YOLOv6-3.0 и EfficientDet#

Выбор оптимальной архитектуры для проектов в области компьютерного зрения требует глубокого понимания компромиссов между скоростью, точностью и возможностью развертывания. На этой странице сравнения представлен подробный анализ двух различных моделей обнаружения объектов: YOLOv6-3.0 и EfficientDet. Хотя обе модели внесли значительный вклад в эту область, современные развертывания на периферийных устройствах и быстрое прототипирование часто выигрывают от более унифицированных фреймворков, таких как Ultralytics Platform.

Ниже представлена интерактивная диаграмма, визуализирующая различия в производительности этих моделей, чтобы помочь тебе понять соответствующие показатели задержки и точности.

YOLOv6-3.0: производительность промышленного уровня#

YOLOv6-3.0 была специально разработана компанией Meituan как высокопроизводительный одноэтапный фреймворк для обнаружения объектов, предназначенный для промышленных приложений. Основное внимание уделяется максимизации пропускной способности на GPU, что делает модель отличным кандидатом для высокоскоростных производственных линий и офлайн-аналитики видео.

• Авторы: Chuyi Li, Lulu Li, Yifei Geng, Hongliang Jiang, Meng Cheng, Bo Zhang, Zaidan Ke, Xiaoming Xu и Xiangxiang Chu
• Организация: Meituan
• Дата: 2023-01-13
• Arxiv: 2301.05586
• GitHub: meituan/YOLOv6

Архитектурные особенности#

Архитектура YOLOv6-3.0 использует модуль двунаправленной конкатенации (BiC) для улучшения слияния признаков на разных масштабах. Для обеспечения высокой скорости инференса в ней применяется backbone EfficientRep, оптимизированный для выполнения на GPU. Кроме того, используется стратегия обучения с поддержкой якорей (AAT), объединяющая преимущества детекторов на основе якорей и безъякорных детекторов на этапе обучения при сохранении безъякорного конвейера инференса для снижения задержки.

Преимущества и недостатки#

YOLOv6-3.0 особенно эффективна в средах с выделенным GPU, обеспечивая невероятно быстрый инференс в реальном времени с использованием TensorRT. Однако сильная зависимость от специфических аппаратных оптимизаций может привести к неоптимальной производительности на периферийных AI-устройствах, использующих только CPU. Кроме того, хотя модель поддерживает некоторые методы квантования, ее экосистеме не хватает общей простоты, характерной для современных фреймворков Ultralytics.

Узнай больше о YOLOv6

EfficientDet: масштабируемая архитектура AutoML#

Разработанная Google Research, EfficientDet использует принципиально иной подход. Вместо ручного проектирования сети авторы применили автоматизированное машинное обучение (AutoML), чтобы создать масштабируемую архитектуру, которая балансирует количество параметров, FLOPs и точность.

• Авторы: Mingxing Tan, Ruoming Pang и Quoc V. Le
• Организация: Google Brain
• Дата: 20.11.2019
• Arxiv: 1911.09070
• GitHub: google/automl

Архитектурные особенности#

EfficientDet представила двунаправленную пирамиду признаков (BiFPN), обеспечивающую быстрое и простое слияние признаков на нескольких масштабах. В сочетании с методом составного масштабирования, который единообразно изменяет разрешение, глубину и ширину всех backbone, сетей признаков и сетей предсказания рамок и классов, модели EfficientDet варьируются от очень компактной d0 до массивной d7.

Преимущества и недостатки#

EfficientDet отличается высокой эффективностью использования параметров. Она обеспечивает высокую среднюю точность (mAP) при относительно небольшом количестве параметров по сравнению с более старыми детекторами объектов. Однако архитектура глубоко связана с устаревшими экосистемами TensorFlow. Это приводит к сложному управлению зависимостями, более длительным циклам обучения и более высоким требованиям к памяти во время обучения по сравнению с оптимизированными реализациями на PyTorch. Кроме того, скорость инференса на современных GPU значительно ниже, чем у современных архитектур YOLO.

Узнай больше об EfficientDet

Подробное сравнение производительности#

В таблице ниже сопоставлены технические характеристики YOLOv6-3.0 и EfficientDet по различным метрикам. Обрати внимание, что YOLOv6-3.0 превосходит EfficientDet по скорости на GPU, тогда как EfficientDet масштабируется до более высокого mAP ценой значительной задержки.

Преимущества экосистемы Ultralytics#

Хотя YOLOv6-3.0 и EfficientDet предназначены для определенных ниш, современные проекты в области компьютерного зрения требуют универсальности, простоты использования и хорошо поддерживаемой экосистемы. Именно здесь модели Ultralytics YOLO действительно превосходят конкурентов.

Простота использования и эффективность обучения#

В отличие от EfficientDet, требующей работы со сложными конфигурациями TensorFlow, модели Ultralytics построены на интуитивно понятной основе PyTorch. Ultralytics Platform предлагает упрощенный API, который оптимизирует весь жизненный цикл машинного обучения. Обучение модели Ultralytics требует значительно меньше памяти CUDA, ускоряя эксперименты и снижая вычислительные затраты.

Непревзойдённая универсальность#

YOLOv6-3.0 и EfficientDet в основном ограничены детекцией объектов. В отличие от них, современные архитектуры Ultralytics по своей сути являются многозадачными. Единый интерфейс позволяет тебе обучать модели для задач сегментации экземпляров, оценки позы, классификации изображений и ориентированных ограничивающих рамок (OBB).

Представляем Ultralytics YOLO26#

Для разработчиков, стремящихся найти оптимальный баланс производительности, Ultralytics YOLO26 представляет собой смену парадигмы. Выпущенная в январе 2026 года, она предлагает несколько революционных инноваций, превосходящих YOLOv6 и EfficientDet:

• Сквозной дизайн без NMS: YOLO26 изначально устраняет необходимость в постобработке с подавлением немаксимумов (NMS), значительно снижая вариативность задержки и упрощая логику развертывания на периферийных устройствах.
• Оптимизатор MuSGD: Этот гибридный оптимизатор, вдохновленный обучением LLM, обеспечивает стабильное обучение и невероятно быструю сходимость.
• До 43% более быстрый инференс на CPU: Благодаря удалению Distribution Focal Loss (DFL) YOLO26 значительно эффективнее работает на CPU и маломощных IoT-устройствах по сравнению с устаревшими моделями.
• ProgLoss + STAL: Эти продвинутые функции потерь значительно улучшают распознавание небольших объектов, делая YOLO26 идеальной для приложений с дронами и аэрофотоснимками.

Варианты применения и рекомендации#

Выбор между YOLOv6 и EfficientDet зависит от конкретных 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 модели и эффективная репараметризация обеспечивают оптимальную производительность на конкретном целевом оборудовании.
• Быстрое одностадийное обнаружение: приложения, в которых приоритетом является максимальная скорость инференса на GPU для обработки видео в реальном времени в контролируемых средах.
• Интеграция с экосистемой Meituan: команды, уже работающие в технологическом стеке и инфраструктуре развертывания Meituan.

Когда стоит выбрать EfficientDet#

EfficientDet рекомендуется для:

• Конвейеров Google Cloud и TPU: систем, тесно интегрированных с Google Cloud Vision API или инфраструктурой TPU, где EfficientDet имеет нативную оптимизацию.
• Исследований составного масштабирования: академических бенчмарков, посвящённых изучению влияния сбалансированного масштабирования глубины, ширины и разрешения сети.
• Мобильного развертывания через TFLite: проектов, которым необходим экспорт в TensorFlow Lite для Android или встраиваемых устройств под управлением Linux.

Когда выбирать Ultralytics (YOLO26)#

Для большинства новых проектов Ultralytics YOLO26 предлагает лучшее сочетание производительности и удобства для разработчиков:

• Развертывания на периферийных устройствах без NMS: приложений, требующих стабильного вывода с низкой задержкой без сложной постобработки с подавлением немаксимумов.
• Сред без GPU: устройств без выделенного ускорения GPU, где до 43% более быстрый вывод YOLO26 на CPU дает решающее преимущество.
• Обнаружения мелких объектов: сложных сценариев, таких как аэрофотосъемка с дронов или анализ данных IoT-сенсоров, где ProgLoss и STAL значительно повышают точность обнаружения крошечных объектов.

Пример реализации: обучение YOLO26#

Следующий код демонстрирует простоту экосистемы Ultralytics. Обучить современную модель так же просто, как 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: Очень успешный предшественник YOLO26, предлагающий широкие возможности для решения нескольких задач и активную поддержку сообщества.
• YOLOv10: Первая архитектура YOLO, представившая обучение без NMS и проложившая путь к современному сквозному обнаружению объектов.
• RT-DETR: Для сценариев, в которых предпочтение отдается архитектурам на основе Transformer и механизмам внимания, а не традиционным CNN.

Заключение#

Хотя YOLOv6-3.0 обеспечивает отличную пропускную способность на промышленных GPU, а EfficientDet демонстрирует потенциал AutoML при создании масштабируемых сетей с эффективным использованием параметров, обе модели имеют ограничения с точки зрения простоты развертывания и современной универсальности для решения нескольких задач.

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