Начать

EfficientDet и YOLOv8

Сфера компьютерного зрения продолжает развиваться: новые архитектуры регулярно расширяют границы возможного. Правильный выбор архитектуры нейронной сети крайне важен для баланса точности, задержки и потребления ресурсов. В этом техническом обзоре сравниваются две широко используемые модели обнаружения объектов: EfficientDet от Google и Ultralytics YOLOv8.

Планируешь ли ты развёртывать модели на устройствах периферийных вычислений с крайне ограниченными ресурсами или запускать масштабную аналитику на облачных серверах — понимание различий между этими моделями поможет сделать правильный выбор.

Обзор моделей и их происхождение#

Понимание принципов проектирования каждой модели дает важный контекст для оценки ее характеристик производительности.

EfficientDet: масштабируемая точность#

Разработанная исследователями Google модель EfficientDet была представлена как легко масштабируемая система обнаружения объектов. Ее задача — максимально повысить точность, тщательно контролируя количество операций с плавающей точкой (FLOPs) и параметров.

Подробнее об EfficientDet

EfficientDet использует в качестве базовой сети EfficientNet и представляет двунаправленную пирамидальную сеть признаков (BiFPN). Это обеспечивает быстрое объединение признаков разных масштабов. Модель также применяет метод составного масштабирования, который одновременно и единообразно меняет разрешение, глубину и ширину базовой сети, сети признаков и сетей предсказания рамок и классов. Несмотря на эффективность, сильная зависимость от экосистемы TensorFlow иногда усложняет развёртывание в средах, ориентированных на PyTorch.

Ultralytics YOLOv8: универсальный стандарт#

Выпущенная в начале 2023 года, Ultralytics YOLOv8 стала важным этапом развития семейства YOLO: модель создавалась не только для обнаружения объектов по ограничивающим рамкам, но и как единый фреймворк для решения множества задач компьютерного зрения.

В YOLOv8 появилась голова обнаружения без якорей, благодаря чему отпала необходимость вручную настраивать якорные рамки с учётом распределения данных в наборе. Это значительно упрощает обучение. В архитектуре используется оптимизированный модуль C2f, который улучшает распространение градиентов и позволяет модели обучаться более насыщенным представлениям признаков. Кроме того, при обучении YOLOv8 требуется значительно меньше памяти GPU, чем тяжёлым моделям на основе Transformer, благодаря чему передовые исследования в области ИИ становятся доступнее.

Возможности решения нескольких задач

В отличие от EfficientDet, предназначенной исключительно для обнаружения объектов по ограничивающим рамкам, YOLOv8 обладает широкой универсальностью. Из коробки она поддерживает обнаружение объектов, сегментацию экземпляров, классификацию изображений, оценку позы и ориентированные ограничивающие рамки (OBB).

Производительность и тесты#

Сравнение этих моделей на стандартных бенчмарках, таких как набор данных COCO, показывает компромисс между скоростью и точностью. В таблице ниже сравнивается семейство EfficientDet (d0–d7) и серия YOLOv8 (n–x).

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
YOLOv8n64037.380.41.473.28.7
YOLOv8s64044.9128.42.6611.228.6
YOLOv8m64050.2234.75.8625.978.9
YOLOv8l64052.9375.29.0643.7165.1
YOLOv8x64053.9479.114.3768.2257.8

Анализ данных#

Данные тестирования демонстрируют сбалансированную производительность, которую инженеры Ultralytics закладывают в свои архитектуры. YOLOv8 лидирует в средах с GPU-ускорением. Модель YOLOv8n выполняет инференс за 1,47 мс на NVIDIA T4 с использованием TensorRT, поэтому гораздо лучше подходит для потоковой аналитики видео в реальном времени.

YOLOv8x также демонстрирует наивысшую общую точность — 53.9 mAP, превосходя EfficientDet-d7 при меньшем количестве FLOPs (257.8B против 325.0B). Такая вычислительная эффективность напрямую снижает требования к памяти и энергозатраты при корпоративном развёртывании.

Экосистема и простота использования#

Для многих современных инженерных команд главным отличием становится не только чистая скорость модели, но и экосистема вокруг неё.

Реализация EfficientDet во многом зависит от устаревших библиотек AutoML, которые могут создавать трудности при освоении и ненадёжные цепочки зависимостей для разработчиков, привыкших к современным рабочим процессам PyTorch.

В отличие от неё, Ultralytics делает ставку на простоту использования. Хорошо поддерживаемая экосистема предлагает единый Python API, который значительно упрощает весь жизненный цикл машинного обучения. Она интегрирована с платформой Ultralytics, которая управляет всем: от автоматической разметки до облачного обучения и мониторинга в реальном времени.

Пример кода: обучение и инференс с YOLOv8#

Эффективность обучения в экосистеме Ultralytics лучше всего демонстрирует код. Чтобы начать работу, достаточно нескольких строк на Python:

from ultralytics import YOLO

# Загрузи предварительно обученную модель YOLOv8 nano
model = YOLO("yolov8n.pt")

# Обучи модель на датасете COCO8
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)

# Выполнить инференс на удаленном изображении
predictions = model("https://ultralytics.com/images/bus.jpg")

# Экспортируй модель в ONNX для развёртывания в production
export_path = model.export(format="onnx")

Такой упрощенный подход автоматически обрабатывает загрузку набора данных, аугментацию данных и распределение ресурсов оборудования, позволяя исследователям сосредоточиться на результатах, а не на шаблонном коде.

Сценарии использования и рекомендации#

Выбор между EfficientDet и YOLOv8 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 выбрать YOLOv8#

YOLOv8 подойдет для:

  • Универсальное развёртывание для нескольких задач: Проекты, которым нужна проверенная модель для обнаружения объектов, сегментации, классификации и оценки позы в экосистеме Ultralytics.
  • Уже работающие системы: существующие промышленные среды, построенные на архитектуре YOLOv8 и использующие стабильные, тщательно проверенные конвейеры развертывания.
  • Широкая поддержка сообщества и экосистемы: приложения, которым помогают многочисленные руководства по YOLOv8, сторонние интеграции и активное сообщество.

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 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.

Что дальше: преимущества YOLO26#

YOLOv8 — отличная универсальная модель, но компьютерное зрение продолжает развиваться. Тем, кто сегодня выбирает архитектуру, рекомендуется начать с недавно выпущенной Ultralytics YOLO26.

Выпущенная в январе 2026 года, YOLO26 развивает достижения предшественников, в том числе YOLO11 и YOLOv10, и предлагает несколько новых возможностей:

  • Сквозная архитектура без NMS: Опциональная голова с назначением один-к-одному YOLO26 (nms=False) устраняет необходимость в постобработке с подавлением немаксимумов (NMS), упрощая логику развёртывания и снижая колебания задержки.
  • Оптимизатор MuSGD: Этот гибридный оптимизатор объединяет методы обучения больших языковых моделей (LLM), обеспечивая более стабильное обучение и быструю сходимость.
  • Инференс на CPU до 43% быстрее: Оптимизированная для сценариев периферийного ИИ без выделенных GPU, YOLO26n работает на CPU до 43% быстрее YOLO11n.
  • ProgLoss + STAL: Эти усовершенствования обучения заметно повышают точность распознавания небольших объектов — проблему, которая долгое время была слабым местом многих детекторов реального времени.

Заключение#

EfficientDet остаётся продуманной архитектурой, положившей начало методам составного масштабирования. Однако для приложений, готовых к промышленной эксплуатации, Ultralytics YOLOv8 обеспечивает более удобную среду разработки, большую универсальность для разных задач компьютерного зрения и значительно более быстрый инференс на современных GPU.

Для команд, начинающих новые проекты, экосистема Ultralytics предлагает активную разработку, подробную документацию и понятный путь перехода на более новые модели, например YOLO26.

Участники

Комментарии1

Задай вопрос, поделись результатами или помоги кому-нибудь.

  1. finfindaraGitHub(изменено)

    Insightful comparison! EfficientDet is well-regarded for its scalability and efficient use of computational resources, especially in mobile and low-power scenarios. That said, this YOLOv8 comparison highlights how v8 offers better real-time performance, a more user-friendly training pipeline, and greater flexibility across different vision tasks. Each model brings unique strengths depending on the deployment context.