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 высокопроизводительный одноэтапный фреймворк детекции объектов для промышленных приложений. Модель ориентирована на максимальную пропускную способность GPU, что делает её хорошим выбором 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 особенно эффективна в средах с выделенным GPU и обеспечивает быструю детекцию в реальном времени с помощью TensorRT. Однако сильная зависимость от оптимизаций для конкретного оборудования может приводить к снижению производительности на периферийных устройствах для ИИ, использующих только CPU. Кроме того, несмотря на поддержку некоторых методов квантования, инструментарий модели менее унифицирован, чем экосистема 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 была представлена двунаправленная пирамидальная сеть признаков (BiFPN), обеспечивающая простое и быстрое слияние признаков разных масштабов. В сочетании с методом составного масштабирования, который равномерно меняет разрешение, глубину и ширину базовой сети, сети признаков и сетей предсказания рамок и классов, это позволяет создавать модели EfficientDet от компактной d0 до крупнейшей d7.

Преимущества и недостатки#

EfficientDet отличается высокой эффективностью по числу параметров. По сравнению с более ранними детекторами объектов она обеспечивает высокий показатель средней точности (mAP) при относительно небольшом количестве параметров. Однако эталонная реализация построена на TensorFlow, что усложняет управление зависимостями, замедляет циклы обучения и требует больше памяти при обучении, чем оптимизированные реализации на PyTorch. Инференс на современных GPU также заметно медленнее, чем у новых архитектур YOLO.

Подробнее об EfficientDet

Подробное сравнение производительности#

В таблице ниже сопоставлены технические характеристики YOLOv6-3.0 и EfficientDet по различным метрикам. Обрати внимание: YOLOv6-3.0 лидирует по скорости на GPU, а EfficientDet масштабируется до более высокого mAP ценой существенной задержки.

Преимущества экосистемы Ultralytics#

YOLOv6-3.0 и EfficientDet подходят для определённых ниш, но современным проектам в области компьютерного зрения нужны универсальность, простота использования и хорошо сопровождаемая экосистема. Это сильные стороны моделей Ultralytics YOLO.

Удобство использования и эффективность обучения#

В отличие от EfficientDet, для которой нужно разбираться в сложных конфигурациях TensorFlow, модели Ultralytics построены на понятной основе PyTorch и используют единый API Python. Платформа Ultralytics охватывает остальные этапы жизненного цикла машинного обучения — от аннотирования до развёртывания. Для обучения модели Ultralytics обычно требуется меньше памяти CUDA, что ускоряет эксперименты и снижает вычислительные затраты.

Универсальность#

YOLOv6-3.0 и EfficientDet в основном ограничены задачей детекции объектов. В отличие от них, современные архитектуры Ultralytics изначально поддерживают несколько задач. Единый интерфейс позволяет обучать модели для сегментации экземпляров, семантической сегментации, оценки глубины, классификации изображений, оценки позы и детекции ориентированных ограничивающих рамок (OBB); семантическая сегментация и оценка глубины доступны в YOLO26.

Представляем Ultralytics YOLO26#

Разработчикам, которым нужен оптимальный баланс скорости и точности, рекомендуется модель Ultralytics YOLO26. Выпущенная в январе 2026 года, она предлагает ряд улучшений по сравнению с YOLOv6 и EfficientDet:

• Сквозная архитектура без NMS: Опциональная голова YOLO26 с назначением один-к-одному (nms=False) устраняет необходимость в постобработке методом подавления немаксимумов (NMS), сокращая разброс задержки и упрощая логику развёртывания на периферийных устройствах.
• Оптимизатор MuSGD: Этот гибрид SGD и Muon, вдохновлённый обучением больших языковых моделей (LLM), обеспечивает стабильное обучение и более быструю сходимость.
• Инференс на CPU до 43% быстрее: После удаления Distribution Focal Loss (DFL) YOLO26n работает на CPU до 43% быстрее, чем YOLO11n, что делает её подходящей для маломощных устройств IoT.
• ProgLoss + STAL: Прогрессивная функция потерь и назначение меток с учётом малых объектов улучшают распознавание небольших объектов, благодаря чему YOLO26 отлично подходит для приложений с дронами и аэрофотоснимками.

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:

• 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 только с CPU: устройства без выделенного ускорителя GPU, на которых YOLO26n работает на CPU до 43% быстрее YOLO11n.
• Обнаружение мелких объектов: сложные сценарии, например съемка с дронов или анализ данных датчиков IoT, где ProgLoss и STAL повышают точность распознавания 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
prediction = model("https://ultralytics.com/images/bus.jpg")

Другие модели, которые стоит рассмотреть#

Если ты рассматриваешь другие модели для детекции объектов, обрати внимание на следующие альтернативы:

• YOLO11: Предшественница YOLO26, поддерживающая несколько задач и располагающая большим сообществом.
• 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 реальных приложений — от мобильного развёртывания на периферийных устройствах до облачной аналитики — экосистема Ultralytics предлагает удачный баланс производительности. Используя YOLO26, разработчики получают возможность включать инференс без NMS, улучшенные функции потерь для небольших объектов и единый, хорошо документированный конвейер обучения, сокращающий путь от прототипа до промышленной эксплуатации.