Link to this sectionPP-YOLOE+ против EfficientDet#

Выбор правильной архитектуры — критически важный шаг при создании надежных приложений 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 идеальные сценарии их развертывания.

Хотя обе модели внесли значительный вклад в развитие области, мы также обсудим, как современные альтернативы, такие как Ultralytics YOLO26, предлагают гораздо более высокую эффективность памяти, ускоренный вывод и значительно упрощенный опыт разработки.

Link to this sectionАрхитектурный обзор: 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 PaddleDetection

Узнай больше о PP-YOLOE+

PP-YOLOE+ оснащена бэкбоном CSPRepResNet, эффективной головой (ET-head) для выравнивания задач и в значительной степени полагается на varifocal loss для классификации наряду с distribution focal loss для регрессии ограничивающих рамок. Переход к дизайну детектора без анкоров помог оптимизировать конвейер постобработки, что сделало её весьма конкурентоспособной на момент выпуска.

Link to this sectionАрхитектурный обзор: EfficientDet#

EfficientDet использует радикально иной подход к обнаружению объектов, опираясь преимущественно на нейросетевой поиск архитектур и принципы составного масштабирования.

• Авторы: Минсин Тан, Руомин Пан и Куок В. Ле
• Организация: Google
• Дата: 2019-11-20
• Arxiv: 1911.09070
• Документация: README Brain AutoML

Узнай больше об EfficientDet

Краеугольным камнем EfficientDet является двунаправленная пирамидальная сеть признаков (BiFPN). В отличие от традиционных FPN, BiFPN позволяет легко и быстро выполнять многомасштабное слияние признаков за счет внедрения обучаемых весов для определения важности различных входных данных. В сочетании с бэкбоном EfficientNet, EfficientDet систематически масштабирует ширину, глубину и разрешение сети одновременно.

Хотя теоретически EfficientDet обладает высокой эффективностью с точки зрения FLOPs, этим моделям иногда бывает трудно реализовать свою теоретическую эффективность в реальной скорости на граничных устройствах (edge devices) из-за сложных шаблонов доступа к памяти, что резко контрастирует с меньшими требованиями к памяти у моделей на базе YOLO.

Link to this sectionАнализ производительности и бенчмарки#

В таблице ниже сравниваются ключевые показатели на стандартных наборах данных, таких как COCO. Сравнение средней точности (mAP) со скоростью вывода дает четкое представление о границе Парето.

Как видно, PP-YOLOE+ в целом лучше масштабируется по «сырому» mAP для высокопроизводительных GPU, в то время как EfficientDet стремится минимизировать количество параметров. Однако обе модели отстают от современных возможностей реального времени, необходимых для передового edge AI.

Link to this sectionСценарии использования и рекомендации#

Выбор между PP-YOLOE+ и EfficientDet зависит от требований твоего конкретного проекта, ограничений развертывания и предпочтений в экосистеме.

Link to this sectionКогда выбирать PP-YOLOE+#

PP-YOLOE+ — это сильный выбор в следующих случаях:

• Интеграция с экосистемой PaddlePaddle: Организации с существующей инфраструктурой, построенной на фреймворке и инструментах Baidu PaddlePaddle.
• Развертывание на периферии с Paddle Lite: Развертывание на оборудовании с высокооптимизированными ядрами вывода, специально предназначенными для движка Paddle Lite или Paddle.
• Серверное обнаружение с высокой точностью: Сценарии, где приоритетом является максимальная точность обнаружения на мощных GPU-серверах, где зависимость от фреймворка не является проблемой.

Link to this sectionКогда стоит выбрать EfficientDet#

EfficientDet рекомендуется для:

• Конвейеры Google Cloud и TPU: Системы с глубокой интеграцией в Google Cloud Vision API или инфраструктуру TPU, где EfficientDet имеет встроенную оптимизацию.
• Исследования составного масштабирования: Академическое тестирование, сфокусированное на изучении эффектов сбалансированного масштабирования глубины, ширины и разрешения сети.
• Мобильного развертывания через TFLite: Проектов, которые требуют экспорта в TensorFlow Lite специально для Android или встраиваемых устройств на базе Linux.

Link to this sectionКогда выбирать Ultralytics (YOLO26)#

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

• Развертывания на периферии без NMS: приложений, требующих стабильного вывода с низкой задержкой без сложности постобработки подавления немаксимумов.
• Среды только с CPU: устройств без выделенного GPU-ускорения, где до 43% более быстрый вывод на CPU у YOLO26 дает решающее преимущество.
• Детектирования мелких объектов: сложных сценариев, таких как аэросъемка с дронов или анализ датчиков IoT, где ProgLoss и STAL значительно повышают точность на крошечных объектах.

Link to this sectionСовременная альтернатива: Ultralytics YOLO26#

Хотя PP-YOLOE+ и EfficientDet представляют собой значимые исторические вехи, разработчикам, стремящимся к высочайшей точности, сниженному потреблению памяти и упрощенному пользовательскому опыту, стоит обратить внимание на Ultralytics YOLO26.

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

• Дизайн без NMS (end-to-end): Опираясь на прорывы YOLOv10, YOLO26 нативно исключает не-максимальное подавление (NMS) в процессе вывода. Это приводит к значительно более низкой задержке и устраняет сложные узкие места постобработки.
• Оптимизатор MuSGD: Вдохновленный инновациями в обучении LLM, YOLO26 использует гибридный оптимизатор SGD и Muon. Это радикально повышает 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 её абсолютно лучшим выбором для устройств с питанием от батареи или работающих только на CPU.
• Продвинутые функции потерь: интеграция ProgLoss и STAL значительно улучшает распознавание мелких объектов, что критически важно для таких задач, как аналитика с дронов и робототехника.

Link to this sectionУдобство использования и интеграция с экосистемой#

Одним из самых больших недостатков устаревших моделей, таких как EfficientDet, является сложность их конвейеров обучения и настроек автоматизированного машинного обучения. В отличие от них, платформа Ultralytics предлагает непревзойденный опыт для разработчика.

Развертывание модели с помощью Ultralytics занимает всего несколько строк кода, что является резким контрастом с громоздкими конфигурациями, требуемыми более старыми фреймворками.

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, такие архитектуры, как RT-DETR или устаревшая YOLOv8, также доступны в экосистеме Ultralytics, позволяя легко менять и тестировать их.

Link to this sectionЗаключение#

PP-YOLOE+ остается сильным выбором для конкретных серверных развертываний в экосистеме Paddle, а EfficientDet продолжает быть интересным объектом изучения в области автоматизированного проектирования архитектуры. Однако для современных приложений, требующих вывода в реальном времени, простоты развертывания и минимальных требований к памяти, Ultralytics YOLO26 обеспечивает наиболее убедительный баланс производительности. Его дизайн, изначально не требующий NMS, и молниеносная работа на CPU делают его окончательным выбором для обеспечения готовности твоей AI-инфраструктуры к будущему.