EfficientDet против YOLOv8: подробное изучение архитектур обнаружения объектов
Сравнение моделей обнаружения объектов имеет решающее значение для разработчиков, которые стремятся найти баланс между точностью, скоростью и ограничениями ресурсов. В этом руководстве представлено всестороннее техническое сравнение между EfficientDet, масштабируемой архитектурой обнаружения Google, и YOLOv8, промышленным стандартом в области детекторов реального времени от Ultralytics.
В то время как EfficientDet представил революционные концепции в области масштабирования соединений, Ultralytics YOLOv8 переопределила возможности в области вывода в реальном времени, предложив унифицированную структуру для обнаружения объектов, сегментации экземпляров и оценки положения.
Интерактивный анализ производительности
Чтобы понять компромиссы между этими архитектурами, необходимо визуализировать их работу в различных условиях. На приведенном ниже графике показана зависимость между задержкой (скоростью) и точностью (mAP) для моделей разного размера.
Таблица сравнения метрических единиц
В следующей таблице представлено прямое сравнение ключевых показателей производительности на COCO . Обратите внимание на значительное преимущество YOLOv8 по скорости инференции по сравнению с их аналогами EfficientDet при аналогичном уровне точности.
| Модель | размер (пиксели) | mAPval 50-95 | Скорость CPU ONNX (мс) | Скорость T4 TensorRT10 (мс) | параметры (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| EfficientDet-d0 | 640 | 34.6 | 10.2 | 3.92 | 3.9 | 2.54 |
| EfficientDet-d1 | 640 | 40.5 | 13.5 | 7.31 | 6.6 | 6.1 |
| EfficientDet-d2 | 640 | 43.0 | 17.7 | 10.92 | 8.1 | 11.0 |
| EfficientDet-d3 | 640 | 47.5 | 28.0 | 19.59 | 12.0 | 24.9 |
| EfficientDet-d4 | 640 | 49.7 | 42.8 | 33.55 | 20.7 | 55.2 |
| EfficientDet-d5 | 640 | 51.5 | 72.5 | 67.86 | 33.7 | 130.0 |
| EfficientDet-d6 | 640 | 52.6 | 92.8 | 89.29 | 51.9 | 226.0 |
| EfficientDet-d7 | 640 | 53.7 | 122.0 | 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 | 165.2 |
| YOLOv8x | 640 | 53.9 | 479.1 | 14.37 | 68.2 | 257.8 |
EfficientDet: Масштабируемая архитектура
EfficientDet был разработан для повышения эффективности обнаружения объектов путем систематического масштабирования размеров модели (глубина, ширина и разрешение). Он использует базовую структуру EfficientNet и внедряет взвешенную двунаправленную пирамиду признаков (BiFPN), что позволяет легко и быстро объединять признаки в нескольких масштабах.
Подробности EfficientDet:
- Авторы: Минсин Тан, Жуомин Пан и Куок В. Ле
- Организация: Google
- Дата: 20.11.2019
- Arxiv: https://arxiv.org/abs/1911.09070
- GitHub: google
- Документы: google
Сильные и слабые стороны
EfficientDet превосходит другие модели в академических тестах, где точность оценок имеет приоритет над задержкой. Метод сложного масштабирования гарантирует, что по мере роста модели (от D0 до D7) производительность увеличивается предсказуемо. Однако сложная структура BiFPN часто приводит к более высокой задержке на аппаратном обеспечении, которое не оптимизировано специально для нерегулярных моделей доступа к памяти. Кроме того, обучение EfficientDet обычно требует значительных GPU по сравнению с оптимизированными конвейерами обучения современных YOLO.
Узнайте больше об EfficientDet
Ultralytics YOLOv8: точность в реальном времени
YOLOv8 значительный шаг вперед в YOLO . В нем была внедрена система обнаружения без анкеров, которая сокращает количество прогнозов по коробкам и ускоряет немаксимальное подавление (NMS). В сочетании с новым модулем C2f в основной структуре YOLOv8 более богатый градиентный поток и извлечение признаков.
YOLOv8 Детали:
- Авторы: Гленн Джочер, Аюш Чаурасия и Цзин Цю
- Организация: Ultralytics
- Дата: 10.01.2023
- GitHub: ultralytics
- Документы: yolov8
Преимущество Ultralytics
Разработчики предпочитают Ultralytics по нескольким ключевым причинам:
- Простота использования: с помощью Python загрузка модели и выполнение прогнозирования занимает всего три строки кода.
- Эффективность обучения: предварительно обученные веса легко доступны, а конвейер обучения высоко оптимизирован, что снижает потребность в массивных GPU .
- Универсальность: в отличие от EfficientDet, который в первую очередь является детектором объектов, YOLOv8 поддерживает задачи классификации изображений, сегментации и ориентированных ограничивающих рамок (OBB).
- Хорошо поддерживаемая экосистема: модель поддерживается Ultralytics , которая предлагает удобные инструменты для управления наборами данных и обучения в облаке.
Запуск YOLOv8
Выполнение инференции с помощью YOLOv8 невероятно просто. Вот Python :
from ultralytics import YOLO
# Load a pretrained YOLOv8 model
model = YOLO("yolov8n.pt")
# Run inference on an image
results = model("path/to/image.jpg")
Идеальные варианты использования и применения
Выбор между этими моделями в значительной степени зависит от вашей среды развертывания.
Где применяется EfficientDet
EfficientDet часто используется в исследовательских сценариях или при автономной пакетной обработке, где скорость в реальном времени не является критической, но требуются высокие mAP . Примеры:
- Медицинская визуализация с высоким разрешением: анализ рентгеновских снимков или МРТ-сканов, где важен каждый пиксель, а время обработки имеет второстепенное значение.
- Анализ спутниковых изображений: обработка огромных геопространственных наборов данных в автономном режиме.
Где превосходит YOLOv8
YOLOv8 оптимальное решение для приложений, работающих в режиме реального времени, и периферийного искусственного интеллекта. Благодаря балансу скорости и точности оно идеально подходит для:
- Контроль качества производства: обнаружение дефектов на высокоскоростных сборочных линиях с помощью компьютерного зрения.
- Автономная робототехника: навигация и обход препятствий, где низкая задержка является требованием безопасности.
- Умная розничная торговля: отслеживание запасов в режиме реального времени и управление очередями.
Будущее уже наступило: Ultralytics
Хотя YOLOv8 надежным выбором, в этой области произошли изменения. Для новых проектов в 2026 году рекомендуется использовать ультрасовременную модель Ultralytics . Она основана на успехе YOLOv8 YOLO11 , а также значительных прорывов в архитектуре.
Почему стоит перейти на YOLO26?
YOLO26 предлагает несколько явных преимуществ по сравнению с EfficientDet и YOLOv8:
- Сквозной дизайн NMS: YOLO26 изначально является сквозным. Он устраняет необходимость в постобработке с помощью Non-Maximum Suppression (NMS), что упрощает логику развертывания и сокращает задержку вывода.
- MuSGD Optimizer: вдохновленный инновациями в области обучения LLM (такими как Kimi K2 от Moonshot AI), этот гибридный оптимизатор обеспечивает более стабильное обучение и более быструю конвергенцию.
- Улучшенная производительность на периферии: благодаря устранению распределительной фокальной потери (DFL) и оптимизации для CPU , YOLO26 работает на ЦП на 43 % быстрее по сравнению с предыдущими поколениями, что делает его значительно превосходящим EfficientDet для мобильных устройств и устройств IoT.
- Логика для конкретных задач: она включает в себя функции ProgLoss и STAL, обеспечивая заметные улучшения в распознавании небольших объектов — традиционном слабом месте многих детекторов — что делает ее идеальной для изображений с дронов и робототехники.
from ultralytics import YOLO
# Train the latest YOLO26 model
model = YOLO("yolo26n.pt")
model.train(data="coco8.yaml", epochs=100, imgsz=640)
Заключение
EfficientDet сыграл ключевую роль в демонстрации возможностей сложного масштабирования в нейронных сетях. Однако для практического применения в реальных условиях, где скорость, простота использования и универсальность имеют первостепенное значение, Ultralytics являются лучшим выбором.
YOLOv8 остается мощным инструментом, соответствующим отраслевым стандартам, но для разработчиков, стремящихся к абсолютному превосходству в производительности, YOLO26 предлагает возможности компьютерного зрения нового поколения. Благодаря архитектуре NMS, более низким требованиям к памяти во время обучения и обширной поддержке через Ultralytics , YOLO26 является оптимальным выбором для создания масштабируемых решений в области искусственного интеллекта.
Если вас интересуют другие современные архитектуры, ознакомьтесь с нашими сравнениями RT-DETR или YOLO на основе трансформатора.