Начать

YOLOv10 и EfficientDet

Выбор оптимальной нейронной сети для обнаружения объектов — важное решение при создании современных систем компьютерного зрения. На развитие этой области повлияли две архитектуры: YOLOv10 и EfficientDet. Обе стремятся максимизировать точность и снизить вычислительные затраты, но используют совершенно разные архитектурные подходы.

В этом руководстве рассматриваются архитектуры, методы обучения и особенности развёртывания этих моделей, чтобы помочь разработчикам и ML-инженерам принимать решения на основе данных при создании приложений компьютерного зрения на базе ИИ. Также мы сравним их работу на оборудовании — от встраиваемых периферийных устройств ИИ до мощных облачных GPU.

YOLOv10: обнаружение в реальном времени без NMS#

YOLOv10 создавался для снижения задержки в реальном времени и устранил одно из самых стойких узких мест семейства YOLO: подавление немаксимумов (NMS). Благодаря отказу от этого этапа постобработки модель обеспечивает предсказуемую задержку, что критически важно для автономных автомобилей и высокоскоростной робототехники.

Архитектурные инновации#

В YOLOv10 для обучения без NMS применяется согласованное двойное назначение. Во время обучения используются назначения меток «многие к одному» и «один к одному», благодаря чему сеть учится формировать богатые представления, а при инференсе выдаёт одну ограничивающую рамку для каждого объекта. Архитектура также использует комплексный дизайн модели, ориентированный на эффективность и точность: упрощает голову классификации и сокращает вычислительную избыточность, присутствовавшую в предыдущих версиях.

Сведения о модели#

Упрощенное развертывание

Поскольку YOLOv10 не использует этап NMS, модель проще экспортировать в такие форматы, как ONNX и NVIDIA TensorRT, без специальных плагинов среды выполнения для фильтрации ограничивающих рамок.

Преимущества:

  • Предсказуемый инференс: Отказ от NMS обеспечивает стабильное время инференса независимо от количества объектов в сцене.
  • Меньше памяти: По сравнению с моделями на основе Transformer, такими как RT-DETR, YOLOv10 требует меньше памяти как при обучении, так и при инференсе.
  • Отличный баланс скорости и точности: Модель специально оптимизирована для сценариев с низкой задержкой без ущерба для метрик производительности.

Недостатки:

Подробнее о YOLOv10

EfficientDet: масштабируемость и сбалансированность#

Представленная Google Brain модель EfficientDet использует систематическое масштабирование сетей для обнаружения объектов. В её основе лежит магистральная сеть EfficientNet для классификации изображений, а также новый механизм объединения признаков.

Архитектурные инновации#

В основе EfficientDet лежит двунаправленная пирамидальная сеть признаков (BiFPN), которая обеспечивает простое и быстрое объединение признаков разных масштабов. В отличие от традиционных FPN, которые только суммируют признаки сверху вниз, BiFPN использует двунаправленные связи между масштабами и обучаемые веса, чтобы определять важность разных входных признаков. Кроме того, EfficientDet использует метод составного масштабирования: равномерно масштабирует разрешение, глубину и ширину магистральной сети, сети признаков и сетей предсказания рамок и классов.

Сведения о модели#

Преимущества:

  • Высокая эффективность: Отличное соотношение количества параметров и точности: младшие варианты -d0 и -d2 имеют очень малый размер.
  • Обоснованное масштабирование: Составное масштабирование позволяет легко подобрать размер модели под конкретный вычислительный бюджет.

Недостатки:

  • Интеграция с устаревшими фреймворками: В исходной реализации используются старые версии TensorFlow, что может усложнить современные процессы развёртывания.
  • Медленное обучение: Обучение EfficientDet с нуля занимает много времени и требует тщательной настройки гиперпараметров по сравнению с быстрой сходимостью архитектур YOLO.
  • Скорость инференса: Несмотря на эффективное использование параметров, сложные операции BiFPN часто приводят к более низкой скорости инференса на стандартном оборудовании в реальных условиях по сравнению с высокооптимизированными моделями YOLO.

Подробнее об EfficientDet

Производительность и тесты#

Главный критерий оценки этих моделей — результаты на стандартных бенчмарках, таких как набор данных COCO. В таблице ниже показаны ключевые различия в числе параметров, количестве операций с плавающей запятой (FLOPs) и задержке инференса на GPU NVIDIA T4.

Модельразмер
(пиксели)
mAPval50-95Скорость
CPU ONNX
(мс)
Скорость
T4 TensorRT10
(мс)
параметры
(M)
FLOPs
(B)
YOLOv10n64038.5-1.842.36.7
YOLOv10s64046.3-2.497.221.6
YOLOv10m64051.1-4.7415.459.1
YOLOv10b64052.5-5.7419.192.0
YOLOv10l64053.2-7.2824.4120.3
YOLOv10x64054.4-10.7029.5160.4
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

YOLOv10 значительно превосходит EfficientDet по скорости инференса на GPU. Например, YOLOv10s достигает 46.3 mAP при задержке TensorRT 2.49 ms, тогда как EfficientDet-d3 показывает близкие 47.5 mAP, но работает за 19.59 ms. В старшем сегменте YOLOv10m (51.1 mAP, 4.74 ms) почти не уступает EfficientDet-d5 (51.5 mAP, 67.86 ms). Поэтому YOLOv10 гораздо лучше подходит для потокового видео в реальном времени и высокоскоростных производственных линий. У EfficientDet-d0 в таблице наименьшее количество FLOPs (2.54B).

Сценарии использования и рекомендации#

Выбор между YOLOv10 и EfficientDet зависит от требований твоего проекта, ограничений среды развертывания и предпочтений в отношении экосистемы.

Когда выбирать YOLOv10#

YOLOv10 — хороший выбор для:

  • Детектирование в реальном времени без NMS: Приложения, которым полезно сквозное детектирование без подавления немаксимумов, что упрощает развертывание.
  • Сбалансированное соотношение скорости и точности: Проекты, в которых важно найти оптимальный баланс между скоростью инференса и точностью детектирования для моделей разных размеров.
  • Приложения с постоянной задержкой: Сценарии развертывания, где важны предсказуемые времена инференса, например в робототехнике или автономных системах.

Когда стоит выбрать EfficientDet#

EfficientDet подойдёт для следующих задач:

  • Конвейеры Google Cloud и TPU: системы на базе TensorFlow в инфраструктуре Google Cloud TPU, где эталонная реализация EfficientDet поддерживает обучение на TPU.
  • Исследования составного масштабирования: Академические исследования и сравнительное тестирование, посвящённые влиянию сбалансированного масштабирования глубины, ширины и разрешения сети.
  • Развертывание на мобильных устройствах через LiteRT: Проекты, для которых требуется экспорт в LiteRT (ранее TensorFlow Lite) для Android или встраиваемых устройств с Linux.

Когда выбирать Ultralytics (YOLO26)#

Для большинства новых проектов Ultralytics YOLO26 предлагает оптимальное сочетание производительности и удобства разработки:

  • Развертывание на периферийных устройствах без NMS: Приложения, которым необходим стабильный инференс с низкой задержкой без усложнения постобработки подавлением немаксимумов.
  • Среды, работающие только на CPU: устройства без выделенного ускорения на GPU, на которых преимущество YOLO26n особенно заметно: инференс на CPU выполняется до 43% быстрее, чем у YOLO11n.
  • Обнаружение небольших объектов: сложные сценарии, например аэрофотосъемка с дронов или анализ данных датчиков IoT, где ProgLoss и STAL повышают точность обнаружения небольших объектов.

Современный стандарт: встречай Ultralytics YOLO26#

YOLOv10 добавил в YOLO обнаружение без NMS, а EfficientDet показал преимущества обоснованного масштабирования, но компьютерное зрение продолжает развиваться. Разработчикам, которые начинают новые проекты сегодня, мы рекомендуем модель Ultralytics YOLO26. Выпущенная в январе 2026 года, она объединяет эти идеи в готовом к промышленной эксплуатации пакете, поддерживаемом платформой Ultralytics.

Почему YOLO26 превосходит конкурентов#

  1. Сквозная архитектура без NMS: YOLO26 предлагает сквозную архитектуру без NMS из YOLOv10 в виде опциональной головы один-к-одному (nms=False), упрощающей развертывание и ускоряющей инференс.
  2. Инференс на CPU до 43% быстрее: На периферийных устройствах без специализированных ускорителей YOLO26n работает на стандартных CPU до 43% быстрее YOLO11n.
  3. Усовершенствованный оптимизатор MuSGD: Вдохновлённая методами обучения больших языковых моделей (LLM), YOLO26 использует гибрид SGD и Muon для стабильного обучения и быстрой сходимости, повышая эффективность обучения по сравнению с EfficientDet.
  4. ProgLoss + STAL: Progressive Loss и назначение меток с учётом малых объектов (STAL) улучшают распознавание небольших объектов, с которым часто не справлялись более ранние детекторы.
  5. Удаление DFL: Отказ от Distribution Focal Loss упрощает экспорт во множество аппаратных форматов, включая OpenVINO и CoreML.

YOLO26 также отличается большей универсальностью. EfficientDet и YOLOv10 предназначены для обнаружения объектов, а YOLO26 также поддерживает сегментацию экземпляров, семантическую сегментацию, оценку глубины, классификацию изображений, оценку позы и ориентированные ограничивающие рамки с помощью одного и того же пакета Ultralytics для Python.

Поддерживаемая экосистема

YOLO11 и YOLOv8 по-прежнему полностью поддерживаются в экосистеме Ultralytics. Для оптимального сочетания производительности, стабильности и долгосрочной поддержки мы рекомендуем официально поддерживаемые модели Ultralytics.

Простота использования с Ultralytics#

Экосистема Ultralytics с качественной поддержкой упрощает работу разработчиков. Чтобы обучить модель, проверить её и экспортировать в TensorRT, достаточно нескольких строк кода.

from ultralytics import YOLO

# Загрузи предварительно обученную модель YOLOv10 (или сразу перейди на YOLO26)
model = YOLO("yolov10n.pt")

# Эффективное обучение модели на пользовательском наборе данных
model.train(data="coco8.yaml", epochs=50, imgsz=640)

# Выполни инференс и сразу визуализируй результаты
results = model("https://ultralytics.com/images/bus.jpg")
results[0].show()

# Экспортируй модель для быстрого развертывания
model.export(format="engine", quantize=16)

Заключение#

При сравнении YOLOv10 и EfficientDet выбор зависит от предпочтений в отношении фреймворка и ограничений по скорости. EfficientDet предлагает структурированный подход к масштабированию моделей в экосистеме TensorFlow. Однако YOLOv10 обеспечивает более высокую скорость в реальном времени, требует меньше памяти и упрощает развёртывание благодаря архитектуре без NMS.

Для оптимального сочетания производительности, простоты использования и универсальности при решении нескольких задач мы рекомендуем YOLO26 на платформе Ultralytics. Эта модель использует подход YOLOv10 без NMS, дополняет его новыми методами обучения, например оптимизатором MuSGD, и поставляется в рамках фреймворка с открытым исходным кодом, который поддерживает большое международное сообщество.

Участники

Комментарии

Задай вопрос, поделись результатами или помоги кому-нибудь.