PP-YOLOE+ и EfficientDet#

Выбор подходящей архитектуры — критически важный этап при создании надёжных приложений для компьютерного зрения. В этом техническом руководстве рассматриваются компромиссы между двумя известными моделями обнаружения объектов: PP-YOLOE+ и EfficientDet. Мы разберём их архитектуры, проанализируем метрики производительности и рассмотрим оптимальные сценарии развёртывания.

Хотя обе модели внесли значительный вклад в развитие этой области, мы также обсудим, как современные альтернативы, такие как Ultralytics YOLO26, обеспечивают значительно более эффективное использование памяти, более быстрый инференс и существенно более удобный процесс разработки.

Обзор архитектуры: PP-YOLOE+#

PP-YOLOE+ — это усовершенствованная версия оригинальной PP-YOLO, разработанная специально для оптимизации производительности на серверных GPU в экосистеме PaddlePaddle. В ней реализован ряд улучшений базовой архитектуры с акцентом на безъякорную концепцию.

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

Узнай больше о PP-YOLOE+

PP-YOLOE+ использует магистральную сеть CSPRepResNet и голову Efficient Task-aligned (ET-head), а также активно применяет varifocal loss для классификации и distribution focal loss для регрессии ограничивающих рамок. Переход к архитектуре детектора без якорей упростил конвейер постобработки, благодаря чему модель на момент выпуска успешно конкурировала с другими решениями.

Обзор архитектуры: EfficientDet#

EfficientDet использует принципиально другой подход к обнаружению объектов, в значительной степени опираясь на поиск нейронной архитектуры и принципы составного масштабирования.

• Авторы: Mingxing Tan, Ruoming Pang и Quoc V. Le
• Организация: Google
• Дата: 20.11.2019
• Arxiv: 1911.09070
• Документация: README Brain AutoML

Узнай больше об EfficientDet

Ключевой компонент EfficientDet — двунаправленная пирамидальная сеть признаков (BiFPN). В отличие от традиционных FPN, BiFPN обеспечивает простое и быстрое объединение признаков разных масштабов благодаря введению обучаемых весов, позволяющих учитывать важность различных входных признаков. В сочетании с магистральной сетью EfficientNet модель EfficientDet системно одновременно масштабирует ширину, глубину и разрешение сети.

Хотя с теоретической точки зрения модели EfficientDet отличаются высокой эффективностью по количеству FLOPs, иногда им не удаётся преобразовать эту теоретическую эффективность в реальную скорость на периферийных устройствах из-за сложных шаблонов доступа к памяти. Это резко контрастирует с меньшими требованиями к памяти у моделей на базе YOLO.

Анализ производительности и результаты тестов#

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

Как показано в результатах, PP-YOLOE+ обычно лучше масштабируется по абсолютному значению mAP на высокопроизводительных GPU, тогда как EfficientDet стремится минимизировать количество параметров. Однако обе модели уступают современным решениям по возможностям работы в реальном времени, необходимым для передовых периферийных AI-систем.

Варианты применения и рекомендации#

Выбор между PP-YOLOE+ и EfficientDet зависит от конкретных требований твоего проекта, ограничений развёртывания и предпочтений относительно экосистемы.

Когда выбирать PP-YOLOE+#

PP-YOLOE+ — хороший выбор для:

• Интеграция с экосистемой PaddlePaddle: Организации с существующей инфраструктурой, построенной на фреймворке и инструментах PaddlePaddle от Baidu.
• Развертывание на периферийных устройствах с Paddle Lite: Развертывание на оборудовании с высокооптимизированными ядрами инференса, специально предназначенными для Paddle Lite или механизма инференса Paddle.
• Высокоточное обнаружение на сервере: Сценарии, в которых приоритетом является максимальная точность обнаружения на мощных GPU-серверах, а зависимость от фреймворка не имеет значения.

Когда стоит выбрать EfficientDet#

EfficientDet рекомендуется 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 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.

Современная альтернатива: Ultralytics YOLO26#

Хотя PP-YOLOE+ и EfficientDet стали важными историческими этапами, разработчикам, которым нужны передовая точность, меньшее потребление памяти и удобный пользовательский интерфейс, стоит обратить внимание на Ultralytics YOLO26.

YOLO26 представляет собой огромный шаг вперёд в обнаружении объектов и включает ряд важных инноваций:

• Сквозная архитектура без NMS: опираясь на достижения YOLOv10, YOLO26 нативно устраняет подавление немаксимумов (NMS) во время инференса. Это значительно снижает задержку и устраняет узкие места сложной постобработки.
• Оптимизатор MuSGD: вдохновлённый инновациями в обучении LLM, YOLO26 использует гибридный оптимизатор SGD и Muon. Это значительно повышает стабильность обучения и сокращает время сходимости.
• Экстремальная скорость: YOLO26 обеспечивает до 43% более быстрый инференс на CPU по сравнению со старыми поколениями, такими как YOLO11, что делает его оптимальным выбором для периферийных устройств с питанием от батареи или работающих только на CPU.
• Продвинутые функции потерь: интеграция ProgLoss и STAL значительно улучшает распознавание небольших объектов, что особенно важно для таких задач, как анализ данных с дронов и робототехника.

Простота использования и интеграция с экосистемой#

Один из главных недостатков устаревших моделей, таких как EfficientDet, — сложность их конвейеров обучения и настроек автоматизированного машинного обучения. В отличие от них, платформа Ultralytics предлагает непревзойдённый опыт разработки.

Развёртывание модели с помощью Ultralytics занимает всего несколько строк кода, что разительно отличается от объёмных конфигураций, необходимых в старых фреймворках.

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")

Тем, кто рассматривает другие альтернативы, также доступны такие архитектуры, как RT-DETR или устаревшая YOLOv8, в экосистеме Ultralytics, что позволяет легко заменять модели и тестировать их.

Заключение#

PP-YOLOE+ остаётся сильным выбором для определённых серверных развёртываний в экосистеме Paddle, а EfficientDet по-прежнему представляет интерес как пример автоматизированного проектирования архитектур. Однако для современных приложений, требующих инференса в реальном времени, простоты развёртывания и минимальных требований к памяти, Ultralytics YOLO26 обеспечивает наиболее убедительный баланс производительности. Нативная архитектура без NMS и молниеносная производительность на CPU делают эту модель очевидным выбором для создания перспективной AI-инфраструктуры.