Начать

EfficientDet и YOLOv9

Компьютерное зрение развивалось благодаря постоянному совершенствованию архитектур нейронных сетей. При выборе модели крайне важно найти баланс между вычислительной эффективностью и точностью обнаружения. В 2019 году EfficientDet от Google задала высокую планку благодаря масштабируемым архитектурам, а выпущенная в 2024 году YOLOv9 продвинула обнаружение объектов с помощью программируемой градиентной информации (PGI).

В этом руководстве приводится техническое сравнение двух моделей и рассматривается Ultralytics YOLO26 — надёжное сквозное решение, оптимизированное для производственной среды.

Архитектуры моделей и инновации#

Чтобы определить наиболее подходящие сценарии применения EfficientDet и YOLOv9, важно понимать принципы их работы.

EfficientDet: составное масштабирование и BiFPN#

EfficientDet, разработанная Google Research, ориентирована на систематическое масштабирование и эффективное объединение признаков. В её основе лежит EfficientNet, а также новая архитектура сети признаков.

  • Авторы: Mingxing Tan, Ruoming Pang и Quoc V. Le
  • Организация: Google
  • Дата: 20 ноября 2019 года
  • Ссылки: arXiv, GitHub

Ключевые особенности архитектуры: EfficientDet активно использует двунаправленную пирамидальную сеть признаков (BiFPN), которая обеспечивает быстрое объединение признаков разных масштабов. Кроме того, модель применяет метод составного масштабирования, единообразно меняющий разрешение, глубину и ширину сети. Для своего времени EfficientDet была очень точной, но она сильно зависит от устаревших сред TensorFlow, что усложняет современные конвейеры развёртывания.

Подробнее об EfficientDet

YOLOv9: решение проблемы информационного узкого места#

Разработанная исследователями из Academia Sinica модель YOLOv9 решает проблему потери информации при прохождении данных через глубокие нейронные сети.

  • Авторы: Chien-Yao Wang и Hong-Yuan Mark Liao
  • Организация: Институт информатики, Academia Sinica
  • Дата: 21 февраля 2024 года
  • Ссылки: arXiv, GitHub, Документация

Ключевые особенности архитектуры: YOLOv9 использует программируемую градиентную информацию (PGI) для вспомогательного контроля обучения, помогая сохранять важные данные и надёжно обновлять веса сети. В модели также применяется обобщённая сеть агрегации эффективных слоёв (GELAN), повышающая эффективность использования параметров. Несмотря на эти усовершенствования, при постобработке YOLOv9 по-прежнему требуется подавление немаксимумов (NMS), что увеличивает задержку.

Подробнее о YOLOv9

Сравнение производительности#

При оценке этих моделей анализ эмпирических показателей производительности помогает определить, какая архитектура обеспечивает наилучший компромисс для твоего оборудования.

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
YOLOv9t64038.3-2.32.07.7
YOLOv9s64046.8-3.547.226.7
YOLOv9m64051.4-6.4320.176.8
YOLOv9c64053.0-7.1625.5102.8
YOLOv9e64055.6-16.7758.1192.5

Критический анализ#

YOLOv9 значительно быстрее при сопоставимой точности. Например, YOLOv9e достигает 55.6% mAP при задержке TensorRT 16.77ms. EfficientDet-d7 обеспечивает более низкую mAP — 53.7% — при значительно большей задержке (128.07ms), поэтому её сложно использовать для потоковой передачи видео в реальном времени.

Экспорт моделей для производственной среды

Экспорт модели в оптимизированные форматы, такие как TensorRT или OpenVINO, значительно сокращает время инференса по сравнению с непосредственным запуском в PyTorch.

Сценарии использования и рекомендации#

Выбор между EfficientDet и YOLOv9 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 выбирать YOLOv9#

YOLOv9 рекомендуется для таких задач:

  • Исследование информационного узкого места: Академические проекты, изучающие архитектуры программируемой информации о градиентах (PGI) и обобщённой эффективной сети агрегации слоёв (GELAN).
  • Исследования оптимизации потока градиентов: Работы, посвящённые изучению и устранению потери информации в глубоких слоях сети во время обучения.
  • Сравнительное тестирование точного детектирования: Сценарии, в которых высокая результативность YOLOv9 на тестах COCO нужна в качестве ориентира для сравнения архитектур.

Когда выбирать Ultralytics (YOLO26)#

Для большинства новых проектов Ultralytics YOLO26 предлагает лучшее сочетание производительности и удобства для разработчиков:

  • 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 ускорителя GPU, на которых YOLO26n получает явное преимущество благодаря инференсу на CPU до 43% быстрее, чем у YOLO11n.
  • Обнаружение небольших объектов: Сложные сценарии, например съёмка с дронов или анализ данных IoT-датчиков, где ProgLoss и STAL заметно повышают точность обнаружения крошечных объектов.

Преимущества Ultralytics: выбор YOLO26#

YOLOv9 и EfficientDet проложили путь для новых решений, однако разработчикам, которым нужен современный фреймворк, готовый к промышленному использованию, стоит обратить внимание на модели Ultralytics YOLO, в частности на недавно выпущенную YOLO26.

Платформа Ultralytics создана для простоты использования и объединяет локальные сценарии обучения с интерфейсом, поддерживающим облачные вычисления. YOLO26 — серьёзно переработанная модель, которая превосходит более старые архитектуры во многих коммерческих приложениях.

Основные технические особенности YOLO26#

  • Сквозная архитектура без NMS: Опциональная сквозная голова YOLO26 (nms=False) устраняет узкие места постобработки. Отказ от NMS объединяет графы развёртывания и ускоряет работу на чипах периферийного ИИ.
  • Инференс на CPU до 43% быстрее: Модель оптимизирована для встраиваемых устройств: когда GPU недоступны, YOLO26n работает на CPU с ONNX до 43% быстрее YOLO11n.
  • Оптимизатор MuSGD: Этот гибридный оптимизатор переносит методы обучения LLM в компьютерное зрение и стабилизирует обучение, позволяя моделям быстрее сходиться при меньших затратах ресурсов.
  • Низкие требования к памяти: в отличие от архитектур с большим количеством Transformer-блоков или неоптимизированных CNN, YOLO26 минимизирует потребление памяти CUDA во время обучения, позволяя использовать большие размеры пакетов на потребительском оборудовании.
  • ProgLoss + STAL: Прогрессивная функция потерь и назначение меток с учётом малых объектов значительно повышают точность обнаружения небольших объектов, поэтому YOLO26 хорошо подходит для анализа аэрофотоснимков и сетей IoT.
  • Удаление DFL: Упрощённая конструкция облегчает преобразование модели в форматы для мобильных устройств.

К другим вариантам в экосистеме Ultralytics относятся YOLO11 и YOLOv8, которые также поддерживают множество задач, включая сегментацию экземпляров и оценку позы.

Упрощенное обучение с помощью Python SDK#

Модели Ultralytics ориентированы на удобство разработчиков. Для обучения модели достаточно нескольких строк кода на Python.

from ultralytics import YOLO

# Initialize the YOLO26 model
model = YOLO("yolo26n.pt")

# Train with optimized memory usage and built-in augmentations
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Validate the model's performance easily
metrics = model.val()
print(f"Validation mAP: {metrics.box.map}")

Применение в реальных условиях#

Выбор между этими архитектурами во многом зависит от целевой платформы развёртывания.

  • Устаревшие облачные развёртывания: EfficientDet была популярна для пакетной обработки данных в автономном облачном режиме, когда требовалась высокая точность и не было строгих требований к работе в реальном времени.
  • Академические исследования: YOLOv9 остаётся интересным выбором для исследователей, изучающих пределы архитектур CNN и анализирующих распространение градиентов по слоям сети.
  • Периферийные вычисления и IoT: YOLO26 хорошо подходит для реальных периферийных приложений. Конвейер без NMS и поддержка ориентированных ограничивающих рамок (OBB) делают модель отличным решением для анализа дорожного движения в умных городах, мониторинга товарных запасов в рознице и инспекций с помощью дронов, обеспечивая баланс высокой точности и быстрого инференса.
Участники

Комментарии

Задай вопрос, поделись результатами или помоги кому-нибудь.