EfficientDet и YOLOX#

При проектировании современного конвейера компьютерного зрения выбор подходящей модели — критически важное решение, определяющее как точность, так и возможность работы в реальном времени. В этом техническом руководстве подробно сравниваются две ключевые архитектуры в развитии нейронных сетей: EfficientDet от Google и YOLOX от Megvii. Мы проанализируем их архитектурные подходы, оценим результаты тестов производительности и рассмотрим, как они соотносятся с передовыми решениями, такими как недавно выпущенная Ultralytics YOLO26.

Обзор EfficientDet#

Представленная командой Google Brain, EfficientDet стала пионером строго структурированного подхода к масштабированию моделей, продемонстрировав, что высокой точности можно достичь при значительно меньшем количестве параметров, чем в современных ей сетях с большим числом параметров.

Сведения об EfficientDet:

• Авторы: Mingxing Tan, Ruoming Pang и Quoc V. Le
• Организация: Google
• Дата: 20.11.2019
• ArXiv: 1911.09070
• GitHub: google/automl/efficientdet
• Документация: Документация EfficientDet

Архитектурные особенности#

EfficientDet построена на основе бэкбона EfficientNet и использует метод составного масштабирования, который равномерно изменяет разрешение, глубину и ширину сети. Её отличительная особенность — двунаправленная пирамидальная сеть признаков (BiFPN), обеспечивающая быстрое и эффективное слияние признаков разных масштабов. Благодаря обучаемым весам для различных входных признаков BiFPN позволяет сети отдавать приоритет наиболее важным пространственным данным.

Хотя теоретическое количество FLOPs у EfficientDet исключительно мало, зависимость от экосистемы TensorFlow и устаревших конфигураций AutoML может усложнить интеграцию в современные динамично развивающиеся рабочие процессы на PyTorch. Кроме того, её сложная многоветочная архитектура иногда приводит к более высокому, чем ожидалось, потреблению памяти во время обучения по сравнению с современными вариантами YOLO.

Узнай больше об EfficientDet

Обзор YOLOX#

Выпущенная двумя годами позже, YOLOX стремилась устранить разрыв между академическими исследованиями и промышленным внедрением, преобразовав традиционную архитектуру YOLO в безанкорную.

Подробности о 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

Архитектурные особенности#

YOLOX значительно упростила подход к обнаружению объектов. Переход на архитектуру без anchor-боксов устранил необходимость в сложной настройке anchor-боксов с учётом конкретного датасета и снизил объём эвристических настроек. Также в неё была добавлена разделённая голова, отделяющая задачи классификации и локализации, что существенно ускорило сходимость. Кроме того, стратегия назначения меток SimOTA оптимизировала динамическое распределение положительных образцов во время обучения.

Несмотря на эти улучшения, работа с репозиториями YOLOX часто требует ручной компиляции расширений на C++ и настройки сложных зависимостей, что может замедлить быстрое развёртывание моделей менее опытными командами.

Узнай больше о YOLOX

Сравнение производительности#

При оценке моделей для промышленной эксплуатации крайне важно сбалансировать среднюю точность (mAP) и скорость инференса. В таблице ниже приведено прямое сравнение семейств EfficientDet и YOLOX на стандартных тестах COCO.

Варианты применения и рекомендации#

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

Когда стоит выбрать EfficientDet#

EfficientDet — хороший выбор для:

• Конвейеров Google Cloud и TPU: систем, тесно интегрированных с Google Cloud Vision API или инфраструктурой TPU, где EfficientDet имеет нативную оптимизацию.
• Исследований составного масштабирования: академических бенчмарков, посвящённых изучению влияния сбалансированного масштабирования глубины, ширины и разрешения сети.
• Мобильного развертывания через TFLite: проектов, которым необходим экспорт в TensorFlow Lite для Android или встраиваемых устройств под управлением Linux.

Когда стоит выбрать YOLOX#

YOLOX рекомендуется для следующих задач:

• Исследования обнаружения без якорей: Академические исследования, в которых чистая безъякорная архитектура YOLOX используется как базовая модель для экспериментов с новыми головками обнаружения или функциями потерь.
• Сверхлёгкие периферийные устройства: Развертывание на микроконтроллерах или устаревшем мобильном оборудовании, где критически важен чрезвычайно малый размер варианта YOLOX-Nano (0.91M параметров).
• Исследования назначения меток SimOTA: Исследовательские проекты, изучающие стратегии назначения меток на основе оптимального транспорта и их влияние на сходимость обучения.

Когда выбирать Ultralytics (YOLO26)#

Для большинства новых проектов Ultralytics YOLO26 предлагает лучшее сочетание производительности и удобства для разработчиков:

• Развертывания на периферийных устройствах без NMS: приложений, требующих стабильного вывода с низкой задержкой без сложной постобработки с подавлением немаксимумов.
• Сред без GPU: устройств без выделенного ускорения GPU, где до 43% более быстрый вывод YOLO26 на CPU дает решающее преимущество.
• Обнаружения мелких объектов: сложных сценариев, таких как аэрофотосъемка с дронов или анализ данных IoT-сенсоров, где ProgLoss и STAL значительно повышают точность обнаружения крошечных объектов.

Преимущество Ultralytics: знакомство с YOLO26#

Хотя EfficientDet и YOLOX стали значительными шагами вперёд в свои эпохи, современное компьютерное зрение требует большей универсальности, оптимизированных рабочих процессов и бескомпромиссной скорости. Разработчикам, которые ставят в приоритет простоту использования, низкое потребление памяти и хорошо поддерживаемую экосистему, мы настоятельно рекомендуем перейти на Ultralytics YOLO26, выпущенную в январе 2026 года.

YOLO26 знаменует смену парадигмы в развитии YOLO и системно преодолевает ограничения 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 изначально работает сквозным образом. Это устраняет узкие места по задержке и значительно упрощает развёртывание на периферийных устройствах.
• До 43% более быстрый инференс на CPU: благодаря целенаправленной настройке архитектуры и удалению DFL (фокальная функция потерь распределения) YOLO26 уникальным образом оптимизирована для сред без выделенных GPU, полностью превосходя EfficientDet на оборудовании для периферийного ИИ, таком как Raspberry Pi.
• Оптимизатор MuSGD: вдохновлённая инновациями в обучении LLM, такими как 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 улучшают распознавание малых объектов — исторически слабое место как YOLOX, так и EfficientDet. Это критически важно для аналитики с дронов и IoT.
• Невероятная универсальность: в то время как EfficientDet и YOLOX предназначены исключительно для обнаружения ограничивающих рамок, YOLO26 изначально поддерживает сегментацию экземпляров, оценку позы (с использованием оценки остаточного логарифмического правдоподобия) и ориентированные ограничивающие рамки (OBB).

Оптимизированный пользовательский интерфейс и эффективность обучения#

Одно из самых серьёзных препятствий при работе с моделями вроде YOLOX — настройка среды обучения. Платформа Ultralytics предлагает единый Python SDK, с которым для обучения передовой модели требуется всего несколько строк кода. Кроме того, модели YOLO оснащены высокооптимизированными загрузчиками данных, что обеспечивает значительно меньшее потребление памяти CUDA по сравнению с моделями, в значительной степени основанными на Transformer, или старыми многоветочными 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")

Заключение: правильный выбор#

Если ты поддерживаешь устаревшую систему, глубоко интегрированную в экосистему TensorFlow, EfficientDet остаётся стабильным выбором, особенно в сценариях, где теоретически необходимо масштабирование с большим составным коэффициентом. И наоборот, если тебе нужна максимальная скорость на устаревших безанкорных кодовых базах, YOLOX станет быстрым и надёжным детектором.

Однако для любого нового проекта, переходящего в промышленную эксплуатацию, выбором без сомнений должна стать Ultralytics YOLO26 (или исключительно стабильная YOLO11 для поддержки устаревших корпоративных систем). Благодаря сквозной архитектуре без NMS, значительно повышенной скорости на CPU и бесшовному конвейеру развёртывания через такие платформы, как OpenVINO и TensorRT, YOLO26 обеспечивает готовность твоих приложений компьютерного зрения к будущему, высокую точность и исключительную простоту обслуживания.