
| YOLOv7l | 640 | 51.4 | - | 6.84 | 36.9 | 104.7 |
| YOLOv7x | 640 | 53.1 | - | 11.57 | 71.3 | 189.9 |
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.
Комментарии
Задай вопрос, поделись результатами или помоги кому-нибудь.