PP-YOLOE+ против EfficientDet#

Выбор правильной архитектуры — критически важный шаг при создании надежных приложений computer vision. В этом техническом руководстве рассматриваются компромиссы между двумя известными моделями обнаружения объектов: PP-YOLOE+ и EfficientDet. Мы разберем их архитектуры, проанализируем performance metrics и изучим их идеальные сценарии развертывания.

Хотя обе модели внесли значительный вклад в эту область, мы также обсудим, как современные альтернативы, такие как Ultralytics YOLO26, предлагают значительно превосходящую эффективность использования памяти, более быструю инференс и максимально оптимизированный опыт для разработчиков.

Архитектурный обзор: PP-YOLOE+#

PP-YOLOE+ — это эволюционировавшая версия оригинальной PP-YOLO, созданная специально для оптимизации производительности на серверных GPU в экосистеме PaddlePaddle. Она вводит несколько улучшений в базовую архитектуру, фокусируясь на парадигме без использования анкоров (anchor-free).

• Авторы: Авторы PaddlePaddle
• Организация: Baidu
• Дата: 2022-04-02
• Arxiv: 2203.16250
• Docs: PaddleDetection README

Узнай больше о PP-YOLOE+

PP-YOLOE+ оснащен бэкбоном CSPRepResNet, головой Efficient Task-aligned head (ET-head) и в значительной степени полагается на varifocal loss для классификации наряду с distribution focal loss для регрессии ограничивающих прямоугольников. Переход на дизайн anchor-free detector помог оптимизировать конвейер постобработки, сделав ее весьма конкурентоспособной на момент выпуска.

Архитектурный обзор: EfficientDet#

EfficientDet применяет радикально иной подход к object detection, сильно полагаясь на поиск архитектуры нейросети и принципы составного масштабирования.

• Авторы: Минсин Тан, Руомин Пан и Куок В. Ле
• Организация: Google
• Дата: 2019-11-20
• Arxiv: 1911.09070
• Docs: Brain AutoML README

Узнай больше об EfficientDet

Краеугольным камнем EfficientDet является ее двунаправленная пирамидальная сеть признаков (BiFPN). В отличие от традиционных FPN, BiFPN позволяет легко и быстро выполнять многомасштабное слияние признаков за счет введения обучаемых весов для определения важности различных входных признаков. В сочетании с backbone EfficientNet, EfficientDet систематически и одновременно масштабирует ширину, глубину и разрешение сети.

Хотя теоретически EfficientDet обладает высокой эффективностью с точки зрения FLOPs, этим моделям иногда бывает трудно реализовать свою теоретическую эффективность в реальной скорости на граничных устройствах (edge devices) из-за сложных шаблонов доступа к памяти, что резко контрастирует с меньшими требованиями к памяти у моделей на базе YOLO.

Анализ производительности и бенчмарки#

В таблице ниже сопоставлены ключевые метрики на стандартных datasets like COCO. Сравнение mean Average Precision (mAP) со скоростью инференса дает четкое представление о границе Парето.

Как показано, PP-YOLOE+ обычно лучше масштабируется по сырому mAP для высокопроизводительных GPU, в то время как EfficientDet пытается минимизировать количество параметров. Тем не менее, обе модели отстают от современных возможностей реального времени, необходимых для передового edge AI.

Сценарии использования и рекомендации#

Выбор между PP-YOLOE+ и EfficientDet зависит от требований твоего конкретного проекта, ограничений развертывания и предпочтений в экосистеме.

Когда выбирать PP-YOLOE+#

PP-YOLOE+ — это сильный выбор в следующих случаях:

• Интеграция с экосистемой PaddlePaddle: Организации с существующей инфраструктурой, созданной на базе фреймворка и инструментов Baidu's PaddlePaddle.
• Развертывание на периферии с Paddle Lite: Развертывание на оборудовании с высокооптимизированными ядрами вывода, специально предназначенными для движка Paddle Lite или Paddle.
• Серверное обнаружение с высокой точностью: Сценарии, где приоритетом является максимальная точность обнаружения на мощных GPU-серверах, где зависимость от фреймворка не является проблемой.

Когда стоит выбрать EfficientDet#

EfficientDet рекомендуется для:

• 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.
• Мобильное развертывание через TFLite: Проекты, которым специально требуется экспорт TensorFlow Lite для Android или встраиваемых устройств Linux.

Когда выбирать Ultralytics (YOLO26)#

Для большинства новых проектов Ultralytics YOLO26 предлагает наилучшее сочетание производительности и удобства для 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.
• Обнаружение малых объектов: Сложные сценарии, такие как aerial drone imagery или анализ с помощью IoT-сенсоров, где ProgLoss и STAL значительно повышают точность для крошечных объектов.

Современная альтернатива: Ultralytics YOLO26#

Хотя PP-YOLOE+ и EfficientDet представляют собой важные исторические вехи, разработчикам, стремящимся к передовой точности, сниженному потреблению памяти и удобству работы, следует обратить внимание на Ultralytics YOLO26.

YOLO26 представляет собой огромный шаг вперед в обнаружении объектов, внедряя несколько критических инноваций:

• End-to-End NMS-Free Design: Опираясь на прорывы YOLOv10, YOLO26 нативно исключает подавление не максимальных элементов (Non-Maximum Suppression, NMS) во время инференса. Это приводит к значительному снижению задержки и устраняет сложные узкие места постобработки.
• Оптимизатор MuSGD: Вдохновленный инновациями в обучении LLM, YOLO26 использует гибридный оптимизатор SGD и Muon. Это радикально повышает стабильность обучения и сокращает время сходимости.
• Extreme Speed: YOLO26 обеспечивает до 43% более быстрый инференс на CPU по сравнению с более старыми поколениями, такими как YOLO11, что делает его абсолютным лучшим выбором для работающих от батареи или использующих только CPU периферийных устройств.
• Advanced Loss Functions: Интеграция ProgLoss и STAL значительно улучшает распознавание мелких объектов, что крайне важно для таких задач, как drone analytics и robotics.

Удобство использования и интеграция с экосистемой#

Один из главных недостатков устаревших моделей, таких как EfficientDet, заключается в сложности их тренировочных конвейеров и настроек automated machine learning. Напротив, Ultralytics Platform предлагает непревзойденный опыт для разработчиков.

Развертывание модели с помощью Ultralytics занимает всего несколько строк кода, что является резким контрастом с громоздкими конфигурациями, требуемыми более старыми фреймворками.

from ultralytics import YOLO

# Load a pretrained YOLO26 model
model = YOLO("yolo26s.pt")

# Train the model on the COCO8 dataset
results = model.train(data="coco8.yaml", epochs=100)

# Run inference on a test image natively without NMS overhead
predictions = model("https://ultralytics.com/images/bus.jpg")

Для тех, кто изучает другие альтернативы, в экосистеме Ultralytics также доступны такие архитектуры, как RT-DETR или устаревшая YOLOv8, что позволяет осуществлять плавную замену и тестирование.

Заключение#

PP-YOLOE+ остается сильным выбором для конкретных серверных развертываний в экосистеме Paddle, а EfficientDet продолжает оставаться интересным объектом для изучения в области автоматизированного проектирования архитектур. Однако для современных приложений, требующих real-time inference, простоты развертывания и минимальных требований к памяти, Ultralytics YOLO26 обеспечивает наиболее убедительный баланс производительности. Его нативный дизайн без NMS и молниеносная производительность на CPU делают его безусловным выбором для подготовки вашей инфраструктуры ИИ к будущему.