YOLO26 против EfficientDet: новый стандарт в области обнаружения объектов
В быстро развивающейся области компьютерного зрения выбор правильной архитектуры модели имеет решающее значение для обеспечения баланса между точностью, скоростью и вычислительной эффективностью. Двумя ведущими конкурентами в этой области являются Ultralytics , представляющий передовые технологии обнаружения в реальном времени, и EfficientDet, высокоуважаемая архитектура, известная своей масштабируемой эффективностью. В этом техническом сравнении подробно рассматриваются их архитектурные инновации, тесты производительности и идеальные варианты использования, чтобы помочь разработчикам выбрать лучший инструмент для своих конкретных приложений.
Краткое изложение
В то время как EfficientDet представил в этой области мощную концепцию составного масштабирования, YOLO26 представляет собой следующее поколение искусственного интеллекта в области зрения, в котором приоритетом является не только эффективность параметров, но и практичность внедрения. Выпущенный в начале 2026 года, YOLO26 предлагает комплексную конструкцию NMS, значительно более быстрое вычисление на периферийных устройствах и комплексную экосистему, которая поддерживает различные задачи, выходящие за рамки простого обнаружения ограничивающих рамок.
Обзор Ultralytics
YOLO26 — это новейшая версия знаменитой серии YOLO You Only Look Once), разработанная компанией Ultralytics. Опираясь на успех таких моделей, как YOLO11 и YOLOv10, она расширяет границы возможного для потребительского оборудования и периферийных устройств.
Авторы: Гленн Джочер и Цзин Цю
Организация:Ultralytics
Дата: 2026-01-14
GitHub:Репозиторий Ultralytics
Документация:Документация YOLO26
Ключевые архитектурные инновации
YOLO26 обладает несколькими революционными функциями, которые отличают его от традиционных детекторов:
- Сквозной дизайн NMS: в отличие от EfficientDet, который в значительной степени полагается на постобработку с использованием немаксимального подавления (NMS) для фильтрации перекрывающихся рамок, YOLO26 изначально является сквозным. Это NMS устраняет NMS , упрощая конвейер развертывания и уменьшая разброс задержек, что имеет решающее значение для вывода в реальном времени.
- Оптимизатор MuSGD: Вдохновленный методами обучения больших языковых моделей (LLM), такими как Kimi K2 от Moonshot AI, YOLO26 использует гибридный оптимизатор, сочетающий SGD и Muon. Эта инновация обеспечивает более стабильную динамику обучения и более быструю конвергенцию, снижая стоимость обучения больших моделей.
- ProgLoss + STAL: интеграция Progressive Loss и Soft Target Anchor Loss (STAL) обеспечивает значительное улучшение в обнаружении мелких объектов, что является распространенной проблемой в таких приложениях, как аэрофотосъемка и точное земледелие.
- Упрощенный экспорт: благодаря удалению Distribution Focal Loss (DFL) YOLO26 оптимизирует граф модели, упрощая экспорт в такие форматы, как ONNX и TensorRT для максимальной совместимости с периферийными устройствами с низким энергопотреблением.
Обзор EfficientDet
EfficientDet был разработан командой Google для решения задачи масштабируемого обнаружения объектов. Он использует метод составного масштабирования, который равномерно масштабирует разрешение, глубину и ширину базовой сети, сети признаков и сети предсказания.
Авторы: Минсин Тан, Руоминг Панг и Куок В. Ле
Организация:Google
Дата: 20.11.2019
Arxiv:EfficientDet Статья
GitHub:РепозиторийGoogle
Ключевые архитектурные особенности
- BiFPN: Сеть двунаправленной пирамиды признаков позволяет легко объединять признаки в нескольких масштабах.
- Комплексное масштабирование: единый комплексный коэффициент $\phi$ контролирует масштабирование всех сетевых измерений, обеспечивая сбалансированное увеличение точности и вычислительных затрат.
Техническое сравнение
В следующей таблице представлены показатели производительности YOLO26 по сравнению с EfficientDet. YOLO26 демонстрирует превосходную скорость и точность, особенно на стандартном оборудовании.
| Модель | размер (пиксели) | mAPval 50-95 | Скорость CPU ONNX (мс) | Скорость T4 TensorRT10 (мс) | параметры (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLO26n | 640 | 40.9 | 38.9 | 1.7 | 2.4 | 5.4 |
| YOLO26s | 640 | 48.6 | 87.2 | 2.5 | 9.5 | 20.7 |
| YOLO26m | 640 | 53.1 | 220.0 | 4.7 | 20.4 | 68.2 |
| YOLO26l | 640 | 55.0 | 286.2 | 6.2 | 24.8 | 86.4 |
| YOLO26x | 640 | 57.5 | 525.8 | 11.8 | 55.7 | 193.9 |
| EfficientDet-d0 | 640 | 34.6 | 10.2* | 3.92 | 3.9 | 2.54 |
| EfficientDet-d1 | 640 | 40.5 | 13.5* | 7.31 | 6.6 | 6.1 |
| EfficientDet-d2 | 640 | 43.0 | 17.7* | 10.92 | 8.1 | 11.0 |
| EfficientDet-d3 | 640 | 47.5 | 28.0* | 19.59 | 12.0 | 24.9 |
| EfficientDet-d4 | 640 | 49.7 | 42.8* | 33.55 | 20.7 | 55.2 |
| EfficientDet-d5 | 640 | 51.5 | 72.5* | 67.86 | 33.7 | 130.0 |
| EfficientDet-d6 | 640 | 52.6 | 92.8* | 89.29 | 51.9 | 226.0 |
| EfficientDet-d7 | 640 | 53.7 | 122.0* | 128.07 | 51.9 | 325.0 |
*Примечание: CPU EfficientDet оценивается на основе относительной сложности архитектуры и старых тестов, поскольку современные стандартизированные CPU для него менее распространены.
Анализ производительности
- Скорость вывода: YOLO26 обеспечивает значительно более быстрый вывод, особенно на процессорах. Например, YOLO26n способен работать в режиме реального времени на периферийных устройствах, где варианты EfficientDet могут испытывать задержки. Удаление NMS YOLO26 еще больше стабилизирует время вывода, делая его детерминированным и надежным для робототехники.
- Точность: YOLO26 достигает более высоких mAP при сопоставимом или меньшем количестве параметров. YOLO26x достигает 57,5 mAP, превосходя даже гораздо более крупный EfficientDet-d7 (53,7 mAP) и при этом работая значительно быстрее.
- Эффективность обучения: благодаря оптимизатору MuSGD YOLO26 сходится быстрее, сокращая количество необходимых эпох. Это приводит к снижению затрат на облачные вычисления и ускорению циклов итераций для исследований и разработок.
Эффективность памяти
YOLO Ultralytics YOLO обычно требуют меньшего CUDA во время обучения по сравнению со старыми архитектурами или моделями на основе Transformer. Это позволяет разработчикам обучать современные модели на потребительских графических процессорах с большими размерами пакетов.
Случаи использования и приложения
В чем превосходит Ultralytics
- Искусственный интеллект в реальном времени: благодаря на 43 % более быстрой CPU YOLO26 является идеальным выбором для использования на Raspberry Pi, мобильных телефонах или интеллектуальных камерах.
- Робототехника и автономные системы: детерминированная задержка, обеспечиваемая конструкцией NMS, имеет решающее значение для критически важных с точки зрения безопасности приложений, таких как автономная навигация и промышленная робототехника.
- Разнообразные задачи визуального распознавания: помимо обнаружения, YOLO26 изначально поддерживает сегментацию экземпляров, оценку позы и OBB, что делает его универсальной основой для сложных конвейеров.
Где подходит EfficientDet
EfficientDet остается жизнеспособным вариантом для устаревших систем, уже интегрированных в TensorFlow или конвейер AutoML Google. Его сложное масштабирование выгодно для исследователей, изучающих законы масштабирования архитектуры, но для практического внедрения в 2026 году оно часто отстает от современных YOLO в плане соотношения скорости и точности.
Преимущество Ultralytics
Выбор Ultralytics вместо EfficientDet дает разработчикам не просто модель, а доступ к процветающей экосистеме.
- Простота использования: Ultralytics разработан для обеспечения максимального удобства использования. Вы можете загрузить, обучить и развернуть модель всего за несколько строк Python .
- Хорошо поддерживаемая экосистема: Ultralytics частые обновления, обширную документацию и сообщество, которое гарантирует, что ваши инструменты никогда не устареют.
- Универсальность: в то время как EfficientDet в первую очередь является детектором объектов, YOLO26 служит единой платформой для выполнения различных задач компьютерного зрения, включая классификацию и отслеживание.
- Безупречная интеграция: Ultralytics позволяет без труда управлять наборами данных, обучать модели и одним щелчком мыши развертывать их в различных форматах.
Пример кода: Начало работы с YOLO26
Переход на YOLO26 не представляет сложности. Вот как можно выполнить инференцию по изображению с помощью Python :
from ultralytics import YOLO
# Load the nano model for maximum speed
model = YOLO("yolo26n.pt")
# Run inference on a local image
results = model("path/to/image.jpg")
# Process results
for result in results:
result.show() # Display the image
result.save(filename="output.jpg") # Save the result
Для пользователей, заинтересованных в изучении других современных архитектур, в документации также рассматриваются YOLO11 и RT-DETR, предлагая широкий набор инструментов для решения любых задач в области компьютерного зрения.
Заключение
В то время как EfficientDet сыграл ключевую роль в истории эффективных нейронных сетей, YOLO26 устанавливает новый стандарт возможностей в 2026 году. Благодаря превосходной точности, более высокой скорости вывода на CPU и архитектуре NMS, YOLO26 является очевидным выбором для разработчиков, создающих интеллектуальные приложения нового поколения. В сочетании с простотой использования и поддержкой Ultralytics , он позволяет командам быстрее, чем когда-либо, переходить от концепции к производству.