YOLOv6-3.0 против EfficientDet#

Выбор оптимальной архитектуры для проектов по computer vision требует глубокого понимания компромиссов между скоростью, точностью и возможностью развертывания. Эта страница сравнения представляет собой подробный анализ двух различных моделей обнаружения объектов: YOLOv6-3.0 и EfficientDet. Хотя обе модели внесли значительный вклад в эту область, современные краевые развертывания 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 лучше понять их профили задержки и точности.

YOLOv6-3.0: промышленная пропускная способность#

Модель YOLOv6-3.0 была специально разработана компанией Meituan как высокопроизводительный одноэтапный фреймворк для обнаружения объектов, адаптированный для промышленных задач. Она делает основной упор на максимальную пропускную способность при работе на GPU, что делает её отличным кандидатом для высокоскоростных производственных линий и оффлайн-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 опирается на модуль двунаправленной конкатенации (BiC) для улучшения слияния признаков в различных масштабах. Для обеспечения высокой скорости инференса в ней используется бэкбон EfficientRep, который отлично оптимизирован для выполнения на GPU. Кроме того, в ней применяется стратегия обучения с поддержкой якорей (AAT), объединяющая преимущества детекторов как на основе якорей, так и безякорных детекторов на этапе обучения при сохранении безякорного конвейера инференса для снижения задержки.

Сильные и слабые стороны#

YOLOv6-3.0 отлично проявляет себя в средах, где доступно специализированное аппаратное обеспечение GPU, обеспечивая невероятно быстрый реальный инференс с использованием TensorRT. Однако ее сильная зависимость от конкретных аппаратных оптимизаций может приводить к неоптимальной производительности на краевых ИИ-устройствах только с CPU. Кроме того, хотя она поддерживает некоторую квантизацию, в экосистеме отсутствует всеобъемлющая простота современных фреймворков Ultralytics.

Узнай больше о YOLOv6

EfficientDet: масштабируемая архитектура AutoML#

Разработанный Google Research, EfficientDet использует принципиально иной подход. Вместо создания сети вручную авторы задействовали автоматизированное машинное обучение (AutoML) для проектирования масштабируемой архитектуры, которая балансирует параметры, FLOPs и точность.

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

Архитектурные особенности#

EfficientDet представила двунаправленную пирамидальную сеть признаков (BiFPN), которая позволяет легко и быстро выполнять слияние признаков на нескольких масштабах. В сочетании с методом составного масштабирования, равномерно меняющим разрешение, глубину и ширину для всех сетей бэкбона, сети признаков и сетей предсказания боксов/классов, модели EfficientDet варьируются от очень компактной d0 до массивной d7.

Сильные и слабые стороны#

EfficientDet отличается высокой эффективностью использования параметров. Она достигает высокой средней точности в распознавании (mAP) с относительно небольшим количеством параметров по сравнению со старыми детекторами объектов. Однако эта архитектура глубоко укоренилась в устаревших экосистемах TensorFlow. Это приводит к сложному управлению зависимостями, более медленным циклам обучения и более высоким требованиям к памяти в процессе обучения по сравнению с оптимизированными реализациями PyTorch. Более того, скорость ее инференса на современных GPU значительно ниже, чем у современных архитектур YOLO.

Узнай больше об EfficientDet

Детальное сравнение производительности#

В таблице ниже сравниваются технические характеристики YOLOv6-3.0 и EfficientDet по различным метрикам. Обрати внимание, как YOLOv6-3.0 доминирует по скорости GPU, в то время как EfficientDet позволяет достичь более высокого mAP ценой значительной задержки.

Преимущества экосистемы Ultralytics#

Хотя YOLOv6-3.0 и EfficientDet служат для определенных ниш, современные проекты computer vision требуют универсальности, простоты использования и хорошо поддерживаемой экосистемы. Именно здесь модели Ultralytics YOLO действительно превосходят остальных.

Простота использования и эффективность обучения#

В отличие от EfficientDet, которая требует работы со сложными конфигурациями TensorFlow, модели Ultralytics построены на интуитивно понятной основе PyTorch. Ultralytics Platform предлагает упорядоченный API, который упрощает весь жизненный цикл машинного обучения. Обучение модели Ultralytics требует значительно меньше памяти CUDA, что ускоряет эксперименты и снижает затраты на вычисления.

Непревзойденная универсальность#

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

Представляем Ultralytics YOLO26#

Для разработчиков, ищущих идеальный баланс производительности, Ultralytics YOLO26 представляет собой смену парадигмы. Выпущенная в январе 2026 года, она представляет несколько прорывных инноваций, которые превосходят как YOLOv6, так и EfficientDet:

• Дизайн End-to-End без NMS: YOLO26 нативно устраняет необходимость в постобработке методом подавления немаксимумов (NMS), значительно снижая разброс задержек и упрощая логику внедрения на периферийных устройствах.
• Оптимизатор MuSGD: Вдохновленный обучением LLM, этот гибридный оптимизатор обеспечивает стабильное обучение и невероятно быструю сходимость.
• До 43% более быстрый вывод на CPU: Благодаря удалению распределенной фокусной потери (DFL), YOLO26 значительно эффективнее работает на CPU и IoT-устройствах с низким энергопотреблением по сравнению с устаревшими моделями.
• ProgLoss + STAL: Эти передовые функции потерь обеспечивают значительные улучшения в распознавании мелких объектов, что делает YOLO26 идеальной для применения в дронах и при анализе аэрофотоснимков.

Узнай больше о YOLO26

Сценарии использования и рекомендации#

Выбор между YOLOv6 и EfficientDet зависит от требований твоего конкретного проекта, ограничений при внедрении и предпочтений в экосистеме.

Когда выбирать YOLOv6#

YOLOv6 — сильный выбор для:

• Промышленного внедрения с учетом оборудования: сценарии, где аппаратная ориентированность модели и эффективная репараметризация обеспечивают оптимизированную производительность на конкретном целевом оборудовании.
• Быстрого одноэтапного обнаружения: приложения, где приоритетом является чистая скорость вывода на GPU для обработки видео в реальном времени в контролируемых условиях.
• Интеграция с экосистемой Meituan: Команды, уже работающие в стеке технологий и инфраструктуре развертывания Meituan's.

Когда стоит выбрать EfficientDet#

EfficientDet рекомендуется для:

• Конвейеры Google Cloud и TPU: Системы с глубокой интеграцией в Google Cloud Vision API или инфраструктуру TPU, где EfficientDet имеет встроенную оптимизацию.
• Исследования составного масштабирования: Академическое тестирование, сфокусированное на изучении эффектов сбалансированного масштабирования глубины, ширины и разрешения сети.
• Мобильное развертывание через TFLite: Проекты, которым специально требуется экспорт TensorFlow Lite для Android или встраиваемых устройств Linux.

Когда выбирать Ultralytics (YOLO26)#

Для большинства новых проектов Ultralytics YOLO26 предлагает наилучшее сочетание производительности и удобства для разработчика:

• Развертывания на периферии без NMS: приложений, требующих стабильного вывода с низкой задержкой без сложности постобработки подавления немаксимумов.
• Среды только с CPU: устройств без выделенного GPU-ускорения, где до 43% более быстрый вывод на CPU у YOLO26 дает решающее преимущество.
• Обнаружение малых объектов: Сложные сценарии, такие как aerial drone imagery или анализ с помощью IoT-сенсоров, где ProgLoss и STAL значительно повышают точность для крошечных объектов.

Пример реализации: обучение YOLO26#

Следующий код демонстрирует простоту экосистемы Ultralytics. Обучение современной модели так же просто, как загрузка весов и указание пути к твоим 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 для рассмотрения#

Если ты изучаешь более широкий ландшафт моделей компьютерного зрения, рассмотри следующие альтернативы:

• YOLO11: Весьма успешный предшественник YOLO26, предлагающий надежные многозадачные возможности и обширную поддержку сообщества.
• YOLOv10: Первая архитектура YOLO, внедрившая обучение без NMS, проложившая путь к современному сквозному обнаружению.
• RT-DETR: Для сценариев, где архитектуры на основе трансформеров и механизмы внимания предпочтительнее традиционных сверточных сетей (CNN).

Заключение#

Хотя YOLOv6-3.0 обеспечивает отличную промышленную пропускную способность GPU, а EfficientDet демонстрирует потенциал AutoML в создании масштабируемых и эффективных с точки зрения параметров сетей, обе модели имеют ограничения в простоте развертывания и современной многозадачной гибкости.

Для подавляющего большинства реальных приложений — от развертывания на мобильных краевых устройствах до облачной аналитики — экосистема Ultralytics обеспечивает непревзойденный баланс производительности. Приняв YOLO26, разработчики получают доступ к передовому инференсу без NMS, продвинутым функциям потерь для мелких объектов и единому, хорошо документированному конвейеру обучения, который значительно ускоряет путь от прототипа к продакшену.