EfficientDet vs. YOLOv9: эволюция эффективности detect object

В быстро меняющемся мире компьютерного зрения выбор правильной архитектуры модели имеет решающее значение для балансировки производительности, скорости и вычислительных ресурсов. В этом руководстве представлено всестороннее техническое сравнение между EfficientDet, знаковой моделью, разработанной Google Research, и YOLOv9, современным детектором, интегрированным в экосистему Ultralytics. Мы проанализируем их архитектурные инновации, эталонные показатели производительности и определим, какая модель лучше всего подходит для современных приложений detect объектов в реальном времени.

EfficientDet: Передовая масштабируемая эффективность

EfficientDet, выпущенный в конце 2019 года, представил систематический подход к масштабированию моделей, который повлиял на годы последующих исследований. Разработанный командой Google Research, он был направлен на оптимизацию эффективности без ущерба для точности.

Технические детали:

• Авторы: Мингксинг Тан, Руоминг Панг, Куок В. Ле
• Организация:Google Research
• Дата: 20.11.2019
• Arxiv:EfficientDet: Масштабируемое и эффективное обнаружение объектов
• GitHub:google/automl/efficientdet

Архитектура и ключевые особенности

EfficientDet построен на основе EfficientNet и представляет Bi-directional Feature Pyramid Network (BiFPN). В отличие от традиционных FPN, BiFPN обеспечивает простое и быстрое многомасштабное слияние признаков, вводя обучаемые веса для изучения важности различных входных признаков. Модель использует метод составного масштабирования, который равномерно масштабирует разрешение, глубину и ширину для всех backbone, сети признаков и сетей прогнозирования box/class одновременно.

Сильные и слабые стороны

EfficientDet был революционным благодаря своей способности достигать высокой точности с меньшим количеством параметров, чем его современники, такие как YOLOv3. Его основная сила заключается в его масштабируемости; семейство моделей (от D0 до D7) позволяет пользователям выбирать конкретный компромисс в отношении ресурсов.

Однако, по современным стандартам, EfficientDet страдает от более низкой скорости вывода, особенно на GPU. Его сложные слои слияния признаков, хотя и точные, не так удобны для оборудования, как новые архитектуры. Кроме того, в оригинальной реализации отсутствуют удобные инструменты, имеющиеся в современных фреймворках, что делает обучение и развертывание более трудоемким.

Случаи использования

EfficientDet остается актуальным для:

• Академические исследования: Понимание принципов составного масштабирования и объединения признаков.
• Устаревшие системы: Поддержка существующих конвейеров, построенных в экосистеме TensorFlow.
• Среды только с CPU: Где ее эффективность параметров все еще может предложить разумную производительность для приложений с низкой частотой кадров.

Узнайте больше об EfficientDet

YOLOv9: Переосмысление производительности в реальном времени

YOLOv9, представленный в начале 2024 года, представляет собой скачок вперед в серии YOLO, направленный на устранение информационных узких мест глубокого обучения для достижения превосходной эффективности. Он полностью поддерживается в рамках python-пакета Ultralytics, обеспечивая удобство работы для разработчиков.

Технические детали:

• Авторы: Чен-Яо Ванг, Хонг-Юань Марк Ляо
• Организация:Институт информатики, Academia Sinica, Тайвань
• Дата: 21.02.2024
• Arxiv:YOLOv9: Learning What You Want to Learn Using Programmable Gradient Information
• GitHub:WongKinYiu/yolov9
• Документация:Документация Ultralytics YOLOv9

Архитектура и ключевые особенности

YOLOv9 представляет две новаторские концепции: Programmable Gradient Information (PGI) и Generalized Efficient Layer Aggregation Network (GELAN).

• PGI решает проблему потери информации, которая происходит при прохождении данных через глубокие слои нейронной сети, гарантируя, что градиенты, используемые для обновления весов модели, являются надежными.
• GELAN — это легкая архитектура, в которой приоритет отдается вычислительной эффективности. Она позволяет модели достигать более высокой точности с меньшим количеством параметров и вычислительных затрат (FLOPs) по сравнению с методами, основанными на depth-wise convolution.

Сильные стороны и преимущества

• Превосходный компромисс между скоростью и точностью: Как показывают тесты, YOLOv9 значительно превосходит EfficientDet по задержке inference, сохраняя или превосходя точность.
• Экосистема Ultralytics: Интеграция с Ultralytics означает доступ к простому Python API, инструментам CLI и простому экспорту в такие форматы, как ONNX, TensorRT и CoreML.
• Эффективность обучения: Модели YOLOv9 обычно требуют меньше памяти во время обучения и быстрее сходятся, чем старые архитектуры, благодаря оптимизированному конвейеру обучения Ultralytics.
• Универсальность: Помимо стандартного detect, архитектура поддерживает сложные задачи, открывая путь для продвинутого segmentation и многозадачного обучения.

Узнайте больше о YOLOv9

Анализ производительности

Следующее сравнение подчеркивает значительные улучшения в скорости и эффективности вывода, которые YOLOv9 привносит по сравнению с семейством EfficientDet.

Ключевые выводы сравнительного анализа

1. Огромное преимущество в скорости: Модель YOLOv9c достигает конкурентоспособного показателя 53.0 mAP при скорости inference всего 7.16 мс на T4 GPU. Для сравнения, сопоставимая EfficientDet-d6 (52.6 mAP) работает со скоростью 89.29 мс. Это делает YOLOv9 примерно в 12 раз быстрее при аналогичной точности, что является критическим фактором для приложений реального времени, таких как автономные транспортные средства или мониторинг дорожного движения.
2. Эффективность параметров: В нижнем сегменте спектра YOLOv9t предлагает впечатляющие 38.3 mAP, используя всего 2.0 миллиона параметров, превосходя базовый показатель EfficientDet-d0 по точности, при этом используя почти вдвое меньше параметров и работая значительно быстрее.
3. Высокая точность: Для задач, требующих максимальной точности, YOLOv9e расширяет границы с 55.6 mAP, превосходя самую большую модель EfficientDet-d7, сохраняя при этом задержку (16.77 мс), которая все еще подходит для обработки видео, в отличие от непомерных 128 мс D7.

Интеграция и простота использования

Одним из наиболее существенных различий между этими двумя моделями является экосистема, окружающая их. В то время как EfficientDet опирается на более старые репозитории TensorFlow, YOLOv9 является первоклассным элементом в библиотеке Ultralytics.

Преимущество Ultralytics

Использование YOLOv9 с Ultralytics предоставляет хорошо поддерживаемую экосистему, которая упрощает весь жизненный цикл машинного обучения. От аннотирования наборов данных до развертывания на периферийных устройствах, рабочий процесс оптимизирован.

• Простой API: Вы можете обучать, проверять и развертывать модели, используя всего несколько строк кода на python.
• Broad Compatibility: Экспортируйте свои модели без усилий в ONNX, TensorRT, OpenVINO и CoreML, используя режим экспорта.
• Поддержка сообщества: Обширная документация и активное сообщество обеспечивают легкий доступ к решениям распространенных проблем.

Вот практический пример того, как легко запустить вывод с помощью YOLOv9, используя Ultralytics Python API:

from ultralytics import YOLO

# Load a pre-trained YOLOv9 compact model
model = YOLO("yolov9c.pt")

# Run inference on an image
results = model("path/to/image.jpg")

# Process results
for result in results:
    result.show()  # Display predictions
    result.save()  # Save image to disk

Универсальность в применении

Несмотря на то, что EfficientDet является строго детектором объектов, архитектурные принципы, лежащие в основе YOLOv9 и фреймворка Ultralytics, поддерживают более широкий спектр задач компьютерного зрения. Пользователи могут легко переключаться между обнаружением объектов, сегментацией экземпляров и оценкой позы в рамках одной и той же кодовой базы, что снижает технический долг для сложных проектов.

Заключение

При сравнении EfficientDet и YOLOv9 выбор для современной разработки в области компьютерного зрения очевиден. В то время как EfficientDet сыграл историческую роль в определении эффективности масштабирования моделей, YOLOv9 превосходит его практически по всем показателям, важным для современных разработчиков.

YOLOv9 предлагает превосходную точность на параметр, на порядки более высокую скорость инференса и надежную, удобную для разработчиков экосистему. Независимо от того, выполняете ли вы развертывание на периферийных устройствах с ограниченными ресурсами или обрабатываете видеопотоки с высокой пропускной способностью в облаке, YOLOv9 обеспечивает баланс производительности, необходимый для успеха.

Для тех, кто начинает новые проекты, мы настоятельно рекомендуем использовать YOLOv9 или новейшую YOLO11, чтобы ваше приложение использовало преимущества последних достижений в области эффективности глубокого обучения.

Изучите другие модели

Если вам интересно изучить больше вариантов в семействе Ultralytics, рассмотрите следующие модели:

• YOLO11: Последняя эволюция в серии YOLO, предлагающая современную производительность в задачах обнаружения, сегментации и классификации.
• YOLOv10: Детектор реального времени end-to-end, который устраняет необходимость в Non-Maximum Suppression (NMS).
• RT-DETR: Детектор на основе трансформера, который отличается высокой точностью, предоставляя современную альтернативу архитектурам на основе CNN.

Комментарии