YOLOv6-3.0 и EfficientDet#

Для выбора оптимальной архитектуры проектов в области компьютерного зрения нужно хорошо понимать компромиссы между скоростью, точностью и возможностью развертывания. На этой странице подробно анализируются две разные модели обнаружения объектов: YOLOv6-3.0 и EfficientDet. Обе модели внесли значительный вклад в эту область, но для современных граничных развертываний и быстрого прототипирования часто лучше подходят более унифицированные фреймворки, такие как платформа Ultralytics.

Ниже приведена интерактивная диаграмма, наглядно показывающая различия в производительности этих моделей, чтобы ты мог оценить их задержку и точность.

YOLOv6-3.0: промышленная пропускная способность#

Компания Meituan разработала YOLOv6-3.0 как высокопроизводительную одноэтапную систему обнаружения объектов для промышленного применения. Она ориентирована на максимальную пропускную способность оборудования GPU, что делает ее хорошим кандидатом для высокоскоростных производственных линий и офлайн-видеоаналитики.

• Авторы: Чуйи Ли, Лулу Ли, Ифэй Гэн, Хунлян Цзян, Мэн Чэн, Бо Чжан, Зайдань Кэ, Сяомин Сюй и Сянсян Чу
• Организация: Meituan
• Дата: 2023-01-13
• Arxiv: 2301.05586
• GitHub: meituan/YOLOv6

Основные особенности архитектуры#

В архитектуре YOLOv6-3.0 используется модуль двунаправленной конкатенации (BiC), улучшающий слияние признаков на разных масштабах. Для высокой скорости инференса модель использует бэкбон EfficientRep, тщательно оптимизированный для выполнения на GPU. Кроме того, стратегия обучения с помощью якорей (AAT) сочетает преимущества моделей на основе якорей и моделей без якорей на этапе обучения, сохраняя при этом конвейер инференса без якорей для снижения задержки.

Преимущества и недостатки#

YOLOv6-3.0 отлично проявляет себя в средах с выделенным оборудованием GPU и обеспечивает исключительно быстрый инференс в реальном времени с помощью TensorRT. Однако сильная зависимость от специфичных аппаратных оптимизаций может приводить к неоптимальной производительности на граничных устройствах ИИ, работающих только на CPU. Кроме того, несмотря на поддержку некоторых методов квантования, экосистеме не хватает общей простоты современных фреймворков Ultralytics.

Подробнее о YOLOv6

EfficientDet: масштабируемая архитектура AutoML#

EfficientDet, разработанная Google Research, использует принципиально иной подход. Вместо ручного проектирования сети авторы применили автоматизированное машинное обучение (AutoML), чтобы создать масштабируемую архитектуру, которая обеспечивает баланс между количеством параметров, FLOPs и точностью.

• Авторы: Mingxing Tan, Ruoming Pang и Quoc V. Le
• Организация: Google Brain
• Дата: 2019-11-20
• Arxiv: 1911.09070
• GitHub: google/automl

Основные особенности архитектуры#

В EfficientDet представлена двунаправленная пирамидальная сеть признаков (BiFPN), обеспечивающая простое и быстрое слияние признаков разных масштабов. В сочетании с методом составного масштабирования, который равномерно изменяет разрешение, глубину и ширину бэкбона, сети признаков и сетей предсказания рамок и классов, это позволяет создавать модели EfficientDet от крайне компактной d0 до огромной d7.

Преимущества и недостатки#

EfficientDet отличается высокой эффективностью по количеству параметров. По сравнению со старыми моделями обнаружения объектов она обеспечивает высокую среднюю точность (mAP) при относительно небольшом количестве параметров. Однако архитектура глубоко укоренена в устаревших экосистемах TensorFlow. В результате управление зависимостями усложняется, циклы обучения замедляются, а во время обучения требуется больше памяти, чем оптимизированным реализациям PyTorch. Кроме того, на современных GPU инференс работает значительно медленнее, чем у современных архитектур YOLO.

Подробнее об EfficientDet

Подробное сравнение производительности#

В таблице ниже сопоставлены технические характеристики YOLOv6-3.0 и EfficientDet по разным метрикам. Обрати внимание: YOLOv6-3.0 лидирует по скорости на GPU, а EfficientDet обеспечивает более высокий mAP ценой значительного увеличения задержки.

Преимущества экосистемы Ultralytics#

YOLOv6-3.0 и EfficientDet решают определенные задачи, однако современные проекты в области компьютерного зрения требуют универсальности, простоты использования и хорошо поддерживаемой экосистемы. Именно в этом модели Ultralytics YOLO действительно преуспевают.

Удобство использования и эффективность обучения#

В отличие от EfficientDet, для работы с которой нужно разбираться в сложных конфигурациях TensorFlow, модели Ultralytics построены на интуитивно понятной основе PyTorch. Платформа Ultralytics предлагает простой API, который упрощает весь цикл машинного обучения. Для обучения модели Ultralytics требуется значительно меньше памяти CUDA, что ускоряет эксперименты и снижает вычислительные затраты.

Непревзойденная универсальность#

YOLOv6-3.0 и EfficientDet предназначены в первую очередь для обнаружения объектов. В отличие от них, современные архитектуры Ultralytics изначально поддерживают множество задач. Единый интерфейс позволяет обучать модели для сегментации экземпляров, классификации изображений, оценки позы и задач с ориентированными ограничивающими рамками (OBB).

Представляем Ultralytics YOLO26#

Для разработчиков, которым нужно оптимальное сочетание производительности, Ultralytics YOLO26 знаменует смену парадигмы. Выпущенная в январе 2026 года, эта модель предлагает несколько революционных инноваций, превосходящих решения YOLOv6 и EfficientDet:

• Сквозная архитектура без NMS: необязательная голова one-to-one в YOLO26 (nms=False) устраняет необходимость в постобработке методом подавления немаксимумов (NMS), значительно сокращая разброс задержки и упрощая логику развертывания на граничных устройствах.
• Оптимизатор MuSGD: вдохновленный методами обучения LLM гибридный оптимизатор обеспечивает стабильное обучение и чрезвычайно быструю сходимость.
• Инференс на CPU до 43% быстрее: благодаря удалению Distribution Focal Loss (DFL) YOLO26 значительно эффективнее работает на CPU и маломощных устройствах IoT по сравнению с устаревшими моделями.
• ProgLoss + STAL: эти усовершенствованные функции потерь значительно улучшают распознавание мелких объектов, что делает YOLO26 идеальным решением для съемки с дронов и аэрофотосъемки.

Сценарии использования и рекомендации#

Выбор между YOLOv6 и EfficientDet зависит от требований твоего проекта, ограничений развертывания и предпочтений в отношении экосистемы.

Когда стоит выбрать YOLOv6#

YOLOv6 — хороший выбор для:

• Развертывание с учетом промышленного оборудования: сценарии, в которых аппаратно-ориентированный дизайн и эффективная репараметризация модели обеспечивают оптимальную производительность на конкретном целевом оборудовании.
• Быстрая одноэтапная детекция: приложения, где приоритетом является максимальная скорость инференса на GPU для обработки видео в реальном времени в контролируемых условиях.
• Интеграция с экосистемой Meituan: команды, уже работающие с технологическим стеком и инфраструктурой развертывания Meituan.

Когда стоит выбрать EfficientDet#

EfficientDet подойдёт для следующих задач:

• Google Cloud и конвейеры TPU: Системы, тесно интегрированные с API Google Cloud Vision или инфраструктурой TPU, где EfficientDet оптимизирована изначально.
• 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 только с CPU: Устройства без выделенного ускорителя GPU, где до 43% более быстрый инференс YOLO26 на CPU даёт решающее преимущество.
• Обнаружение небольших объектов: Сложные сценарии, например съёмка с дронов или анализ данных IoT-датчиков, где ProgLoss и STAL заметно повышают точность обнаружения крошечных объектов.

Пример реализации: обучение YOLO26#

В следующем примере кода показана простота экосистемы Ultralytics. Чтобы обучить передовую модель, достаточно загрузить веса и указать путь к данным.

from ultralytics import YOLO

# Load the highly optimized YOLO26 nano model
model = YOLO("yolo26n.pt")

# Train the model on a dataset with automatic hyperparameter handling
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Validate the model to check mAP metrics
metrics = model.val()
print(f"Validation mAP50-95: {metrics.box.map}")

# Run inference on a test image seamlessly
prediction = model("https://ultralytics.com/images/bus.jpg")

Другие модели, которые стоит рассмотреть#

Если ты изучаешь более широкий спектр моделей компьютерного зрения, обрати внимание на следующие альтернативы:

• YOLO11: чрезвычайно успешная предшественница YOLO26, предлагающая широкие возможности для решения множества задач и обширную поддержку сообщества.
• YOLOv10: первая архитектура YOLO с обучением без NMS, проложившая путь современному сквозному обнаружению объектов.
• RT-DETR: подходит для сценариев, в которых архитектуры на основе Transformer и механизмы внимания предпочтительнее традиционных CNN.

Заключение#

Хотя YOLOv6-3.0 обеспечивает отличную промышленную пропускную способность на GPU, а EfficientDet демонстрирует возможности AutoML при создании масштабируемых сетей с эффективным использованием параметров, обе модели имеют ограничения по простоте развертывания и универсальности для современных задач.

Для подавляющего большинства практических задач — от развертывания на мобильных граничных устройствах до облачной аналитики — экосистема Ultralytics обеспечивает непревзойденный баланс производительности. Выбирая YOLO26, разработчики получают доступ к передовому инференсу без NMS, усовершенствованным функциям потерь для мелких объектов и унифицированному, хорошо документированному конвейеру обучения, который значительно ускоряет переход от прототипа к промышленной эксплуатации.