YOLO26 и EfficientDet#

Выбор подходящей архитектуры нейросети критически важен для успеха любого приложения в области компьютерного зрения. В этом техническом руководстве рассматриваются компромиссы, показатели производительности и архитектурные инновации двух известных моделей: передовой Ultralytics YOLO26 и хорошо зарекомендовавшей себя EfficientDet от Google.

Независимо от того, предназначено ли твоё решение для облачных серверов с высокой пропускной способностью или для устройств периферийного ИИ с жёсткими ограничениями по задержке, понимание различий между этими архитектурами поможет оптимально сбалансировать скорость, точность и эффективность.

Обзор архитектуры: YOLO26#

• Авторы: Glenn Jocher и Jing Qiu
• Организация: Ultralytics
• Дата: 2026-01-14
• GitHub: GitHub Ultralytics
• Документация: Официальная документация YOLO26

Выпущенная в начале 2026 года YOLO26 — новейший этап развития семейства YOLO, созданный для непревзойдённого удобства работы и высочайшей средней точности (mAP). С самого начала модель разрабатывалась для современного оборудования и отличается исключительной универсальностью в задачах обнаружения объектов, сегментации экземпляров, классификации изображений и оценки позы.

В YOLO26 появились несколько революционных функций, значительно повышающих стабильность обучения и скорость инференса:

• Сквозная архитектура без NMS: Развивая идеи, впервые реализованные в YOLOv10, YOLO26 предлагает опциональную сквозную голову с сопоставлением один к одному (nms=False), устраняющую необходимость в постобработке методом подавления немаксимумов (NMS). Это упрощает логику развёртывания и значительно снижает разброс задержки.
• Инференс на CPU до 43% быстрее: Благодаря глубокой архитектурной оптимизации модель обеспечивает беспрецедентную скорость инференса на стандартных CPU, что делает её особенно подходящей для сред IoT и встраиваемых систем.
• Удаление DFL: Distribution Focal Loss была удалена, что упростило экспорт модели и улучшило совместимость с маломощными периферийными устройствами, использующими такие инструменты, как ONNX.
• Оптимизатор MuSGD: Этот гибрид SGD и Muon, вдохновлённый методами обучения LLM в Kimi K2 от Moonshot AI, переносит инновации из обучения больших языковых моделей непосредственно в компьютерное зрение, обеспечивая более быструю сходимость и стабильное обучение.
• ProgLoss + STAL: Эти продвинутые функции потерь заметно улучшают распознавание мелких объектов, что критически важно для задач с использованием аэрофотоснимков с дронов и робототехники.

Обзор архитектуры: EfficientDet#

• Авторы: Mingxing Tan, Ruoming Pang и Quoc V. Le
• Организация: Google Research
• Дата: 2019-11-20
• Arxiv: Статья об EfficientDet
• GitHub: Репозиторий Google AutoML

Представленная Google модель EfficientDet активно использует экосистему TensorFlow и разработана на основе концепции составного масштабирования. В её архитектуре одновременно масштабируются базовая сеть, сеть признаков и сети предсказания рамок и классов с учётом ограничений ресурсов.

Ключевые инновации EfficientDet:

• BiFPN (двунаправленная пирамида признаков): механизм, обеспечивающий простое и быстрое объединение признаков разных масштабов, благодаря чему сеть лучше распознаёт объекты разных размеров.
• Составное масштабирование: эвристический метод равномерного увеличения разрешения, глубины и ширины, позволяющий создать линейку моделей от d0 (самой маленькой) до d7 (самой большой).

Хотя EfficientDet остаётся надёжным решением для точного обнаружения объектов с помощью ограничивающих рамок, ему, как правило, не хватает современной универсальности для решения нескольких задач (например, встроенной поддержки задач OBB) и целостной, унифицированной экосистемы Python, которую ожидают современные разработчики.

Подробнее об EfficientDet

Сравнение производительности и метрик#

Чтобы определить границу Парето между скоростью и точностью, мы сравнили обе архитектуры в стандартных средах, используя датасет COCO. В таблице ниже показаны различия в размере моделей, точности и задержке. Скорость на CPU измерялась с помощью ONNX Runtime, а скорость на GPU — с помощью TensorRT на NVIDIA T4.

Как показано выше, YOLO26 обеспечивает более сбалансированные характеристики. Модель YOLO26x достигает наивысшей точности (57.5 mAP), значительно превосходя самую крупную EfficientDet-d7. Кроме того, моделям YOLO26 требуется намного меньше памяти, а вывод на GPU выполняется значительно быстрее (всего 1.7 мс с TensorRT), что подчёркивает преимущества архитектуры без NMS.

Эффективность обучения и преимущества экосистемы#

Одно из ключевых различий между двумя архитектурами — среда разработки. EfficientDet тесно интегрирована с экосистемой Google AutoML и TensorFlow, которая, несмотря на широкие возможности, может усложнить освоение и ограничить настройку под пользовательские датасеты, например DOTAv1.

В свою очередь, Ultralytics предлагает отлично поддерживаемую экосистему на базе PyTorch. Использование памяти при обучении тщательно оптимизировано, поэтому инженеры могут обучать надёжные модели без чрезмерного выделения VRAM, характерного для сетей на основе Transformer.

Пример реализации#

Благодаря простоте API Ultralytics ты можешь обучить и проверить современную модель YOLO26 всего несколькими строками кода.

from ultralytics import YOLO

# Инициализируй сквозную модель YOLO26 без NMS
model = YOLO("yolo26n.pt")

# Обучи модель на пользовательском датасете (optimizer='auto' выбирает MuSGD для длительного обучения)
train_results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    device="0",  # Обучи модель на GPU
)

# Экспортируй модель напрямую в TensorRT для развёртывания с минимальной задержкой
model.export(format="engine")

Оптимальные сценарии применения#

Когда использовать YOLO26:

• Периферийные вычисления и мобильные устройства: Благодаря ускорению вывода на CPU до 43% и отсутствию накладных расходов на NMS модель YOLO26 отлично подходит для устройств с жёсткими ограничениями на вычислительные ресурсы, например Raspberry Pi и мобильных телефонов.
• Несколько задач: Если в одном конвейере нужны ограничивающие рамки, маски сегментации и отслеживание, универсальность YOLO26 не имеет равных.
• Дроны и аэрофотосъёмка: Сочетание ProgLoss и STAL значительно повышает качество обнаружения очень маленьких объектов с большой высоты.

Когда использовать EfficientDet:

• Устаревшие конвейеры TensorFlow: Если твоя инфраструктура жёстко настроена только на TensorFlow SavedModels или требует определённых конвейеров TensorFlow Serving, EfficientDet обеспечит встроенную совместимость.
• TPU с ограниченными ресурсами: EfficientDet активно оптимизировалась для специализированных тензорных процессоров Google (TPU).

Другие альтернативы#

Хотя в этом руководстве основное внимание уделяется сравнению YOLO26 и EfficientDet, в более широкой экосистеме Ultralytics есть и другие впечатляющие архитектуры. Если в твоём приложении активно используются Transformer, RT-DETR предлагает обнаружение объектов на основе Transformer в реальном времени. Если же ты поддерживаешь устаревшие системы, YOLO11 по-прежнему полностью поддерживается и отлично справляется со своими задачами. Более подробный обзор смотри в центре сравнения моделей Ultralytics.

Для любого современного конвейера компьютерного зрения, создаваемого сегодня, впечатляющая скорость, простота использования и передовая точность YOLO26 делают эту модель очевидным выбором как для исследователей, так и для разработчиков.