Сравнение EfficientDet и YOLOv7#

Выбор наиболее эффективной архитектуры нейронной сети критически важен для успеха любого проекта в области компьютерного зрения. По мере ускорения роста спроса на высокопроизводительные решения в области ИИ сравнение таких признанных моделей, как EfficientDet и YOLOv7, становится необходимым для разработчиков, стремящихся оптимизировать одновременно 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, кульминацией которой стала передовая модель Ultralytics YOLO26, предлагает превосходную альтернативу для современных задач компьютерного зрения.

Знакомство с EfficientDet#

EfficientDet была разработана для максимального повышения точности при систематическом контроле вычислительных затрат в условиях различных ресурсных ограничений. Это было достигнуто благодаря новому подходу к масштабированию и объединению признаков.

Сведения об EfficientDet:

• Авторы: Mingxing Tan, Ruoming Pang и Quoc V. Le
• Организация: Google
• Дата: 20.11.2019
• Arxiv: EfficientDet: масштабируемое и эффективное детектирование объектов
• GitHub: репозиторий Google AutoML

Архитектура и инновации#

В основе EfficientDet лежит двунаправленная сеть пирамиды признаков (BiFPN). В отличие от традиционных FPN, BiFPN обеспечивает простое и быстрое объединение признаков разных масштабов благодаря введению обучаемых весов, позволяющих определять важность различных входных признаков. Это сочетается с методом составного масштабирования, который одновременно и равномерно изменяет разрешение, глубину и ширину магистральной сети, сети признаков, а также сетей предсказания рамок и классов.

Преимущества и недостатки#

EfficientDet обладает высокой масштабируемостью. Ее меньшие варианты (d0–d2) крайне эффективно используют параметры, что делает их подходящими для сред со строгими ограничениями на объем хранилища. Более крупные варианты (например, d7) устанавливают новые пределы средней точности (mAP) при высокопроизводительной офлайн-обработке.

Однако EfficientDet сильно зависит от устаревших реализаций TensorFlow и сложных конвейеров AutoML. Из-за этой устаревшей инфраструктуры интеграция в современные рабочие процессы на базе PyTorch становится особенно сложной. Кроме того, при переходе к вариантам с более высокой точностью модель демонстрирует значительно большую задержку вывода на периферийных устройствах.

Узнай больше об EfficientDet

Знакомство с YOLOv7#

Представленная в 2022 году, YOLOv7 обеспечила огромный скачок в скорости и точности для приложений реального времени, установив на тот момент новый ориентир для широко популярного семейства YOLO.

Подробности о YOLOv7:

• Авторы: Chien-Yao Wang, Alexey Bochkovskiy и Hong-Yuan Mark Liao
• Организация: Институт информационных наук, Academia Sinica, Тайвань
• Дата: 2022-07-06
• Arxiv: YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors
• GitHub: Официальный репозиторий YOLOv7

Архитектура и инновации#

В YOLOv7 была представлена расширенная сеть агрегации эффективных слоёв (E-ELAN). Это архитектурное улучшение повышает способность сети к обучению, не разрушая исходный градиентный путь, и позволяет модели эффективно изучать более разнообразные признаки. Кроме того, реализован «обучаемый набор бесплатных приемов», использующий такие методы, как запланированная репараметризация и динамическое присваивание меток, для повышения точности без увеличения стоимости вывода.

Преимущества и недостатки#

YOLOv7 превосходно подходит для сценариев реального времени, таких как анализ видео и высокоскоростная навигация роботов. Модель исключительно хорошо масштабируется на GPU серверного класса и предлагает нативную реализацию на PyTorch, что делает ее доступной для академических исследователей.

Несмотря на впечатляющую скорость, YOLOv7 по-прежнему использует подавление немаксимумов (NMS) на этапе постобработки, что может приводить к непостоянной задержке в сценах с большим количеством объектов. Кроме того, во время обучения модель занимает заметно больше памяти, чем новые поколения, поэтому для работы с большими размерами пакета требуется более мощное оборудование.

Узнай больше о YOLOv7

Сравнение производительности и метрик#

При сравнении этих моделей важно изучить компромиссы между точностью, скоростью вывода и размером модели. Ниже приведена подробная оценка различных конфигураций EfficientDet и YOLOv7.

Варианты применения и рекомендации#

Выбор между EfficientDet и YOLOv7 зависит от конкретных требований твоего проекта, ограничений развертывания и предпочтений относительно 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 выбирать YOLOv7#

YOLOv7 рекомендуется для:

• Академического тестирования: воспроизведения передовых результатов 2022 года или изучения влияния E-ELAN и методов обучаемого набора бесплатных улучшений.
• Исследований перепараметризации: изучения запланированных перепараметризованных свёрток и стратегий составного масштабирования моделей.
• Существующих пользовательских конвейеров: проектов со значительно изменёнными конвейерами, построенными вокруг специфической архитектуры YOLOv7, которые сложно переработать.

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.

Преимущества Ultralytics#

Выбор подходящей архитектуры выходит за рамки одних лишь абсолютных метрик: необходимо оценивать весь жизненный цикл машинного обучения. Экосистема Ultralytics обеспечивает беспрецедентный опыт для разработчиков, значительно снижая порог входа для надежного развертывания решений ИИ.

• Простота использования: Ultralytics предоставляет унифицированный Python API. Разработчики могут обучать, валидировать и экспортировать модели всего несколькими строками кода, избавляясь от необходимости управлять сложными разрозненными кодовыми базами, типичными для EfficientDet.
• Поддерживаемая экосистема: Благодаря быстрым обновлениям, обширной документации и активному сообществу Ultralytics обеспечивает совместимость с новейшими фреймворками развертывания, такими как TensorRT и OpenVINO.
• Требования к памяти: Благодаря использованию высокооптимизированных загрузчиков данных PyTorch и упрощенных структур сетей модели Ultralytics YOLO требуют значительно меньше памяти CUDA во время обучения по сравнению с многоветвевыми сетями и моделями с интенсивным использованием Transformer.
• Универсальность: В отличие от старых архитектур, строго ориентированных на обнаружение ограничивающих рамок, модели Ultralytics являются мощными мультитасковыми решениями, поддерживающими сегментацию экземпляров, оценку позы и ориентированные ограничивающие рамки (OBB).

Эффективное обучение с Ultralytics#

Следующий код демонстрирует простоту обучения передовой модели с помощью Python-пакета Ultralytics — разительный контраст с настройкой устаревших конвейеров TensorFlow.

from ultralytics import YOLO

# Load the highly recommended YOLO26 model
model = YOLO("yolo26s.pt")

# Train the model automatically handling hyperparameter tuning and augmentations
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Export the model to TensorRT for deployment
model.export(format="engine")

Новый стандарт: YOLO26#

Хотя YOLOv7 и EfficientDet заложили основу современного компьютерного зрения, ситуация кардинально изменилась после представления Ultralytics YOLO26 в январе 2026 года. Разработанная для сочетания исключительной точности и непревзойденной производительности на периферийных устройствах, YOLO26 является оптимальным выбором для всех новых проектов в области компьютерного зрения.

Ключевые инновации YOLO26#

• Сквозная архитектура без NMS: Развивая основы, заложенные в YOLOv10, YOLO26 изначально построена как сквозная модель. Полностью устраняя постобработку с подавлением немаксимумов (NMS), она обеспечивает меньшую и более стабильную задержку, что крайне важно для критически важных с точки зрения безопасности систем, таких как автономное вождение.
• До 43% более быстрый вывод на CPU: Благодаря удалению Distribution Focal Loss (DFL) YOLO26 отличается значительно упрощенным процессом экспорта и непревзойденной скоростью на периферийных устройствах, таких как Raspberry Pi, что делает ее бесспорным лидером периферийных вычислений.
• Оптимизатор MuSGD: YOLO26 использует революционный оптимизатор MuSGD — гибрид SGD и Muon, вдохновленный инновациями в обучении LLM от Moonshot AI. Это обеспечивает исключительно стабильную динамику обучения и значительно более высокую скорость сходимости.
• ProgLoss + STAL: Интеграция Progressive Loss и Small-Target-Aware Label Assignment существенно улучшает способность модели обнаруживать мелкие объекты, решая важнейшую проблему при работе с аэрофотоснимками с дронов и системами охранной сигнализации.
• Улучшения для конкретных задач: YOLO26 — это не просто детектор. Она использует функцию потерь для семантической сегментации и многомасштабный прототип для безупречной сегментации, Residual Log-Likelihood Estimation (RLE) для высокоточного отслеживания позы, а также специализированную функцию потерь угла для устранения неоднозначности границ OBB.

Изучение альтернативных моделей#

Хотя YOLO26 представляет вершину современных технологий, экосистема Ultralytics поддерживает множество моделей, адаптированных для различных сценариев использования.

Для разработчиков, работающих с устаревшими системами, которым по-прежнему требуется традиционное масштабирование без якорей, YOLO11 остается надежным и широко поддерживаемым вариантом на платформе Ultralytics. Кроме того, для сценариев, в которых явно требуются архитектуры на базе Transformer, RT-DETR предлагает обнаружение объектов в реальном времени с использованием vision Transformer, устраняя разрыв между высокоуровневыми механизмами внимания и скоростью выполнения в реальном времени.

В заключение: хотя EfficientDet дает академическому сообществу полезные сведения о составном масштабировании, а YOLOv7 предлагает высокую базовую производительность в реальном времени, современным компаниям лучше всего выбрать платформу Ultralytics. Используя YOLO26, команды могут обеспечить максимальную производительность, минимальные трудности при обучении и долгосрочную актуальность своих развертываний ИИ.