PP-YOLOE+ и EfficientDet#

Выбор правильной архитектуры — ключевой этап разработки надёжных приложений для компьютерного зрения. В этом техническом руководстве рассматриваются компромиссы между двумя известными моделями детекции объектов: PP-YOLOE+ и EfficientDet. Мы разберём их архитектуру, проанализируем метрики производительности и рассмотрим оптимальные сценарии развёртывания.

Обе модели внесли значительный вклад в эту область, но мы также обсудим, как современные альтернативы, например Ultralytics YOLO26, обеспечивают гораздо более высокую эффективность использования памяти, быстрый инференс и значительно более удобный для разработчиков рабочий процесс.

Обзор архитектуры: PP-YOLOE+#

PP-YOLOE+ — усовершенствованная версия оригинальной PP-YOLO, специально созданная для оптимизации производительности на серверных GPU в экосистеме PaddlePaddle. В модели реализовано несколько улучшений базовой архитектуры, в основе которых лежит безанкорный подход.

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

Узнай больше о PP-YOLOE+

В PP-YOLOE+ используются магистральная сеть CSPRepResNet и голова Efficient Task-aligned (ET-head); для классификации модель активно использует varifocal loss, а для регрессии ограничивающих рамок — distribution focal loss. Переход к архитектуре безанкорного детектора помог упростить конвейер постобработки и сделал модель весьма конкурентоспособной на момент выпуска.

Обзор архитектуры: EfficientDet#

EfficientDet использует принципиально иной подход к детекции объектов, активно применяя поиск нейронных архитектур и принципы составного масштабирования.

• Авторы: Mingxing Tan, Ruoming Pang и Quoc V. Le
• Организация: Google
• Дата: 2019-11-20
• Arxiv: 1911.09070
• Документация: README Brain AutoML

Подробнее об EfficientDet

В основе EfficientDet лежит двунаправленная пирамидальная сеть признаков (BiFPN). В отличие от традиционных FPN, BiFPN обеспечивает простое и быстрое объединение признаков разных масштабов, вводя обучаемые веса, которые определяют важность различных входных признаков. В сочетании с магистральной сетью EfficientNet EfficientDet систематически одновременно увеличивает ширину, глубину и разрешение сети.

Несмотря на высокую теоретическую эффективность с точки зрения FLOPs, моделям EfficientDet иногда не удаётся добиться соответствующей реальной скорости на периферийных устройствах из-за сложных шаблонов доступа к памяти. Это резко контрастирует с меньшими требованиями моделей YOLO к памяти.

Анализ производительности и бенчмарки#

В таблице ниже сравниваются ключевые метрики на стандартных наборах данных, таких как COCO. Сопоставление средней точности (mAP) со скоростью инференса позволяет наглядно оценить границу Парето.

Как видно, PP-YOLOE+ обычно лучше масштабируется по абсолютному значению mAP на топовых GPU, тогда как EfficientDet стремится минимизировать количество параметров. Однако обе модели уступают современным решениям по возможностям работы в реальном времени, необходимым для передового периферийного ИИ.

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:

• Google Cloud и конвейеры TPU: Системы, тесно интегрированные с API Google Cloud Vision или инфраструктурой TPU, где EfficientDet оптимизирована изначально.
• 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 оптимальное сочетание производительности и удобства разработки:

• 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, где до 43% более быстрый инференс YOLO26 на CPU даёт решающее 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.

Современная альтернатива: Ultralytics YOLO26#

Хотя PP-YOLOE+ и EfficientDet стали значительными вехами в истории, разработчикам, которым нужны передовая точность, меньшее потребление памяти и удобный пользовательский интерфейс, стоит обратить внимание на Ultralytics YOLO26.

YOLO26 — это огромный шаг вперёд в области детекции объектов, воплощающий несколько ключевых инноваций:

• Сквозная архитектура без NMS: Развивая прорывные решения YOLOv10, опциональная сквозная голова YOLO26 (nms=False) исключает подавление немаксимумов (NMS) на этапе инференса. Это значительно снижает задержку и устраняет узкие места сложной постобработки.
• Оптимизатор MuSGD: Вдохновлённая инновациями в обучении больших языковых моделей, YOLO26 использует гибридный оптимизатор SGD и Muon. Это значительно повышает стабильность обучения и сокращает время сходимости.
• Высочайшая скорость: YOLO26 обеспечивает до 43% более быстрый инференс на CPU, чем модели предыдущих поколений, например YOLO11, что делает её оптимальным выбором для периферийных устройств с питанием от аккумулятора или только с CPU.
• Продвинутые функции потерь: Использование ProgLoss и STAL значительно улучшает распознавание мелких объектов, что крайне важно для таких задач, как анализ данных с дронов и робототехника.

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 обеспечивает непревзойдённый опыт разработки.

Развёртывание модели с Ultralytics занимает всего несколько строк кода, что резко контрастирует с многословными конфигурациями, необходимыми для 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)

Тем, кто изучает другие альтернативы, в экосистеме Ultralytics также доступны архитектуры RT-DETR и устаревшая YOLOv8, что позволяет легко переключаться между ними и тестировать их.

Заключение#

PP-YOLOE+ остаётся хорошим выбором для отдельных серверных развёртываний в экосистеме Paddle, а EfficientDet по-прежнему представляет интерес как пример автоматизированного проектирования архитектур. Однако для современных приложений, которым необходимы инференс в реальном времени, простота развёртывания и минимальные требования к памяти, Ultralytics YOLO26 предлагает наиболее убедительный баланс производительности. Опциональная архитектура без NMS и молниеносная скорость на CPU делают её очевидным выбором для перспективной ИИ-инфраструктуры.