YOLO26 против EfficientDet#

Выбор правильной архитектуры нейронной сети имеет решающее значение для успеха любого приложения computer vision. В этом техническом руководстве рассматриваются компромиссы, показатели производительности и архитектурные инновации двух выдающихся моделей: передовой Ultralytics YOLO26 и проверенной временем EfficientDet от Google.

Независимо от того, ориентировано ли твое развертывание на облачные серверы с высокой пропускной способностью или на устройства edge AI с ограниченной задержкой, понимание различий между этими архитектурами гарантирует оптимальный баланс скорости, точности и эффективности.

Архитектурный обзор: YOLO26#

Авторы: Гленн Джочер (Glenn Jocher) и Цзин Цю (Jing Qiu)
Организация: Ultralytics
Дата: 2026-01-14
GitHub: Ultralytics GitHub
Документация: YOLO26 Official Documentation

Выпущенная в начале 2026 года, YOLO26 представляет собой последнюю эволюцию в семействе YOLO, специально разработанную для обеспечения непревзойденного пользовательского опыта и высочайшей точности mean Average Precision (mAP). Созданная с нуля для современного оборудования, она предлагает исключительную универсальность в задачах object detection, instance segmentation, image classification и pose estimation.

YOLO26 внедряет несколько революционных функций, которые значительно улучшают как стабильность обучения, так и скорость инференса:

• End-to-End дизайн без NMS: Развивая идеи, заложенные в YOLOv10, YOLO26 является нативно end-to-end решением, полностью исключающим необходимость в постпроцессинге Non-Maximum Suppression (NMS). Это упрощает логику развертывания и значительно снижает вариативность задержки.
• Ускорение инференса на CPU до 43%: Благодаря глубоким архитектурным оптимизациям модель достигает беспрецедентной скорости инференса на стандартных CPUs, что делает ее отлично подходящей для IoT и встраиваемых сред.
• Удаление DFL: Функция распределенной фокусной потери (Distribution Focal Loss) была удалена, что обеспечивает более чистый процесс экспорта и повышенную совместимость с маломощными периферийными устройствами с использованием таких инструментов, как ONNX.
• Оптимизатор MuSGD: Вдохновленный рутинами обучения языковых моделей от Moonshot AI's Kimi K2, этот гибрид SGD и Muon переносит инновации обучения больших языковых моделей непосредственно в компьютерное зрение, обеспечивая более быструю сходимость и более стабильные режимы обучения.
• ProgLoss + STAL: Эти продвинутые функции потерь дают заметные улучшения в распознавании мелких объектов, что является критическим фактором для приложений, связанных с аэросъемкой с дронов и робототехникой.

Узнай больше о YOLO26

Архитектурный обзор: EfficientDet#

Авторы: Минсин Тан (Mingxing Tan), Руомин Пан (Ruoming Pang) и Куок В. Ле (Quoc V. Le)
Организация: Google Research
Дата: 2019-11-20
Arxiv: EfficientDet Paper
GitHub: Google AutoML Repository

Представленная Google, EfficientDet активно использует экосистему TensorFlow и была разработана вокруг концепции составного масштабирования. Ее архитектура масштабирует базовую сеть, сеть признаков и сети предсказания боксов/классов одновременно в зависимости от ресурсных ограничений.

Ключевые инновации EfficientDet включают:

• BiFPN (двунаправленная сеть пирамиды признаков): Механизм, который позволяет легко и быстро выполнять слияние признаков на разных масштабах, позволяя сети лучше понимать объекты разного размера.
• Составное масштабирование: Эвристический метод равномерного масштабирования разрешения, глубины и ширины, создающий семейство моделей от d0 (самая маленькая) до d7 (самая большая).

Хотя EfficientDet остается надежным выбором для строгого детектирования ограничивающих рамкок, ей обычно не хватает современной многозадачной универсальности (такой как нативные OBB tasks) и оптимизированной, унифицированной экосистемы Python, которую ожидают современные разработчики.

Узнай больше об EfficientDet

Сравнение производительности и метрик#

Чтобы определить границу Парето по скорости и точности, мы провели бенчмаркинг обеих архитектур на стандартных средах с использованием COCO dataset. В следующей таблице выделены различия в размерах моделей, точности и задержке, измеренные на инстансе AWS EC2 P4d.

Как показано выше, YOLO26 устанавливает превосходный баланс производительности. Модель YOLO26x достигает высочайшей точности (57.5 mAP), значительно превосходя самую тяжелую EfficientDet-d7. Кроме того, модели YOLO26 демонстрируют существенно меньшие требования к памяти и гораздо более высокую скорость инференса на GPU (до 1.7 мс на TensorRT), что подчеркивает преимущества дизайна без NMS.

Эффективность обучения и преимущество экосистемы#

Главное различие между двумя архитектурами заключается в их средах разработки. EfficientDet глубоко встроена в экосистему Google AutoML и TensorFlow, что, несмотря на всю мощность, может создавать крутые кривые обучения и жесткие конфигурации для пользовательских датасетов вроде DOTAv1.

Напротив, Ultralytics предлагает невероятно хорошо поддерживаемую экосистему, построенную на PyTorch. Использование памяти во время обучения строго оптимизировано, что позволяет инженерам обучать надежные модели без необходимости выделения чрезмерных объемов VRAM, характерных для сетей на базе трансформеров.

Пример реализации#

Простота использования, предоставляемая API Ultralytics, означает, что ты можешь обучить и проверить передовую модель YOLO26 всего за несколько строк кода.

from ultralytics import YOLO

# Initialize the End-to-End NMS-Free YOLO26 model
model = YOLO("yolo26n.pt")

# Train using the innovative MuSGD optimizer on a custom dataset
train_results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    device="0",  # Train on GPU
)

# Export natively to TensorRT for ultra-low latency deployment
model.export(format="engine")

Идеальные варианты использования#

Когда использовать YOLO26:

• Edge-вычисления и мобильные устройства: Благодаря инференсу на CPU, который до 43% быстрее, и отсутствию накладных расходов NMS, YOLO26 отлично работает на устройствах со строго ограниченным бюджетом вычислений, таких как Raspberry Pi или мобильные телефоны.
• Многозадачность: Когда для одного пайплайна требуются ограничивающие рамки, segmentation masks и трекинг, универсальность YOLO26 не имеет равных.
• Дроны и аэросъемка: Комбинация ProgLoss и STAL значительно улучшает обнаружение экстремально мелких объектов с больших высот.

Когда использовать EfficientDet:

• Устаревшие конвейеры TensorFlow: Если твоя инфраструктура сильно привязана к поддержке только TensorFlow SavedModels или требует специфических конвейеров TensorFlow Serving, EfficientDet обеспечивает нативную совместимость.
• TPU с ограниченными ресурсами: EfficientDet была сильно оптимизирована под кастомные тензорные процессоры Google (TPUs).

Изучение других альтернатив#

Хотя в этом руководстве основное внимание уделяется парадигме YOLO26 vs EfficientDet, более широкая экосистема Ultralytics содержит и другие невероятные архитектуры. Если твое приложение сильно зависит от трансформеров, RT-DETR предлагает детектирование на базе трансформеров в реальном времени. В качестве альтернативы, если ты поддерживаешь старые системы, YOLO11 остается полностью поддерживаемой и высокоэффективной. Для более общего обзора посети Ultralytics Model Comparisons Hub.

В конечном итоге, для любого современного конвейера компьютерного зрения, создаваемого сегодня, колоссальная скорость, простота использования и передовая точность YOLO26 делают ее бесспорной рекомендацией как для исследователей, так и для разработчиков.