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#
- Авторы: Ao Wang, Hui Chen, Lihao Liu и др.
- Организация: Университет Цинхуа
- Дата: 2024-05-23
- Статья: YOLOv10: сквозное обнаружение объектов в реальном времени
- GitHub: THU-MIG/yolov10
- Документация: Документация YOLOv10
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:
- Только одна задача: В отличие от более широкой экосистемы Ultralytics, исходный репозиторий YOLOv10 ориентирован на обнаружение объектов и не поддерживает изначально сегментацию экземпляров или оценку позы.
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#
- Авторы: Mingxing Tan, Ruoming Pang и Quoc V. Le
- Организация: Google Brain
- Дата: 2019-11-20
- Статья: EfficientDet: масштабируемое и эффективное обнаружение объектов
- GitHub: Google AutoML EfficientDet
Преимущества:
- Высокая эффективность: Отличное соотношение количества параметров и точности: младшие варианты
-d0и-d2имеют 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.
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.
| Модель | размер (пиксели) | mAPval50-95 | Скорость CPU ONNX (мс) | Скорость T4 TensorRT10 (мс) | параметры (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv10n | 640 | 38.5 | - | 1.84 | 2.3 | 6.7 |
| YOLOv10s | 640 | 46.3 | - | 2.49 | 7.2 | 21.6 |
| YOLOv10m | 640 | 51.1 | - | 4.74 | 15.4 | 59.1 |
| YOLOv10b | 640 | 52.5 | - | 5.74 | 19.1 | 92.0 |
| YOLOv10l | 640 | 53.2 | - | 7.28 | 24.4 | 120.3 |
| YOLOv10x | 640 | 54.4 | - | 10.70 | 29.5 | 160.4 |
| EfficientDet-d0 | 512 | 34.6 | - | 3.92 | 3.9 | 2.54 |
| EfficientDet-d1 | 640 | 40.5 | - | 7.31 | 6.6 | 6.1 |
| EfficientDet-d2 | 768 | 43.0 | - | 10.92 | 8.1 | 11.0 |
| EfficientDet-d3 | 896 | 47.5 | - | 19.59 | 12.0 | 24.9 |
| EfficientDet-d4 | 1024 | 49.7 | - | 33.55 | 20.7 | 55.2 |
| EfficientDet-d5 | 1280 | 51.5 | - | 67.86 | 33.7 | 130.0 |
| EfficientDet-d6 | 1280 | 52.6 | - | 89.29 | 51.9 | 226.0 |
| EfficientDet-d7 | 1536 | 53.7 | - | 128.07 | 51.9 | 325.0 |
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#
- 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. - Инференс на CPU до 43% быстрее: На периферийных устройствах без специализированных ускорителей YOLO26n работает на стандартных CPU до 43% быстрее YOLO11n.
- 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.
- ProgLoss + STAL: Progressive Loss и назначение меток с учётом малых объектов (STAL) улучшают распознавание небольших объектов, с которым часто не справлялись более ранние детекторы.
- 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.
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.
Комментарии
Задай вопрос, поделись результатами или помоги кому-нибудь.