Начать

YOLO26 и EfficientDet

Выбор подходящей архитектуры нейросети критически важен для успешного применения компьютерного зрения. В этом техническом руководстве рассматриваются компромиссы, метрики производительности и архитектурные инновации двух заметных моделей: Ultralytics YOLO26 и хорошо зарекомендовавшей себя EfficientDet от Google.

Будь то развертывание на облачных серверах с высокой пропускной способностью или на устройствах периферийного ИИ с жесткими ограничениями по задержке, понимание различий между этими архитектурами поможет тебе сбалансировать скорость, точность и эффективность.

Обзор архитектуры: YOLO26#

Выпущенная в начале 2026 года YOLO26 — новейшая модель семейства YOLO, разработанная для простоты использования и высокой средней точности (mAP) на современном оборудовании. Она поддерживает обнаружение объектов, сегментацию экземпляров, семантическую сегментацию, оценку глубины, классификацию изображений, оценку позы и обнаружение ориентированных ограничивающих рамок (OBB).

YOLO26 предлагает несколько функций, повышающих стабильность обучения и скорость инференса:

  • Сквозная архитектура без NMS: Развивая обучение без NMS, которое YOLOv10 внедрила в модели YOLO, YOLO26 предлагает опциональную сквозную голову один-к-одному (nms=False), устраняющую необходимость в постобработке с помощью подавления немаксимумов (NMS). Это упрощает логику развертывания и уменьшает вариативность задержки.
  • Инференс на CPU до 43% быстрее: Архитектурные оптимизации делают YOLO26n до 43% быстрее YOLO11n на стандартных CPU, что подходит для 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: Вдохновленный методами обучения LLM из Kimi K2 от Moonshot AI, этот гибрид SGD и Muon переносит инновации в обучении больших языковых моделей непосредственно в компьютерное зрение, обеспечивая более быструю сходимость и стабильное обучение.
  • ProgLoss + STAL: Прогрессивная функция потерь и назначение меток с учетом малых объектов (STAL) улучшают распознавание небольших объектов — это важно для приложений с аэросъемкой с дронов и робототехники.
Упрощённый экспорт

Благодаря удалению DFL и архитектуре без NMS экспорт моделей YOLO26 в форматы для периферийных устройств, например NVIDIA TensorRT или Intel OpenVINO, практически не требует разработки пользовательских плагинов.

Обзор архитектуры: EfficientDet#

Представленная Google модель EfficientDet построена на экосистеме TensorFlow и разработана на основе концепции составного масштабирования. Ее архитектура одновременно масштабирует базовую сеть, сеть признаков и сети предсказания рамок и классов с учетом доступных 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).

EfficientDet остается надежным вариантом для обнаружения ограничивающих рамок, но ей недостает современной универсальности для решения множества задач (например, встроенной поддержки задач OBB) и единой удобной экосистемы Python, которой ожидают современные разработчики.

Подробнее об EfficientDet

Сравнение производительности и метрик#

В таблице ниже сравниваются обе архитектуры на датасете COCO: показаны различия в размере моделей, точности и задержке; скорость на CPU измерена с помощью ONNX Runtime, а на GPU — с помощью TensorRT на NVIDIA T4.

Модельразмер
(пиксели)
mAPval50-95Скорость
CPU ONNX
(мс)
Скорость
T4 TensorRT10
(мс)
параметры
(M)
FLOPs
(B)
YOLO26n64040.938.91.72.45.5
YOLO26s64048.687.22.59.520.9
YOLO26m64053.1220.04.720.468.4
YOLO26l64055.0286.26.224.886.8
YOLO26x64057.5525.811.855.7194.4
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

YOLO26x обеспечивает наивысшую точность (57.5 mAP), превосходя EfficientDet-d7 на 3.8 пункта, и при этом выполняет инференс за 11.8 мс вместо 128.07 мс на T4 с TensorRT. YOLO26 значительно быстрее на GPU во всех вариантах модели (всего 1.7 мс).

Эффективность обучения и преимущества экосистемы#

Одно из главных различий между архитектурами — среда разработки. EfficientDet тесно интегрирована с Google AutoML и экосистемой TensorFlow, что может усложнить освоение и ограничить настройку пользовательских датасетов и новых задач, например обнаружения ориентированных объектов на DOTAv1.

Ultralytics предлагает хорошо поддерживаемую экосистему на базе PyTorch и экономичное по памяти обучение, которое работает даже на скромных GPU.

Интеграция в единую платформу

С помощью платформы Ultralytics разработчики получают сквозной процесс MLOps, охватывающий разметку данных, обучение в облаке и развертывание моделей, что сокращает путь от прототипа до готового продукта.

Пример реализации#

API Ultralytics позволяет обучить и экспортировать 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: YOLO26n работает на CPU до 43% быстрее YOLO11n и может выполнять инференс без NMS, поэтому хорошо подходит для устройств с жестко ограниченными вычислительными ресурсами, например Raspberry Pi и мобильных телефонов.
  • Многозадачность: Если в одном конвейере нужны ограничивающие рамки, маски сегментации и трекинг, YOLO26 справляется со всеми этими задачами в рамках единой среды.
  • Дроны и аэросъемка: Сочетание ProgLoss и STAL улучшает обнаружение небольших объектов с большой высоты.

Когда использовать EfficientDet:

  • Устаревшие конвейеры TensorFlow: Если твоя инфраструктура поддерживает только TensorFlow SavedModels или требует определенных конвейеров TensorFlow Serving, EfficientDet обеспечивает встроенную совместимость.
  • TPU с ограниченными ресурсами: EfficientDet оптимизирована для пользовательских тензорных процессоров (TPU) Google.

Другие альтернативы#

В этом руководстве основное внимание уделено YOLO26 и EfficientDet, но экосистема Ultralytics включает и другие архитектуры. Если приложению нужны трансформеры, RT-DETR предлагает обнаружение объектов на базе трансформера в реальном времени. Если же ты поддерживаешь устаревшие системы, YOLO11 по-прежнему полностью поддерживается. Более широкий обзор смотри в центре сравнений моделей Ultralytics.

Для новых конвейеров компьютерного зрения скорость, простота использования и точность YOLO26 делают ее рекомендуемым выбором для исследователей и разработчиков.

Участники

Комментарии

Задай вопрос, поделись результатами или помоги кому-нибудь.