PP-YOLOE+ против EfficientDet: подробное техническое сравнение

Выбор правильной архитектуры — важнейший шаг при создании надежных приложений для компьютерного зрения. В этом техническом руководстве рассматриваются компромиссы между двумя известными моделями обнаружения объектов: PP-YOLOE+ и EfficientDet. Мы разберем их архитектуры, проанализируем показатели производительности и изучим оптимальные сценарии их развертывания.

Хотя обе модели внесли значительный вклад в эту область, мы также обсудим, как современные альтернативы, такие как Ultralytics YOLO26, обеспечивают гораздо более высокую эффективность использования памяти, ускоренный вывод и значительно упрощенный процесс разработки для тебя.

Обзор архитектуры: 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
• Документация: README для PaddleDetection

Узнай больше о PP-YOLOE+

PP-YOLOE+ оснащена бэкбоном CSPRepResNet, эффективной головой с выравниванием задач (ET-head) и в значительной степени полагается на функцию потерь varifocal для классификации, а также на distribution focal loss для регрессии ограничивающих рамок. Переход к дизайну детектора без анкоров помог оптимизировать конвейер постобработки, сделав ее очень конкурентоспособной на момент выпуска.

Архитектурный обзор: EfficientDet

EfficientDet использует принципиально иной подход к обнаружению объектов, в значительной степени полагаясь на 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 для Brain AutoML

Узнай больше об EfficientDet

Краеугольным камнем EfficientDet является двунаправленная пирамидальная сеть признаков (BiFPN). В отличие от традиционных FPN, BiFPN обеспечивает простое и быстрое слияние признаков на разных масштабах за счет введения обучаемых весов для оценки важности различных входных признаков. В сочетании с бэкбоном EfficientNet, EfficientDet систематически масштабирует ширину, глубину и разрешение сети одновременно.

Хотя теоретически модели EfficientDet весьма эффективны с точки зрения FLOPs, им иногда бывает трудно добиться такой же эффективности в реальных условиях на периферийных 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

The table below contrasts key metrics on standard datasets like COCO. Comparing mean Average Precision (mAP) against inference speed provides a clear picture of the Pareto frontier.

Как показано, PP-YOLOE+ обычно лучше масштабируется по «сырому» mAP для высокопроизводительных GPU, в то время как EfficientDet пытается минимизировать количество параметров. Однако обе модели отстают от современных возможностей работы в реальном времени, необходимых для передового периферийного ИИ (edge AI).

Варианты использования и рекомендации

Выбор между PP-YOLOE+ и EfficientDet зависит от твоих конкретных требований к проекту, ограничений развертывания и предпочтений в выборе экосистемы.

Когда выбирать PP-YOLOE+

PP-YOLOE+ — отличный выбор для:

• Интеграция с экосистемой PaddlePaddle: организации с существующей инфраструктурой, построенной на фреймворке и инструментах Baidu PaddlePaddle.
• Развертывание на Paddle Lite Edge: развертывание на оборудовании с высокооптимизированными ядрами вывода специально для двигателя Paddle Lite или вывода Paddle.
• Высокоточное обнаружение на стороне сервера: сценарии, отдающие приоритет максимальной точности обнаружения на мощных серверных GPU, где зависимость от фреймворка не является проблемой.

Когда выбирать EfficientDet

EfficientDet рекомендуется для:

• Конвейеров Google Cloud и TPU: Систем, глубоко интегрированных с API Google Cloud Vision или инфраструктурой TPU, где EfficientDet имеет нативную оптимизацию.
• Исследований в области составного масштабирования: Академических бенчмарков, сфокусированных на изучении эффектов сбалансированного масштабирования глубины, ширины и разрешения сети.
• Развертывания на мобильных устройствах через TFLite: Проектов, которые специально требуют экспорта в TensorFlow Lite для Android или встроенных Linux-устройств.

Когда выбирать Ultralytics (YOLO26)

Для большинства новых проектов Ultralytics YOLO26 предлагает лучшее сочетание производительности и опыта разработчика:

• Периферийное развертывание без NMS: Приложениям требуется стабильный вывод с низкой задержкой без сложности постобработки Non-Maximum Suppression.
• Среды только с CPU: Устройства без выделенного GPU-ускорения, где преимущество YOLO26 в виде до 43% более быстрого вывода на CPU является решающим.
• Обнаружение мелких объектов: Сложные сценарии, такие как аэросъемка с дронов или анализ данных IoT-датчиков, где ProgLoss и STAL значительно повышают точность распознавания 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 использования, стоит обратить внимание на Ultralytics YOLO26.

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

• Сквозной дизайн без NMS: Основываясь на прорывах YOLOv10, YOLO26 нативно исключает немаксимальное подавление (NMS) во время вывода. Это приводит к значительно более низкой задержке и устраняет узкие места сложной постобработки.
• Оптимизатор MuSGD: Вдохновленный инновациями в обучении LLM, YOLO26 использует гибридный оптимизатор SGD и Muon. Это кардинально улучшает стабильность обучения и сокращает время сходимости.
• Экстремальная скорость: YOLO26 обеспечивает до 43% более быстрый вывод на CPU по сравнению со старыми поколениями, такими как YOLO11, что делает его абсолютно лучшим выбором для устройств, работающих от батареи или только на базе CPU.
• Advanced Loss Functions: The integration of ProgLoss and STAL greatly improves small-object recognition, which is essential for tasks like drone analytics and robotics.

Простота использования и интеграция с экосистемой

One of the largest drawbacks of legacy models like EfficientDet is the complexity of their training pipelines and automated machine learning setups. In contrast, the Ultralytics Platform offers an unmatched developer experience.

Развертывание модели с помощью Ultralytics занимает всего несколько строк кода, что является резким контрастом с громоздкими конфигурациями, требуемыми 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")

Для тех, кто изучает другие альтернативы, архитектуры вроде RT-DETR или устаревшая YOLOv8 также доступны в экосистеме Ultralytics, что позволяет легко менять их и тестировать.

Заключение

PP-YOLOE+ remains a strong choice for specific server deployments within the Paddle ecosystem, and EfficientDet continues to be an interesting study in automated architecture design. However, for modern applications demanding real-time inference, ease of deployment, and minimal memory requirements, Ultralytics YOLO26 provides the most compelling performance balance. Its natively NMS-free design and lightning-fast CPU performance make it the definitive choice for future-proofing your AI infrastructure.