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.
- Авторы: Mingxing Tan, Ruoming Pang и Quoc V. Le
- Организация: Google Research
- Дата: 2019-11-20
- arXiv: 1911.09070
- GitHub: google/automl
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.
- Авторы: Glenn Jocher, Ayush Chaurasia и Jing Qiu
- Организация: Ultralytics
- Дата: 2023-01-10
- GitHub: ultralytics/ultralytics
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.
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).
| 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 |
| YOLOv8n | 640 | 37.3 | 80.4 | 1.47 | 3.2 | 8.7 |
| YOLOv8s | 640 | 44.9 | 128.4 | 2.66 | 11.2 | 28.6 |
| YOLOv8m | 640 | 50.2 | 234.7 | 5.86 | 25.9 | 78.9 |
| YOLOv8l | 640 | 52.9 | 375.2 | 9.06 | 43.7 | 165.1 |
| YOLOv8x | 640 | 53.9 | 479.1 | 14.37 | 68.2 | 257.8 |
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.
Комментарии1
Задай вопрос, поделись результатами или помоги кому-нибудь.
finfindara(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.