Link to this sectionEfficientDet против YOLOX: всестороннее сравнение моделей обнаружения объектов#

При проектировании современного конвейера компьютерного зрения выбор подходящей модели — это критически важное решение, которое определяет как точность, так и пригодность для работы в реальном времени. Это техническое руководство предлагает глубокое сравнение двух ключевых архитектур в эволюции нейронных сетей: EfficientDet от Google и YOLOX от Megvii. Мы проанализируем их архитектурные парадигмы, оценим их производительность в тестах и рассмотрим, как они соотносятся с передовыми решениями, такими как недавно выпущенная Ultralytics YOLO26.

Link to this sectionОбзор EfficientDet#

Разработанная командой Google Brain, модель EfficientDet положила начало высокоструктурированному подходу к масштабированию моделей, продемонстрировав, что высокую точность можно достичь с гораздо меньшим количеством параметров, чем у современных сетей с большим числом параметров.

Подробности EfficientDet:

• Авторы: Минсин Тан, Руомин Пан и Куок В. Ле
• Организация: Google
• Дата: 2019-11-20
• ArXiv: 1911.09070
• GitHub: google/automl/efficientdet
• Документация: Документация EfficientDet

Link to this sectionАрхитектурные особенности#

EfficientDet построена на базе EfficientNet и применяет метод составного масштабирования, который равномерно масштабирует разрешение, глубину и ширину сети. Ее отличительной чертой является Bi-directional Feature Pyramid Network (BiFPN), которая обеспечивает быстрое и эффективное слияние признаков на нескольких масштабах. Используя обучаемые веса для различных входных данных, BiFPN гарантирует, что сеть отдает приоритет наиболее важным пространственным данным.

Хотя теоретические FLOPs у EfficientDet удивительно низкие, ее зависимость от экосистемы TensorFlow и устаревших конфигураций AutoML может затруднить интеграцию в современные, динамично развивающиеся рабочие процессы PyTorch. Кроме того, ее сложная многоветвевая структура иногда может приводить к более высокому, чем ожидалось, потреблению памяти во время обучения по сравнению с современными вариантами YOLO.

Узнай больше об EfficientDet

Link to this sectionОбзор YOLOX#

Выпущенная двумя годами позже, YOLOX стремилась преодолеть разрыв между академическими исследованиями и промышленным внедрением, превратив традиционную архитектуру YOLO в структуру без анкоров (anchor-free).

Подробности YOLOX:

• Авторы: Zheng Ge, Songtao Liu, Feng Wang, Zeming Li и Jian Sun
• Организация: Megvii
• Дата: 2021-07-18
• ArXiv: 2107.08430
• GitHub: Megvii-BaseDetection/YOLOX
• Документация: Документация YOLOX

Link to this sectionАрхитектурные особенности#

YOLOX значительно упростила парадигму обнаружения объектов. Перейдя на дизайн без анкоров, YOLOX исключила необходимость в сложной настройке anchor box, специфичной для набора данных, что снизило эвристические накладные расходы. Она также интегрировала разделенную голову (decoupled head), отделяющую задачи классификации от локализации, что радикально улучшило скорость сходимости. Кроме того, внедрение стратегии назначения меток SimOTA оптимизировало распределение положительных примеров динамически во время обучения.

Несмотря на эти достижения, управление репозиториями YOLOX часто требует ручной компиляции расширений C++ и навигации по сложным зависимостям, что может препятствовать быстрому развертыванию моделей для менее опытных команд.

Узнай больше о YOLOX

Link to this sectionСравнение производительности#

При оценке моделей для производства баланс между mean Average Precision (mAP) и скоростью вывода имеет первостепенное значение. В таблице ниже представлено прямое сравнение семейств EfficientDet и YOLOX на основе стандартных тестов COCO.

Link to this sectionСценарии использования и рекомендации#

Выбор между EfficientDet и YOLOX зависит от конкретных требований твоего проекта, ограничений развертывания и предпочтений в отношении экосистемы.

Link to this sectionКогда 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.
• Мобильного развертывания через TFLite: Проектов, которые требуют экспорта в TensorFlow Lite специально для Android или встраиваемых устройств на базе Linux.

Link to this sectionКогда выбирать YOLOX#

YOLOX рекомендуется для:

• Исследований безъякорного обнаружения: академических исследований, использующих чистую безъякорную архитектуру YOLOX как базу для экспериментов с новыми головами детекции или функциями потерь.
• Сверхлегких Edge-устройств: развертывания на микроконтроллерах или устаревшем мобильном оборудовании, где критически важен чрезвычайно малый вес варианта YOLOX-Nano (0.91 млн параметров).
• Изучения назначения меток SimOTA: исследовательских проектов, анализирующих стратегии назначения меток на основе оптимального транспорта и их влияние на сходимость обучения.

Link to this sectionКогда выбирать Ultralytics (YOLO26)#

Для большинства новых проектов Ultralytics YOLO26 предлагает наилучшее сочетание производительности и опыта 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.
• Детектирования мелких объектов: сложных сценариев, таких как аэросъемка с дронов или анализ датчиков IoT, где ProgLoss и STAL значительно повышают точность на крошечных объектах.

Link to this sectionПреимущество Ultralytics: представляем YOLO26#

Хотя EfficientDet и YOLOX представляли собой значительные скачки в свои эпохи, современное компьютерное зрение требует большей универсальности, оптимизированных рабочих процессов и бескомпромиссной скорости. Для разработчиков, отдающих приоритет простоте использования, меньшим требованиям к памяти и хорошо поддерживаемой экосистеме, мы настоятельно рекомендуем перейти на Ultralytics YOLO26, выпущенную в январе 2026 года.

YOLO26 представляет собой сдвиг парадигмы в линейке YOLO, систематически преодолевающий ограничения, обнаруженные в более старых моделях, таких как YOLOX и EfficientDet:

• Дизайн без NMS (End-to-End): В отличие от EfficientDet и YOLOX, которым требуется дорогостоящая постобработка NMS, YOLO26 является нативно end-to-end. Это устраняет узкие места задержки и радикально упрощает развертывание на периферийных устройствах.
• До 43% более быстрый вывод на CPU: Благодаря стратегической архитектурной настройке и DFL Removal (Distribution Focal Loss), YOLO26 уникально оптимизирована для сред без выделенных GPU, полностью опережая EfficientDet на оборудовании edge AI, таком как Raspberry Pi.
• Оптимизатор MuSGD: Вдохновленная инновациями в обучении LLM (например, Kimi K2 от Moonshot AI), YOLO26 использует гибрид SGD и Muon. Это обеспечивает невероятно стабильное обучение и более быструю сходимость, что значительно превосходит старые оценщики TensorFlow.
• ProgLoss + STAL: Передовые функции потерь приносят заметные улучшения в распознавании мелких объектов — исторически слабом месте как для YOLOX, так и для EfficientDet. Это критически важно для аналитики с дронов и IoT.
• Невероятная универсальность: В то время как EfficientDet и YOLOX являются сугубо детекторами ограничивающих рамок (BBox), YOLO26 нативно поддерживает сегментацию экземпляров, оценку поз (через оценку остаточного логарифмического правдоподобия) и ориентированные ограничивающие рамки (OBB).

Узнай больше о YOLO26

Link to this sectionУпрощенный пользовательский опыт и эффективность обучения#

Одно из самых больших препятствий при работе с такими моделями, как YOLOX, — это настройка среды обучения. Платформа Ultralytics предлагает унифицированный Python SDK, где для обучения передовой модели требуется всего несколько строк кода. Кроме того, модели YOLO оснащены высокооптимизированными загрузчиками данных, обеспечивающими значительно меньшее использование памяти CUDA по сравнению с моделями, тяжелыми на Transformer, или старыми многоветвевыми сетями.

from ultralytics import YOLO

# Load the cutting-edge YOLO26n model (NMS-free!)
model = YOLO("yolo26n.pt")

# Train the model on your custom dataset with automated hyperparameter tuning
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Export the model seamlessly to ONNX or OpenVINO for edge deployment
model.export(format="openvino")

Link to this sectionЗаключение: Правильный выбор#

Если ты поддерживаешь устаревшую систему, глубоко встроенную в экосистему TensorFlow, EfficientDet остается стабильным выбором, особенно для сценариев, где теоретически необходимо масштабное составное масштабирование. И наоборот, если тебе нужна чистая скорость на старых кодовых базах без анкоров, YOLOX служит быстрым и надежным детектором.

Однако для любого нового проекта, переходящего в производство, выбор однозначно падает на Ultralytics YOLO26 (или высокостабильную YOLO11 для поддержки устаревших корпоративных решений). Предлагая архитектуру end-to-end без NMS, значительно улучшенную скорость CPU и бесшовный конвейер развертывания через такие платформы, как OpenVINO и TensorRT, YOLO26 гарантирует, что твои приложения компьютерного зрения будут готовы к будущему, высокоточны и невероятно просты в обслуживании.