EfficientDet и YOLOv7#

Выбор наиболее эффективной архитектуры нейронной сети критически важен для успеха любой инициативы в области компьютерного зрения. По мере роста спроса на высокопроизводительные решения AI сравнение проверенных моделей, таких как EfficientDet и YOLOv7, становится необходимым для разработчиков, стремящихся оптимизировать точность и вычислительную эффективность.

В этом подробном техническом анализе рассматриваются архитектурные особенности, показатели производительности и оптимальные сценарии развертывания обеих моделей. Кроме того, мы покажем, почему интегрированная экосистема Ultralytics, вершиной которой стала передовая Ultralytics YOLO26, — лучший выбор 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 пирамидальная сеть признаков (BiFPN). В отличие от традиционных FPN, BiFPN упрощает и ускоряет объединение признаков разных масштабов, используя обучаемые веса для определения важности различных входных признаков. Вместе 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. Эта устаревшая инфраструктура печально известна тем, что ее трудно интегрировать в современные рабочие процессы, ориентированные на PyTorch. Кроме того, при переходе к более точным вариантам модель страдает от значительной задержки 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 новую планку для широко известного 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 задает новый передовой 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 отлично подходит для сценариев реального времени, например аналитики видеопотоков и скоростной навигации роботов. Модель исключительно хорошо масштабируется на GPU серверного класса и имеет встроенную реализацию на PyTorch, что делает ее доступной для академических исследователей.

Несмотря на впечатляющую скорость, для постобработки YOLOv7 по-прежнему требуется подавление немаксимумов (NMS), что может приводить к переменной задержке в переполненных сценах. Кроме того, во время обучения модель потребляет заметно больше памяти, чем модели новых поколений, и для работы с большими размерами пакетов ей требуется более мощное оборудование.

Узнай больше о YOLOv7

Сравнение производительности и метрик#

При сравнении этих моделей важно учитывать компромисс между точностью, скоростью инференса и числом параметров. Ниже приведена подробная оценка различных конфигураций EfficientDet и YOLOv7.

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:

• Google Cloud и конвейеры TPU: Системы, тесно интегрированные с API Google Cloud Vision или инфраструктурой TPU, где EfficientDet оптимизирована изначально.
• 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 оптимальное сочетание производительности и удобства разработки:

• 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, где до 43% более быстрый инференс YOLO26 на CPU даёт решающее 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#

Выбор подходящей архитектуры — это не только сравнение необработанных метрик, но и оценка всего жизненного цикла машинного обучения. Экосистема Ultralytics обеспечивает исключительное удобство для разработчиков и значительно снижает порог входа для надежного развертывания AI.

• Простота использования: Ultralytics предоставляет унифицированный API Python. Разработчики могут обучать, проверять и экспортировать модели всего несколькими строками кода, не управляя сложными и 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 высокооптимизированным загрузчикам данных PyTorch и упрощенным структурам сетей моделям Ultralytics YOLO во время обучения требуется значительно меньше памяти CUDA, чем многоотраслевым сетям и моделям с большим количеством Transformer-блоков.
• Универсальность: в отличие от старых архитектур, предназначенных исключительно для обнаружения объектов с помощью ограничивающих рамок, модели Ultralytics поддерживают множество задач, включая сегментацию экземпляров, оценку позы и ориентированные ограничивающие рамки (OBB).

Эффективное обучение с Ultralytics#

В приведенном ниже коде показано, как просто обучить современную модель с помощью пакета Ultralytics для Python. Это разительно отличается от настройки 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 основы современного компьютерного зрения, однако с выходом Ultralytics YOLO26 в январе 2026 года отрасль кардинально изменилась. YOLO26 разработана для достижения максимальной точности и непревзойденной производительности на периферийных устройствах, поэтому это оптимальный выбор для любых новых проектов в области компьютерного зрения.

Ключевые инновации YOLO26#

• Сквозная архитектура без NMS: развивая идеи, впервые реализованные в YOLOv10, YOLO26 предлагает встроенную сквозную голову (nms=False). Полный отказ от постобработки с подавлением немаксимумов (NMS) снижает задержку и делает ее более предсказуемой, что крайне важно для критически важных систем, например автономного вождения.
• Инференс на CPU до 43% быстрее: благодаря удалению функции потерь с фокусировкой на распределении (DFL) в YOLO26 значительно упрощен процесс экспорта и достигнута непревзойденная скорость на периферийных устройствах, таких как Raspberry Pi. Это делает модель безусловным лидером в области периферийных вычислений.
• Оптимизатор MuSGD: в YOLO26 используется революционный оптимизатор MuSGD — гибрид SGD и Muon, вдохновленный инновациями Moonshot AI в обучении LLM. Благодаря этому обучение отличается высокой стабильностью, а модели сходятся значительно быстрее.
• ProgLoss + STAL: сочетание прогрессивной функции потерь и назначения меток с учетом небольших объектов значительно повышает способность модели обнаруживать крошечные объекты. Это решает одну из главных проблем обработки изображений с дронов и систем охранной сигнализации.
• Улучшения для отдельных задач: YOLO26 — не просто детектор. В модели используются функция потерь для семантической сегментации и прототипы нескольких масштабов для безупречной сегментации, оценка остаточного логарифмического правдоподобия (RLE) для сверхточного отслеживания позы и специализированная функция потерь угла для устранения неоднозначности границ OBB.

Другие модели#

Хотя YOLO26 представляет собой вершину современных технологий, экосистема Ultralytics поддерживает разные модели для различных сценариев применения.

Разработчикам, поддерживающим устаревшие системы, которым по-прежнему нужно традиционное масштабирование без якорей, YOLO11 предлагает надежное и хорошо поддерживаемое решение в платформе Ultralytics. Кроме того, для сценариев, в которых необходимы архитектуры на основе Transformer, RT-DETR обеспечивает обнаружение объектов в реальном времени с помощью визуальных Transformer-моделей, объединяя передовые механизмы внимания с высокой скоростью инференса.

В заключение: хотя EfficientDet дает академическому сообществу полезные знания о составном масштабировании, а YOLOv7 обеспечивает высокую базовую производительность в реальном времени, современным компаниям лучше всего подойдет платформа Ultralytics. Используя YOLO26, команды могут добиться максимальной производительности, свести к минимуму трудности при обучении и обеспечить актуальность своих ИИ-развертываний в будущем.