YOLOv10 против EfficientDet: сравнение архитектур обнаружения объектов в реальном времени

Выбор оптимальной нейронной сети для обнаружения объектов — это критически важное решение, определяющее успех современных систем компьютерного зрения. Две заметные архитектуры, которые существенно повлияли на эту область, — это YOLOv10 и EfficientDet. Хотя обе нацелены на максимизацию точности при минимизации вычислительных затрат, они используют принципиально разные архитектурные подходы для достижения этих целей.

Это подробное руководство погружает в их уникальные структуры, методологии обучения и особенности развертывания, помогая разработчикам и ML-инженерам принимать обоснованные решения для приложений Vision AI. Мы рассмотрим, как они работают на оборудовании от встроенных устройств Edge AI до мощных облачных GPU.

YOLOv10: пионер без NMS

Разработанная для расширения границ задержки в реальном времени, YOLOv10 устранила один из самых стойких узких мест в семействе YOLO: не-максимальное подавление (NMS). Исключив этот этап постобработки, модель достигает высокой предсказуемости задержки, что критически важно для автономных транспортных средств и высокоскоростной робототехники.

Архитектурные инновации

YOLOv10 внедряет согласованные двойные назначения для обучения без NMS. В процессе обучения модель использует как one-to-many, так и one-to-one назначения меток, позволяя сети изучать богатые представления, одновременно выдавая один оптимальный ограничивающий прямоугольник (bbox) для каждого объекта во время инференса. Архитектура также включает целостный дизайн, ориентированный на эффективность и точность, оптимизируя классификационную головку и снижая вычислительную избыточность, характерную для предыдущих итераций.

Детали модели

• Авторы: Ao Wang, Hui Chen, Lihao Liu и др.
• Организация: Tsinghua University
• Дата: 2024-05-23
• Статья: YOLOv10: обнаружение объектов в реальном времени от начала до конца
• GitHub: THU-MIG/yolov10
• Документация: Документация YOLOv10

Сильные стороны:

• Предсказуемый инференс: Удаление NMS обеспечивает стабильное время инференса независимо от количества объектов в сцене.
• Более низкое потребление памяти: По сравнению с моделями на основе Transformer, такими как RT-DETR, YOLOv10 требует значительно меньше памяти как во время обучения, так и при инференсе.
• Отличный баланс скорости и точности: Специально оптимизирована для сценариев с низкой задержкой без ущерба для метрик производительности.

Слабые стороны:

• Фокус на одной задаче: В отличие от более широкой экосистемы Ultralytics, оригинальный репозиторий YOLOv10 сильно сфокусирован на обнаружении и не имеет встроенной поддержки сегментации экземпляров или оценки позы.

Узнать больше о YOLOv10

EfficientDet: масштабируемость и баланс

Представленная Google Brain, EfficientDet подходит к обнаружению объектов с точки зрения систематического масштабирования сети. Она опирается на основу классификации изображений EfficientNet и внедряет новый механизм слияния признаков.

Архитектурные инновации

Основой EfficientDet является Bi-directional Feature Pyramid Network (BiFPN), которая обеспечивает простое и быстрое слияние признаков на разных уровнях масштабирования. В отличие от традиционных FPN, которые суммируют признаки только сверху вниз, BiFPN вводит двунаправленные кросс-масштабные соединения и обучаемые веса для определения важности различных входных признаков. Кроме того, EfficientDet использует метод составного масштабирования, который равномерно масштабирует разрешение, глубину и ширину для всех сетей основы (backbone), сетей признаков и сетей предсказания bbox/класса.

Детали 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

Сильные стороны:

• Высокая эффективность: Отличное соотношение параметров к точности, что делает меньшие варианты от -d0 до -d2 очень легковесными.
• Принципиальное масштабирование: Составное масштабирование позволяет легко выбирать размер модели, соответствующий твоему вычислительному бюджету.

Слабые стороны:

• Интеграция с устаревшими фреймворками: Оригинальная реализация сильно зависит от старых версий TensorFlow, что может усложнить современные конвейеры развертывания.
• Более медленное обучение: Обучение EfficientDet с нуля известно своей медлительностью и требует тщательной настройки гиперпараметров по сравнению с быстрой сходимостью архитектур YOLO.
• Скорость инференса: Несмотря на эффективность параметров, сложные операции BiFPN часто приводят к более медленной скорости инференса на стандартном оборудовании по сравнению с высоко оптимизированными моделями YOLO.

Узнай больше об EfficientDet

Производительность и бенчмарки

Истинная проверка этих моделей заключается в их эмпирической производительности на стандартных бенчмарках, таких как COCO dataset. Таблица ниже иллюстрирует критические различия в количестве параметров, операциях с плавающей запятой (FLOPs) и задержке инференса на NVIDIA T4 GPUs.

Как показано выше, YOLOv10 сохраняет значительное преимущество в скорости инференса. Например, YOLOv10-S достигает 46.7 mAP при задержке TensorRT всего 2.66 мс, тогда как EfficientDet-d3 достигает схожих 47.5 mAP, но затрачивает почти 20 мс, что делает YOLOv10 значительно более подходящей для потокового видео в реальном времени или высокоскоростных производственных процессов.

Варианты использования и рекомендации

Выбор между YOLOv10 и EfficientDet зависит от требований твоего конкретного проекта, ограничений развертывания и предпочтений в экосистеме.

Когда выбирать YOLOv10

YOLOv10 — хороший выбор для:

• Обнаружение в реальном времени без NMS: Приложения, которые выигрывают от комплексного обнаружения без Non-Maximum Suppression, что снижает сложность развертывания.
• Сбалансированные компромиссы скорости и точности: Проекты, требующие хорошего баланса между скоростью вывода и точностью обнаружения для моделей различных масштабов.
• Consistent-Latency Applications: Deployment scenarios where predictable inference times are critical, such as robotics or autonomous systems.

Когда выбирать EfficientDet

EfficientDet рекомендуется для:

• Конвейеров Google Cloud и TPU: Систем, глубоко интегрированных с API Google Cloud Vision или инфраструктурой TPU, где EfficientDet имеет нативную оптимизацию.
• Исследований в области составного масштабирования: Академических бенчмарков, сфокусированных на изучении эффектов сбалансированного масштабирования глубины, ширины и разрешения сети.
• Развертывания на мобильных устройствах через TFLite: Проектов, которые специально требуют экспорта в TensorFlow Lite для Android или встроенных Linux-устройств.

Когда выбирать Ultralytics (YOLO26)

Для большинства новых проектов Ultralytics YOLO26 предлагает лучшее сочетание производительности и опыта разработчика:

• Периферийное развертывание без NMS: Приложениям требуется стабильный вывод с низкой задержкой без сложности постобработки Non-Maximum Suppression.
• Среды только с CPU: Устройства без выделенного GPU-ускорения, где преимущество YOLO26 в виде до 43% более быстрого вывода на CPU является решающим.
• Обнаружение мелких объектов: Сложные сценарии, такие как аэросъемка с дронов или анализ данных IoT-датчиков, где ProgLoss и STAL значительно повышают точность распознавания крошечных объектов.

Современный стандарт: встречай Ultralytics YOLO26

Хотя YOLOv10 представила революционную парадигму без NMS, а EfficientDet продемонстрировала принципиальное масштабирование, ландшафт компьютерного зрения продолжает развиваться. Для разработчиков, начинающих новые проекты сегодня, Ultralytics YOLO26 представляет собой бесспорный современный уровень технологий. Выпущенная в январе 2026 года, она объединяет всё лучшее в хорошо отлаженный и готовый к продакшену пакет внутри Ultralytics Platform.

Почему YOLO26 превосходит конкурентов

1. Сквозной дизайн без NMS: YOLO26 нативно использует сквозную архитектуру без NMS, впервые примененную в YOLOv10, что упрощает развертывание и ускоряет инференс.
2. До 43% быстрее инференс на CPU: Для периферийных устройств, не имеющих специализированных ускорителей, YOLO26 специально оптимизирована для эффективной работы на стандартных CPU.
3. Улучшенный оптимизатор MuSGD: Вдохновленная инновациями в обучении LLM, YOLO26 использует гибрид SGD и Muon для невероятно стабильного обучения и быстрой сходимости, что значительно повышает эффективность обучения по сравнению с EfficientDet.
4. ProgLoss + STAL: Эти улучшенные функции потерь обеспечивают значительный прирост в распознавании мелких объектов — традиционно слабого места как YOLOv10, так и EfficientDet.
5. Удаление DFL: Благодаря удалению Distribution Focal Loss, YOLO26 без проблем экспортируется практически в любой формат оборудования, включая OpenVINO и CoreML.

Более того, YOLO26 обеспечивает непревзойденную универсальность. В то время как EfficientDet и YOLOv10 являются исключительно моделями для обнаружения, YOLO26 легко справляется с ориентированными ограничивающими прямоугольниками, классификацией изображений и сегментацией экземпляров, используя тот же интуитивно понятный Ultralytics Python package.

Простота использования с Ultralytics

Хорошо поддерживаемая экосистема, предоставляемая Ultralytics, обеспечивает удобство для разработчика. Обучение модели, её валидация и экспорт в интеграцию TensorRT занимают всего несколько строк кода.

from ultralytics import YOLO

# Load a pre-trained YOLOv10 model (or upgrade to YOLO26 natively)
model = YOLO("yolov10n.pt")

# Train the model efficiently on a custom dataset
model.train(data="coco8.yaml", epochs=50, imgsz=640)

# Run inference and immediately visualize results
results = model("https://ultralytics.com/images/bus.jpg")
results[0].show()

# Export for rapid deployment
model.export(format="engine", half=True)

Заключение

При сравнении YOLOv10 и EfficientDet выбор сильно зависит от предпочтений в фреймворке и ограничений по скорости. EfficientDet предлагает структурированный подход к масштабированию модели в экосистеме TensorFlow. Однако YOLOv10 обеспечивает превосходную производительность в реальном времени, меньшее потребление памяти и более простой путь развертывания благодаря своей архитектуре без NMS.

Для достижения наилучшего баланса производительности, простоты использования и многозадачной универсальности настоятельно рекомендуется перейти на Ultralytics Platform и использовать YOLO26. Она берет инновации YOLOv10 без NMS, применяет передовые методы обучения, такие как оптимизатор MuSGD, и упаковывает всё это в надежный open-source фреймворк, поддерживаемый огромным мировым сообществом.