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.
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.
Сравнение производительности#
При оценке этих моделей анализ эмпирических показателей производительности помогает определить, какая архитектура обеспечивает наилучший компромисс для твоего оборудования.
| 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 |
| YOLOv9t | 640 | 38.3 | - | 2.3 | 2.0 | 7.7 |
| YOLOv9s | 640 | 46.8 | - | 3.54 | 7.2 | 26.7 |
| YOLOv9m | 640 | 51.4 | - | 6.43 | 20.1 | 76.8 |
| YOLOv9c | 640 | 53.0 | - | 7.16 | 25.5 | 102.8 |
| YOLOv9e | 640 | 55.6 | - | 16.77 | 58.1 | 192.5 |
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.
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.
Комментарии
Задай вопрос, поделись результатами или помоги кому-нибудь.