PP-YOLOE+ и EfficientDet
Выбор подходящей архитектуры — важный шаг при создании надёжных приложений компьютерного зрения. В этом техническом руководстве рассматриваются компромиссы между двумя известными моделями обнаружения объектов: PP-YOLOE+ и EfficientDet. Здесь разбираются их архитектуры, анализируются показатели производительности и описываются наиболее подходящие сценарии развертывания.
Обе модели внесли значительный вклад в эту область, но в руководстве также рассматриваются современные альтернативы, такие как Ultralytics YOLO26, которые эффективнее используют память, быстрее выполняют вывод и упрощают работу разработчиков.
Обзор архитектуры: PP-YOLOE+#
PP-YOLOE+ — улучшенная версия PP-YOLOE, которая сама является развитием серии PP-YOLO. Модель создана для оптимизации производительности на серверных GPU в экосистеме PaddlePaddle. Она дополняет исходную архитектуру рядом улучшений, в частности безанкорным подходом.
- Авторы: авторы PaddlePaddle
- Организация: Baidu
- Дата: 2022-04-02
- arXiv: 2203.16250
- Документация: README PaddleDetection
PP-YOLOE+ использует бэкбон CSPRepResNet и эффективную голову, согласованную с задачей (ET-head). Для классификации модель активно применяет varifocal loss, а для регрессии ограничивающих рамок — distribution focal loss. Переход к архитектуре безанкорной модели обнаружения упростил конвейер постобработки и сделал модель очень конкурентоспособной на момент выпуска.
Командам, уже активно использующим фреймворк PaddlePaddle от Baidu, часто проще встроить PP-YOLOE+ в существующие конвейеры, хотя эта модель не поддерживает широкий набор фреймворков, доступный в новых инструментах.
Обзор архитектуры: EfficientDet#
Для обнаружения объектов EfficientDet использует другой подход: модель построена на бэкбоне, найденном поиском нейронной архитектуры, и применяет принципы комплексного масштабирования.
- Авторы: Mingxing Tan, Ruoming Pang и Quoc V. Le
- Организация: Google
- Дата: 2019-11-20
- arXiv: 1911.09070
- Документация: README Brain AutoML
В основе EfficientDet лежит двунаправленная сеть пирамиды признаков (BiFPN). В отличие от традиционных FPN, BiFPN быстро объединяет признаки разных масштабов и использует обучаемые веса, чтобы учитывать важность признаков на входе. В сочетании с бэкбоном EfficientNet EfficientDet систематически увеличивает ширину, глубину и разрешение сети.
Несмотря на высокую эффективность по FLOPs, моделям EfficientDet бывает сложно преобразовать теоретическую эффективность в реальную скорость на периферийных устройствах из-за сложных шаблонов доступа к памяти. У моделей на основе YOLO требования к памяти ниже.
Анализ производительности и бенчмарки#
В таблице ниже сопоставлены ключевые показатели на стандартных наборах данных, таких как COCO. Сравнение средней точности (mAP) со скоростью вывода показывает положение каждой модели на границе Парето по скорости и точности.
| Модель | размер (пиксели) | mAPval50-95 | Скорость CPU ONNX (мс) | Скорость T4 TensorRT10 (мс) | параметры (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| PP-YOLOE+t | 640 | 39.9 | - | 2.84 | 4.85 | 19.15 |
| PP-YOLOE+s | 640 | 43.7 | - | 2.62 | 7.93 | 17.36 |
| PP-YOLOE+m | 640 | 49.8 | - | 5.56 | 23.43 | 49.91 |
| PP-YOLOE+l | 640 | 52.9 | - | 8.36 | 52.2 | 110.07 |
| PP-YOLOE+x | 640 | 54.7 | - | 14.3 | 98.42 | 206.59 |
| 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 |
Как видно, PP-YOLOE+ обычно лучше масштабируется по абсолютной mAP на мощных GPU, а EfficientDet стремится сократить число параметров. Однако обе модели уступают в производительности реального времени, необходимой современным приложениям ИИ на периферийных устройствах.
Сценарии использования и рекомендации#
Выбор между PP-YOLOE+ и EfficientDet зависит от требований конкретного проекта, ограничений среды развёртывания и предпочтений в отношении экосистемы.
Когда выбирать PP-YOLOE+#
PP-YOLOE+ — хороший выбор для:
- Интеграция с экосистемой PaddlePaddle: Организации с готовой инфраструктурой на базе фреймворка и инструментов PaddlePaddle от Baidu.
- Развертывание на периферийных устройствах с Paddle Lite: Развертывание на оборудовании со специально оптимизированными ядрами инференса для Paddle Lite или движка инференса Paddle.
- Обнаружение объектов на сервере с высокой точностью: Сценарии, где приоритетом является максимальная точность обнаружения на мощных серверах с GPU, а зависимость от конкретного фреймворка не имеет значения.
Когда стоит выбрать EfficientDet#
EfficientDet подойдёт для следующих задач:
- 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 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 ускорителя GPU, на которых YOLO26n получает явное преимущество благодаря инференсу на CPU до 43% быстрее, чем у YOLO11n.
- Обнаружение небольших объектов: Сложные сценарии, например съёмка с дронов или анализ данных IoT-датчиков, где ProgLoss и STAL заметно повышают точность обнаружения крошечных объектов.
Современная альтернатива: Ultralytics YOLO26#
PP-YOLOE+ и EfficientDet стали важными вехами, но разработчикам, которым нужны высокая точность, низкое потребление памяти и удобство работы, стоит обратить внимание на Ultralytics YOLO26.
YOLO26 — важный шаг вперёд в обнаружении объектов, предлагающий ряд существенных новшеств:
- Сквозная архитектура без NMS: Развивая идеи YOLOv10, необязательная сквозная голова YOLO26 (
nms=False) исключает подавление немаксимумов (NMS) при выполнении вывода. Это значительно снижает задержку и устраняет сложные узкие места постобработки. - Оптимизатор MuSGD: Вдохновлённая новыми методами обучения LLM, YOLO26 использует гибридный оптимизатор SGD и Muon, который повышает стабильность обучения и сокращает время сходимости.
- Более быстрый вывод на CPU: YOLO26n обеспечивает вывод на CPU до 43% быстрее, чем YOLO11n, и отлично подходит для периферийных устройств с питанием от аккумулятора или только с CPU.
- Продвинутые методы обучения: ProgLoss и STAL значительно улучшают распознавание мелких объектов, что важно для таких задач, как анализ данных с дронов и робототехника.
В отличие от EfficientDet, ориентированной только на обнаружение объектов, YOLO26 изначально поддерживает сегментацию экземпляров, классификацию изображений, оценку позы и ориентированные ограничивающие рамки (OBB) в рамках одной хорошо поддерживаемой экосистемы.
Простота использования и интеграция в экосистему#
Один из главных недостатков устаревших моделей, таких как EfficientDet, — сложность конвейеров обучения и настройки автоматизированного машинного обучения. В свою очередь, платформа Ultralytics упрощает работу разработчиков.
Чтобы обучить модель Ultralytics и запустить её, достаточно нескольких строк кода — в отличие от многословных конфигураций старых фреймворков.
from ultralytics import YOLO
# Загрузи предобученную модель YOLO26
model = YOLO("yolo26s.pt")
# Обучи модель на датасете COCO8
results = model.train(data="coco8.yaml", epochs=100)
# Запусти инференс без NMS на тестовом изображении с помощью сквозной головы
predictions = model("https://ultralytics.com/images/bus.jpg", nms=False)Если ты рассматриваешь другие альтернативы, в экосистеме Ultralytics доступны такие архитектуры, как RT-DETR и более ранняя YOLOv8, поэтому переключаться между моделями и тестировать их просто.
Заключение#
PP-YOLOE+ остаётся отличным выбором для отдельных серверных сценариев в экосистеме Paddle, а EfficientDet по-прежнему интересна как пример автоматизированного проектирования архитектур. Однако для современных приложений, которым нужны вывод в реальном времени, простота развертывания и минимальные требования к памяти, Ultralytics YOLO26 обеспечивает наиболее убедительный баланс производительности. Необязательная архитектура без NMS и высокая скорость на CPU делают её рекомендованным выбором для современной ИИ-инфраструктуры.
Комментарии
Задай вопрос, поделись результатами или помоги кому-нибудь.