Начать

EfficientDet и YOLOX

При построении современного конвейера компьютерного зрения выбор подходящей модели — важное решение, определяющее точность и пригодность к работе в реальном времени. В этом техническом руководстве сравниваются две важные архитектуры обнаружения объектов: EfficientDet от Google и YOLOX от Megvii. В руководстве анализируются их архитектурные подходы и результаты тестирования, а также объясняется, чем они отличаются от недавно выпущенной Ultralytics YOLO26.

Обзор EfficientDet#

Разработанная командой Google Brain модель EfficientDet стала одним из первых примеров структурированного подхода к масштабированию моделей: она показала, что можно достичь высокой точности, используя значительно меньше параметров, чем современные ей сети с большим числом параметров.

Подробнее об EfficientDet:

Основные особенности архитектуры#

EfficientDet построена на базовой сети EfficientNet и использует метод составного масштабирования, который равномерно изменяет разрешение, глубину и ширину сети. Ее ключевая особенность — двунаправленная сеть пирамиды признаков (BiFPN), обеспечивающая быстрое и эффективное слияние признаков разных масштабов. Обучаемые веса для различных входных признаков позволяют BiFPN отдавать приоритет более важным пространственным данным.

Хотя теоретическое число FLOPs у EfficientDet очень мало, зависимость от экосистемы TensorFlow и устаревших конфигураций AutoML может затруднить интеграцию в современные быстро развивающиеся рабочие процессы PyTorch. Сложная многоветвевая сеть также может потреблять при обучении больше памяти, чем ожидалось, по сравнению с современными вариантами YOLO.

Подробнее об EfficientDet

Обзор YOLOX#

Выпущенная двумя годами позже YOLOX должна была сократить разрыв между академическими исследованиями и промышленным применением, преобразовав традиционную архитектуру YOLO в безанкерный фреймворк.

Подробнее о YOLOX:

Основные особенности архитектуры#

YOLOX значительно упростила проектирование систем обнаружения объектов. Переход к архитектуре без якорей устранил необходимость в сложной настройке якорных рамок для каждого набора данных и снизил объем эвристических настроек. Кроме того, в модели используется разделенная голова, которая разделяет классификацию и локализацию и значительно ускоряет сходимость. Стратегия назначения меток SimOTA динамически оптимизирует распределение положительных примеров во время обучения.

Несмотря на эти достижения, настройка репозитория YOLOX может потребовать сборки расширений C++ и работы со сложными зависимостями, что затрудняет быстрое развертывание моделей для менее опытных команд.

Узнай больше о YOLOX

Сравнение производительности#

При оценке моделей для производственной среды крайне важно найти баланс между средней точностью по всем классам (mAP) и скоростью инференции. В таблице ниже напрямую сравниваются семейства EfficientDet и YOLOX по стандартным бенчмаркам COCO.

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
YOLOXnano41625.8--0.911.08
YOLOXtiny41632.8--5.066.45
YOLOXs64040.5-2.569.026.8
YOLOXm64046.9-5.4325.373.8
YOLOXl64049.7-9.0454.2155.6
YOLOXx64051.1-16.199.1281.9
Анализ производительности

Хотя на крупных вариантах EfficientDet d7 обеспечивает высокую точность, YOLOX дает значительно меньшую задержку на GPU (с помощью TensorRT), поэтому лучше подходит для приложений с высокой частотой кадров, например для автономного вождения или отслеживания спортивных событий.

Сценарии использования и рекомендации#

Выбор между EfficientDet и YOLOX зависит от требований конкретного проекта, ограничений развертывания и предпочтительной 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 стоит выбрать YOLOX#

YOLOX подойдёт для следующих задач:

  • Исследования обнаружения без якорей: Академические исследования, в которых чистая архитектура YOLOX без якорей используется как базовая модель для экспериментов с новыми головами обнаружения или функциями потерь.
  • Сверхлёгкие периферийные устройства: Развертывание на маломощном встраиваемом или устаревшем мобильном оборудовании, где критически важен очень компактный вариант YOLOX-Nano (0.91M параметров).
  • Исследования назначения меток SimOTA: Исследовательские проекты по изучению стратегий назначения меток на основе оптимального транспорта и их влияния на сходимость обучения.

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 GPU-ускорителя, где инференс YOLO26 (YOLO26n по сравнению с YOLO11n) до 43% быстрее, что дает явное преимущество.
  • 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: знакомство с YOLO26#

В свое время EfficientDet и YOLOX стали значительным шагом вперед, однако современное компьютерное зрение требует большей универсальности, упрощенных рабочих процессов и высокой скорости. Разработчикам, которым важны простота использования, меньшие требования к памяти и хорошо поддерживаемая экосистема, стоит перейти на Ultralytics YOLO26, выпущенную в январе 2026 года.

YOLO26 — важный этап развития линейки YOLO, устраняющий ограничения старых моделей, таких как YOLOX и EfficientDet:

  • Сквозная обработка без NMS: В отличие от EfficientDet и YOLOX, которым нужна ресурсоемкая постобработка подавлением немаксимумов (NMS), YOLO26 поддерживает встроенный сквозной инференс благодаря опциональной голове один-к-одному (nms=False). Это устраняет задержки из-за NMS и упрощает развертывание на периферийных устройствах.
  • До 43% более быстрый инференс на CPU: Благодаря настройке архитектуры и отказу от DFL (Distribution Focal Loss) YOLO26 оптимизирована для сред без выделенных GPU. YOLO26n работает на CPU до 43% быстрее YOLO11n и отлично показывает себя на оборудовании для периферийного ИИ, например Raspberry Pi.
  • Оптимизатор MuSGD: Вдохновленная новыми методами обучения LLM, например Kimi K2 от Moonshot AI, YOLO26 использует гибрид SGD и Muon. Это обеспечивает стабильное обучение и более быструю сходимость по сравнению со старыми подходами к обучению.
  • ProgLoss + STAL: Прогрессивная функция потерь и стратегия назначения меток с учетом малых объектов заметно улучшают распознавание мелких объектов — традиционно слабую сторону YOLOX и EfficientDet. Это важно для аналитики с дронов и IoT.
  • Поддержка нескольких задач: В отличие от EfficientDet и YOLOX, которые предназначены только для обнаружения ограничивающих рамок, YOLO26 из коробки поддерживает сегментацию экземпляров, оценку позы (с помощью оценки остаточного логарифмического правдоподобия) и ориентированные ограничивающие рамки (OBB).

Упрощенный пользовательский интерфейс и эффективное обучение#

Одна из главных сложностей при работе с моделями вроде YOLOX — настройка среды обучения. Благодаря единому API Ultralytics для Python для обучения модели достаточно нескольких строк кода. Модели YOLO также используют оптимизированные загрузчики данных и компактные архитектуры, поэтому потребляют значительно меньше памяти CUDA, чем модели с большим числом Transformer-блоков или старые многоветвевые сети.

from ultralytics import YOLO

# Загрузи модель YOLO26n (инференс без NMS доступен с nms=False)
model = YOLO("yolo26n.pt")

# Обучи модель на собственном датасете
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Экспортируй модель в ONNX или OpenVINO для развертывания на периферийных устройствах
model.export(format="openvino")

Заключение: правильный выбор#

Если ты поддерживаешь устаревшую систему, тесно интегрированную с экосистемой TensorFlow, EfficientDet остается надежным выбором, особенно если ее варианты с составным масштабированием уже встроены в систему. Если тебе нужна высокая скорость на существующих кодовых базах с архитектурами без якорей, YOLOX станет быстрым и надежным детектором.

Однако для новых проектов, готовящихся к промышленной эксплуатации, рекомендуемый выбор — Ultralytics YOLO26 (или стабильная YOLO11 для уже существующих корпоративных систем). Благодаря опциональному сквозному инференсу без NMS, более высокой скорости на CPU и простому конвейеру развертывания с использованием таких форматов, как OpenVINO и TensorRT, YOLO26 помогает поддерживать приложения компьютерного зрения точными, актуальными и удобными в сопровождении.

Участники

Комментарии

Задай вопрос, поделись результатами или помоги кому-нибудь.