EfficientDet и YOLOX#

При проектировании современного конвейера компьютерного зрения крайне важно правильно выбрать модель, поскольку от этого зависят и точность, и возможность работы в реальном времени. В этом техническом руководстве подробно сравниваются две важные архитектуры, сыгравшие роль в эволюции нейронных сетей: EfficientDet от Google и YOLOX от Megvii. Мы рассмотрим принципы их архитектур, оценим результаты тестирования производительности и сравним их с передовыми решениями, например недавно выпущенной Ultralytics YOLO26.

Обзор EfficientDet#

Представленная командой Google Brain модель EfficientDet предложила хорошо структурированный подход к масштабированию моделей и показала, что высокой точности можно достичь, используя значительно меньше параметров, чем в современных ей сетях с большим количеством параметров.

Подробнее об EfficientDet:

• Авторы: Mingxing Tan, Ruoming Pang и Quoc V. Le
• Организация: Google
• Дата: 2019-11-20
• ArXiv: 1911.09070
• GitHub: google/automl/efficientdet
• Документация: документация EfficientDet

Основные особенности архитектуры#

EfficientDet построена на базе EfficientNet и использует метод составного масштабирования, равномерно увеличивая разрешение, глубину и ширину сети. Ее ключевая особенность — двунаправленная пирамидальная сеть признаков (BiFPN), обеспечивающая быстрое и эффективное слияние признаков разных масштабов. Благодаря обучаемым весам для разных входных признаков BiFPN позволяет сети уделять приоритетное внимание более важным пространственным данным.

Хотя теоретическое число FLOP у EfficientDet очень низкое, зависимость от экосистемы TensorFlow и устаревших конфигураций AutoML может осложнить интеграцию модели в современные быстро развивающиеся рабочие процессы на PyTorch. Кроме того, сложная многоветвевая сеть во время обучения иногда потребляет 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:

• Авторы: Чжэн Гэ, Сунтао Лю, Фэн Ван, Цзэмин Ли и Цзянь Сунь
• Организация: Megvii
• Дата: 2021-07-18
• ArXiv: 2107.08430
• GitHub: Megvii-BaseDetection/YOLOX
• Документация: Документация YOLOX

Основные особенности архитектуры#

YOLOX значительно упростила подход к обнаружению объектов. Переход на безанкерную архитектуру избавил от необходимости сложно настраивать анкерные рамки под конкретный набор данных и снизил накладные расходы на эвристические методы. В модели также появилась раздельная голова, разделяющая задачи классификации и локализации, что значительно ускорило сходимость. Кроме того, стратегия назначения меток SimOTA оптимизировала динамическое распределение положительных примеров во время обучения.

Несмотря на эти достижения, работа с репозиториями YOLOX часто требует ручной компиляции расширений C++ и настройки сложных зависимостей, что может затруднить 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.

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:

• Google Cloud и конвейеры TPU: Системы, тесно интегрированные с API Google Cloud Vision или инфраструктурой TPU, где EfficientDet оптимизирована изначально.
• 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.
• Сверхкомпактные периферийные устройства: Развертывание на микроконтроллерах или устаревшем мобильном оборудовании, где критически важен крайне малый размер варианта YOLOX-Nano (0,91 млн 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 оптимальное сочетание производительности и удобства разработки:

• 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, где до 43% более быстрый инференс YOLO26 на CPU даёт решающее 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#

Хотя EfficientDet и YOLOX стали значительным шагом вперед для своих эпох, современное компьютерное зрение требует большей универсальности, оптимизированных рабочих процессов и бескомпромиссной скорости. Разработчикам, для которых важны простота использования, меньшие требования к памяти и хорошо поддерживаемая экосистема, мы настоятельно рекомендуем перейти на Ultralytics YOLO26, выпущенную в январе 2026 года.

YOLO26 меняет подход к развитию линейки YOLO и последовательно устраняет ограничения более старых моделей, таких как YOLOX и EfficientDet:

• Сквозная архитектура без NMS: В отличие от EfficientDet и YOLOX, которым требуется затратная постобработка с подавлением немаксимумов (NMS), YOLO26 поддерживает встроенный сквозной вывод благодаря опциональной голове один-к-одному (nms=False). Это устраняет узкие места, связанные с задержками NMS, и значительно упрощает развертывание на периферийных устройствах.
• До 43% более быстрый вывод на CPU: Благодаря продуманной настройке архитектуры и удалению DFL (Distribution Focal Loss) YOLO26 специально оптимизирована для сред без выделенных GPU и обеспечивает высокую производительность на периферийном оборудовании для ИИ, например Raspberry Pi.
• Оптимизатор MuSGD: Вдохновленная новыми подходами к обучению LLM (например, Kimi K2 от Moonshot AI), YOLO26 использует гибрид SGD и Muon. Это обеспечивает исключительно стабильное обучение и более быструю сходимость, значительно превосходя старые оценщики TensorFlow.
• ProgLoss + STAL: Продвинутые функции потерь заметно повышают качество распознавания мелких объектов — эта задача исторически была слабым местом и YOLOX, и EfficientDet. Это особенно важно для аналитики с дронов и IoT.
• Невероятная универсальность: В то время как EfficientDet и YOLOX предназначены исключительно для обнаружения объектов с помощью ограничивающих рамок, YOLO26 изначально 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 такими моделями, как YOLOX, — настройка среды обучения. Унифицированный API Ultralytics для Python позволяет обучить современную модель всего несколькими строками кода. Кроме того, модели YOLO оснащены высокооптимизированными загрузчиками данных, благодаря которым они расходуют значительно меньше памяти CUDA, чем модели с большим количеством Transformer или старые многоветвевые сети.

from ultralytics import YOLO

# Загрузи передовую модель YOLO26n (вывод 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)

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

Заключение: правильный выбор#

Если ты поддерживаешь устаревшую систему, тесно связанную с экосистемой TensorFlow, EfficientDet остается надежным выбором, особенно в сценариях, где теоретически требуется масштабирование составной модели. Если же тебе нужна максимальная скорость на устаревших кодовых базах без якорей, YOLOX станет быстрым и надежным детектором.

Однако для любого нового проекта, который готовится к промышленной эксплуатации, безусловный выбор — Ultralytics YOLO26 (или проверенная временем YOLO11, если требуется поддержка корпоративных устаревших систем). Благодаря опциональному сквозному выводу без NMS, значительно более высокой скорости на CPU и удобному конвейеру развертывания на таких платформах, как OpenVINO и TensorRT, YOLO26 помогает сделать приложения компьютерного зрения актуальными на будущее, высокоточным и очень простым в сопровождении.