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:
- 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 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.
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 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.
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.
| 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 |
| YOLOXnano | 416 | 25.8 | - | - | 0.91 | 1.08 |
| YOLOXtiny | 416 | 32.8 | - | - | 5.06 | 6.45 |
| YOLOXs | 640 | 40.5 | - | 2.56 | 9.0 | 26.8 |
| YOLOXm | 640 | 46.9 | - | 5.43 | 25.3 | 73.8 |
| YOLOXl | 640 | 49.7 | - | 9.04 | 54.2 | 155.6 |
| YOLOXx | 640 | 51.1 | - | 16.1 | 99.1 | 281.9 |
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.
Комментарии
Задай вопрос, поделись результатами или помоги кому-нибудь.