EfficientDet против YOLOv9#

Ландшафт компьютерного зрения формировался благодаря непрерывным прорывам в проектировании нейросетей. Поиск правильного баланса между вычислительной эффективностью и точностью детектирования имеет решающее значение при выборе модели. EfficientDet от Google задала мощный ориентир в 2019 году, представив масштабируемые архитектуры, в то время как YOLOv9, выпущенная в 2024 году, раздвинула границы обнаружения объектов с помощью программируемой градиентной информации (PGI).

Это руководство представляет собой исчерпывающее техническое сравнение между этими двумя моделями и знакомит с современным фреймворком Ultralytics YOLO26, который предлагает надежное комплексное решение, оптимизированное для производственных сред.

Архитектуры моделей и инновации#

Понимание базовых механизмов работы EfficientDet и YOLOv9 необходимо для определения их оптимальных сценариев использования.

EfficientDet: compound scaling и BiFPN#

Разработанная в Google Research, EfficientDet фокусируется на систематическом масштабировании и эффективном слиянии признаков. Она использует EfficientNet в качестве основы и внедряет новую архитектуру сети признаков.

• Авторы: Минсин Тан, Руомин Пан и Куок В. Ле
• Организация: Google
• Дата: 20 ноября 2019 г.
• Ссылки: Arxiv, GitHub

Ключевые особенности архитектуры: EfficientDet сильно зависит от двунаправленной пирамидальной сети признаков (BiFPN), которая позволяет легко и быстро осуществлять многомасштабное слияние признаков. Наряду с этим в ней используется метод составного масштабирования, который равномерно масштабирует разрешение, глубину и ширину сети. Несмотря на высокую точность для своего времени, EfficientDet тесно привязана к устаревшим средам TensorFlow, что делает современные конвейеры развертывания сложными.

Узнай больше об EfficientDet

YOLOv9: Решение проблемы информационного узкого места#

Разработанная исследователями Academia Sinica, YOLOv9 решает проблему деградации 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 г.
• Ссылки: Arxiv, GitHub, Docs

Ключевые архитектурные особенности: YOLOv9 внедряет программируемую градиентную информацию (PGI) для обеспечения вспомогательного контроля, гарантируя, что критически важные данные сохраняются для надежного обновления весов сети. Она также оснащена обобщенной эффективной сетью агрегации слоев (GELAN) для максимизации эффективности параметров. Несмотря на эти достижения, YOLOv9 по-прежнему требует подавления немаксимумов (NMS) во время постобработки, что увеличивает задержку.

Узнай больше о YOLOv9

Сравнение производительности#

При оценке этих моделей анализ эмпирических данных помогает определить, какая архитектура обеспечивает наилучший баланс для твоих конкретных аппаратных требований.

Критический анализ#

YOLOv9 обеспечивает качественный скачок в скорости. Например, YOLOv9e достигает 55.6% mAP с задержкой TensorRT в 16.77 мс. В резком контрасте, EfficientDet-d7 предлагает более низкий mAP в 53.7%, но страдает от огромной задержки (128.07 мс), что делает крайне сложным ее развертывание для видеопотоков в реальном времени.

Сценарии использования и рекомендации#

Выбор между EfficientDet и YOLOv9 зависит от требований твоего конкретного проекта, ограничений развертывания и предпочтений в экосистеме.

Когда стоит выбрать EfficientDet#

EfficientDet — отличный выбор, если:

• Конвейеры Google Cloud и TPU: Системы с глубокой интеграцией в Google Cloud Vision API или инфраструктуру TPU, где EfficientDet имеет встроенную оптимизацию.
• Исследования составного масштабирования: Академическое тестирование, сфокусированное на изучении эффектов сбалансированного масштабирования глубины, ширины и разрешения сети.
• Мобильное развертывание через TFLite: Проекты, которым специально требуется экспорт TensorFlow Lite для Android или встраиваемых устройств Linux.

Когда стоит выбрать YOLOv9#

YOLOv9 рекомендуется для:

• Исследований информационных узких мест: Академические проекты по изучению архитектур Programmable Gradient Information (PGI) и Generalized Efficient Layer Aggregation Network (GELAN).
• Изучения оптимизации потока градиентов: Исследования, направленные на понимание и смягчение потери информации в глубоких слоях сети во время обучения.
• Бенчмаркинга обнаружения высокой точности: Сценарии, где высокие показатели производительности YOLOv9 в бенчмарке COCO необходимы в качестве точки отсчета для архитектурных сравнений.

Когда выбирать Ultralytics (YOLO26)#

Для большинства новых проектов Ultralytics YOLO26 предлагает наилучшее сочетание производительности и удобства для разработчика:

• Развертывания на периферии без NMS: приложений, требующих стабильного вывода с низкой задержкой без сложности постобработки подавления немаксимумов.
• Среды только с CPU: устройств без выделенного GPU-ускорения, где до 43% более быстрый вывод на CPU у YOLO26 дает решающее преимущество.
• Обнаружение малых объектов: Сложные сценарии, такие как aerial drone imagery или анализ с помощью IoT-сенсоров, где ProgLoss и STAL значительно повышают точность для крошечных объектов.

Преимущество Ultralytics: выбор YOLO26#

Хотя YOLOv9 и EfficientDet проложили путь, разработчикам, ищущим по-настоящему современный, готовый к продакшену фреймворк, стоит рассмотреть модели Ultralytics YOLO, в частности недавно выпущенную YOLO26.

Платформа Ultralytics Platform предлагает непревзойденную простоту использования, объединяя мощные локальные скрипты обучения с облачным интерфейсом. YOLO26 представляет собой масштабную переработку дизайна моделей, делая старые архитектуры устаревшими для многих коммерческих приложений.

Технические преимущества YOLO26#

• Комплексный дизайн без NMS: YOLO26 полностью устраняет «узкие места» постобработки. Благодаря удалению подавления немаксимумов графы развертывания становятся унифицированными и работают значительно быстрее на чипах Edge AI.
• До 43% более быстрый вывод на CPU: Оптимизирована специально для встроенных устройств, что делает ее существенно быстрее как YOLOv9, так и EfficientDet, когда GPU недоступны.
• Оптимизатор MuSGD: Интегрируя инновации LLM в Vision AI, этот гибридный оптимизатор стабилизирует обучение, позволяя моделям сходиться быстрее с меньшими ресурсами.
• Низкие требования к памяти: В отличие от архитектур, перегруженных трансформерами, или неоптимизированных CNN, YOLO26 минимизирует потребление памяти CUDA во время обучения, позволяя использовать большие размеры пакетов (batch size) на потребительском оборудовании.
• ProgLoss + STAL: Улучшенная архитектура функции потерь радикально повышает точность обнаружения мелких объектов, делая YOLO26 идеальной для аэросъемки и сетей IoT.
• Удаление DFL: Упрощенный структурный дизайн обеспечивает беспрепятственную конвертацию в форматы для мобильного развертывания.

Узнай больше о YOLO26

Другие надежные варианты в экосистеме Ultralytics включают YOLO11 и YOLOv8, которые также обеспечивают универсальность для решения нескольких задач, таких как сегментация экземпляров и оценка позы.

Упрощенное обучение с помощью Python SDK#

Модели Ultralytics ставят во главу угла удобство разработчиков. Обучение современной модели сводится всего к нескольким строчкам кода на Python.

from ultralytics import YOLO

# Initialize the state-of-the-art 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 сильно зависит от цели твоего развертывания.

• Устаревшие облачные развертывания: EfficientDet была популярна для автономной пакетной обработки в облаке, где требовалась высокая точность и отсутствовали строгие требования к работе в реальном времени.
• Академические исследования: YOLOv9 остается интересным выбором для исследователей, расширяющих теоретические границы CNN и анализирующих градиентные потоки через слои сети.
• Периферийные вычисления и IoT: YOLO26 доминирует в реальных сценариях использования. Конвейер без NMS и возможности работы с ориентированными ограничивающими рамками (OBB) делают ее превосходным выбором для анализа трафика в «умных» городах, мониторинга розничных запасов и инспекций с помощью дронов, предлагая непревзойденный баланс высокой точности и высокой скорости инференса.