Начать

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.

Узнай больше о PP-YOLOE+

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.

Преимущества интеграции

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.

Подробнее об EfficientDet

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.

Модельразмер
(пиксели)
mAPval50-95Скорость
CPU ONNX
(мс)
Скорость
T4 TensorRT10
(мс)
параметры
(M)
FLOPs
(B)
PP-YOLOE+t64039.9-2.844.8519.15
PP-YOLOE+s64043.7-2.627.9317.36
PP-YOLOE+m64049.8-5.5623.4349.91
PP-YOLOE+l64052.9-8.3652.2110.07
PP-YOLOE+x64054.7-14.398.42206.59
EfficientDet-d051234.6-3.923.92.54
EfficientDet-d164040.5-7.316.66.1
EfficientDet-d276843.0-10.928.111.0
EfficientDet-d389647.5-19.5912.024.9
EfficientDet-d4102449.7-33.5520.755.2
EfficientDet-d5128051.5-67.8633.7130.0
EfficientDet-d6128052.6-89.2951.9226.0
EfficientDet-d7153653.7-128.0751.9325.0

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.
Универсальность для нескольких задач

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.

Участники

Комментарии

Задай вопрос, поделись результатами или помоги кому-нибудь.