YOLO11 против EfficientDet#

Выбор оптимальной нейронной сети для проектов в области computer vision требует глубокого понимания доступных архитектур. Это руководство представляет собой детальное техническое сравнение между Ultralytics YOLO11 и EfficientDet от Google. Мы изучим их архитектурные различия, performance metrics, эффективность обучения и идеальные сценарии развертывания, чтобы помочь тебе принять взвешенное решение для твоих рабочих нагрузок machine learning.

Предыстория и характеристики моделей#

Обе модели оказали значительное влияние на ландшафт deep learning, хотя они происходят из разных философских концепций проектирования и эпох развития ИИ.

Детали YOLO11#

Авторы: Гленн Джочер (Glenn Jocher) и Цзин Цю (Jing Qiu)
Организация: Ultralytics
Дата: 2024-09-27
GitHub: https://github.com/ultralytics/ultralytics
Документация: https://docs.ultralytics.com/models/yolo11/

Узнай больше о YOLO11

Подробности об EfficientDet#

Авторы: Минсин Тань (Mingxing Tan), Руомин Пан (Ruoming Pang) и Куок В. Ле (Quoc V. Le)
Организация: Google
Дата: 2019-11-20
Arxiv: https://arxiv.org/abs/1911.09070
GitHub: https://github.com/google/automl/tree/master/efficientdet
Документация: https://github.com/google/automl/tree/master/efficientdet#readme

Узнай больше об EfficientDet

Архитектурные инновации#

EfficientDet: BiFPN и составное масштабирование#

Представленный в конце 2019 года, EfficientDet был нацелен на максимизацию точности при минимизации вычислительных затрат. Он достигает этого главным образом за счет двух механизмов. Во-первых, он использует backbone EfficientNet, который согласованно масштабирует глубину, ширину и разрешение. Во-вторых, в нем появилась двунаправленная сеть пирамиды признаков (BiFPN), которая обеспечивает простое и быстрое многомасштабное feature fusion.

Будучи весьма эффективным для своего времени, EfficientDet из-за своей зависимости от библиотеки TensorFlow AutoML может оказаться громоздким. Исследователи часто находят model pruning и пользовательские модификации сложными по сравнению с современными модульными фреймворками на базе PyTorch.

YOLO11: улучшенное извлечение признаков и универсальность#

YOLO11 представляет собой значительный шаг вперед в области object detection architectures. Модель опирается на успехи своих предшественниц, представляя усовершенствованные блоки C3k2 и улучшенный модуль Spatial Pyramid Pooling. Эти улучшения приводят к превосходному feature extraction, позволяя YOLO11 фиксировать сложные визуальные паттерны с исключительной четкостью.

Главным преимуществом YOLO11 является его универсальность. В то время как EfficientDet является строго моделью object detection, YOLO11 нативно поддерживает instance segmentation, image classification, pose estimation и oriented bounding boxes (OBB). Более того, YOLO11 может похвастаться невероятно низкими требованиями к памяти как во время обучения, так и при выводе, что делает его намного превосходящим старые модели и громоздкие vision transformers при развертывании в средах edge AI с ограниченными ресурсами.

Производительность и бенчмарки#

Баланс между точностью, измеряемой в mean Average Precision (mAP), и скоростью вывода является критически важным фактором при принятии решений для реальных развертываний. Таблица ниже иллюстрирует «сырую» производительность обоих семейств моделей на стандартном COCO dataset.

Как видно, YOLO11 достигает крайне выгодного баланса производительности. YOLO11x демонстрирует наивысшую общую точность (54.7 mAP), в то время как более компактные варианты YOLO11 абсолютно доминируют по скорости инференса на GPU (до 1.5 мс на T4 с использованием TensorRT).

Эффективность обучения и экосистема#

Одной из определяющих характеристик моделей Ultralytics является их простота в использовании. Обучение модели EfficientDet часто требует преодоления сложных конфигураций графов TensorFlow и управления запутанными цепочками зависимостей. В резком контрасте с этим YOLO11 построен на чистой, тщательно современной основе PyTorch.

Эта ухоженная экосистема означает, что ты можешь установить пакет, загрузить предобученную модель и начать обучение на пользовательском dataset всего за несколько строк кода.

Пример кода на Python#

Вот полностью рабочий пример, демонстрирующий простоту API Ultralytics. Этот скрипт загружает предобученную модель YOLO11, обучает её и выполняет быстрое предсказание.

from ultralytics import YOLO

# Initialize a pretrained YOLO11 nano model
model = YOLO("yolo11n.pt")

# Train the model efficiently using the integrated PyTorch engine
# Training efficiency is high, requiring less VRAM than legacy models
results = model.train(data="coco8.yaml", epochs=10, imgsz=640, device="cpu")

# Run real-time inference on a sample image
prediction = model.predict("https://ultralytics.com/images/bus.jpg")

# Display the output bounding boxes
prediction[0].show()

Взгляд в будущее: преимущество YOLO26#

Хотя YOLO11 исключительно мощен, команды, начинающие новые проекты с нуля, должны серьезно рассмотреть Ultralytics YOLO26, выпущенный в январе 2026 года. YOLO26 представляет собой смену парадигмы в простоте развертывания и производительности на периферийных устройствах.

Ключевые инновации YOLO26 включают:

• Конструкция End-to-End NMS-Free: Исключая подавление немаксимумов (NMS) во время постобработки, YOLO26 обеспечивает стабильную ультранизкую задержку, что крайне важно для высокоскоростной robotics и автономного вождения.
• До 43% быстрее при инференсе на CPU: Для развертываний, где отсутствуют выделенные GPU, YOLO26 специально оптимизирована для максимизации пропускной способности на стандартных процессорах.
• Оптимизатор MuSGD: Вдохновленный Kimi K2 от Moonshot AI, этот гибридный оптимизатор привносит стабильность обучения LLM в компьютерное зрение, обеспечивая более быструю сходимость.
• ProgLoss + STAL: Эти улучшенные функции потерь кардинально улучшают распознавание мелких объектов, что часто является больной темой в satellite image analysis и на кадрах с дронов.
• Удаление DFL: Удаление Distribution Focal Loss упрощает процесс экспорта модели на периферийные устройства.

Сценарии использования и рекомендации#

Выбор между YOLO11 и EfficientDet зависит от твоих конкретных требований к проекту, ограничений развертывания и предпочтений в экосистеме.

Когда выбирать YOLO11#

YOLO11 — отличный выбор для:

• Развертывание на периферийных устройствах для продакшена: Коммерческие приложения на таких устройствах, как Raspberry Pi или NVIDIA Jetson, где надежность и активное обслуживание имеют первостепенное значение.
• Многозадачные приложения компьютерного зрения: Проекты, требующие обнаружения, сегментации, оценки позы и OBB в рамках единого универсального фреймворка.
• Быстрое прототипирование и развертывание: Команды, которым необходимо быстро перейти от сбора данных к продакшену с помощью удобного Ultralytics Python API.

Когда 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.
• Мобильное развертывание через TFLite: Проекты, которым специально требуется экспорт TensorFlow Lite для Android или встраиваемых устройств Linux.

Когда выбирать Ultralytics (YOLO26)#

Для большинства новых проектов Ultralytics YOLO26 предлагает наилучшее сочетание производительности и удобства для 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.
• Обнаружение малых объектов: Сложные сценарии, такие как aerial drone imagery или анализ с помощью IoT-сенсоров, где ProgLoss и STAL значительно повышают точность для крошечных объектов.

Заключение#

EfficientDet была новаторской архитектурой, доказавшей жизнеспособность составного масштабирования при обнаружении объектов. Однако стремительный темп исследований в области ИИ привел к появлению моделей, которые просто более функциональны, легче интегрируются и работают быстрее.

Благодаря своим надежным многозадачным возможностям, невероятной скорости вывода на GPU и, пожалуй, самому удобному для разработчиков API в индустрии, YOLO11 является бесспорным победителем для современных конвейеров компьютерного зрения. Для тех, кто нацелен на самый передний край технологий — особенно для периферийного развертывания — обновление до YOLO26 обеспечивает максимальную комбинацию скорости без NMS и непревзойденной точности.