YOLOv7 и EfficientDet#

Выбор оптимальной архитектуры нейронной сети — основа любого успешного проекта в области компьютерного зрения. В этом руководстве приведено подробное техническое сравнение двух знаковых моделей в истории архитектур обнаружения объектов: YOLOv7 и EfficientDet. Изучив их архитектурные инновации, методики обучения и оптимальные сценарии развертывания, разработчики смогут принимать обоснованные решения. Мы также рассмотрим, как современные достижения, в частности революционная Ultralytics YOLO26, изменили современный уровень качества.

Происхождение моделей и технические детали#

Обе модели разработаны известными исследовательскими командами и внесли значительный вклад в развитие машинного обучения.

YOLOv7

• Авторы: Chien-Yao Wang, Alexey Bochkovskiy и Hong-Yuan Mark Liao
• Организация: Институт информационных наук, Academia Sinica, Тайвань
• Дата: 2022-07-06
• Arxiv: YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors
• GitHub: WongKinYiu/yolov7
• Документация: Документация Ultralytics YOLOv7

Узнай больше о YOLOv7

EfficientDet

• Авторы: Mingxing Tan, Ruoming Pang и Quoc V. Le
• Организация: Google Research
• Дата: 20.11.2019
• Arxiv: EfficientDet: масштабируемое и эффективное детектирование объектов
• GitHub: Google AutoML EfficientDet

Узнай больше об EfficientDet

Архитектурные различия и сбалансированный анализ#

Понимание фундаментальных структурных различий между этими сетями имеет решающее значение для эффективного развертывания моделей.

EfficientDet: составное масштабирование и BiFPN#

Разработанная в экосистеме TensorFlow, EfficientDet предложила системный подход к масштабированию моделей. Вместо произвольного расширения или углубления сети исследователи Google применили метод составного масштабирования, который равномерно изменяет разрешение, глубину и ширину.

Кроме того, EfficientDet представила двунаправленную пирамиду признаков (BiFPN). Этот архитектурный компонент обеспечивает простое и быстрое слияние признаков разных масштабов.

Преимущества: высокая эффективность использования параметров: модель обеспечивает высокий показатель средней точности (mAP) при меньшем количестве FLOPs, чем многие современные ей модели. Недостатки: сильная зависимость от устаревших стратегий поиска AutoML. Интеграция в современные динамические рабочие процессы PyTorch может быть сложной, а задержка на периферийных устройствах часто выше ожидаемой, несмотря на небольшое количество FLOPs.

YOLOv7: обучаемый набор бесплатных улучшений#

YOLOv7 уделяла приоритетное внимание инференсу в реальном времени и оптимизации обучения. В ней была представлена концепция расширенной эффективной сети агрегации слоев (E-ELAN), которая позволяет модели непрерывно изучать более разнообразные признаки, не разрушая исходный путь градиента. YOLOv7 также использовала технику под названием «обучаемый набор бесплатных улучшений», которая значительно повышает точность обнаружения без увеличения затрат на инференс.

Преимущества: исключительная скорость обработки и благоприятная задержка инференса, что делает модель идеальной для видеопотоков с высокой частотой кадров. Недостатки: несмотря на высокую эффективность, модель по-прежнему использует якорные блоки и требует подавления немаксимумов (NMS) на этапе постобработки, что может создавать узкое место по задержке в сценах с высокой плотностью объектов.

Метрики производительности и бенчмарки#

В таблице ниже сопоставлены ключевые метрики производительности, чтобы разработчики могли оценить компромиссы между скоростью, количеством параметров и точностью.

Как видно, хотя EfficientDet-d7 достигает высокого показателя mAP, ее скорость в TensorRT значительно уступает вариантам YOLOv7, что подчеркивает превосходство последних в обнаружении объектов в реальном времени с ускорением на GPU.

Эволюция обнаружения объектов: YOLO26#

Хотя YOLOv7 и EfficientDet заложили важную основу, ландшафт ИИ для компьютерного зрения быстро меняется. Для современных приложений, которым требуются абсолютные максимумы эффективности и точности, мы настоятельно рекомендуем перейти на YOLO26, выпущенную в январе 2026 года.

YOLO26 устраняет присущие предыдущим поколениям ограничения, предлагая беспрецедентную [универсальность](https://ultralytics-translation-0.invalid в задачах обнаружения объектов, сегментации экземпляров, классификации изображений и оценки позы.

Ключевые инновации YOLO26#

• Сквозная архитектура без NMS: YOLO26 изначально устраняет постобработку с подавлением немаксимумов (NMS). Впервые предложенная в YOLOv10, эта технология упрощает логику развертывания и гарантирует стабильное выполнение с низкой задержкой независимо от плотности объектов.
• Удаление DFL: удаление распределенной фокальной функции потерь (DFL) значительно упрощает архитектуру модели и повышает совместимость с сильно ограниченными средами периферийных вычислений.
• До 43% более быстрый инференс на CPU: модель тщательно оптимизирована для сред без выделенных GPU, что обеспечивает экспоненциально более высокую скорость по сравнению с EfficientDet на легковесном оборудовании.
• Оптимизатор MuSGD: этот гибрид SGD и Muon, вдохновленный методами больших языковых моделей, такими как Kimi K2 от Moonshot AI, обеспечивает стабильность уровня LLM и быструю сходимость при обучении моделей компьютерного зрения.
• ProgLoss + STAL: эти продвинутые функции потерь обеспечивают заметное улучшение распознавания малоразмерных объектов, что особенно важно для аэрофотоснимков и приложений с дронами.
• Улучшения для конкретных задач: включают функцию потерь семантической сегментации и multi-scale proto для задач сегментации, оценивание остаточного логарифмического правдоподобия (RLE) для сложной оценки позы и специализированную функцию потерь угла, предназначенную для устранения проблем с границами ориентированных ограничивающих рамок (OBB).

Для команд, использующих устаревшие системы, переход на Ultralytics Platform открывает оптимизированный рабочий процесс, в котором эти передовые модели можно легко обучать и разворачивать. Разработчики также могут рассмотреть предыдущие надежные версии, такие как YOLO11 и YOLOv8, в зависимости от конкретных требований к обратной совместимости.

Оптимизированное обучение и простота использования#

Одной из ключевых характеристик моделей Ultralytics является исключительная простота использования. В отличие от сложной настройки EfficientDet с множеством зависимостей в средах TensorFlow AutoML, Ultralytics предоставляет простой API в стиле Python.

Эта среда минимизирует использование памяти CUDA во время обучения, благодаря чему даже большие наборы данных можно эффективно обрабатывать без ошибок нехватки памяти (OOM), часто возникающих в громоздких архитектурах на базе Transformer.

Пример кода: начало работы с Ultralytics#

Следующий фрагмент демонстрирует, как разработчики могут использовать пакет Ultralytics для бесшовного обучения современной модели YOLO26 сразу после установки.

from ultralytics import YOLO

# Initialize the state-of-the-art YOLO26 model for object detection
model = YOLO("yolo26n.pt")

# Train the model effortlessly using the integrated Ultralytics ecosystem
results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    device=0,  # Auto-selects optimal device
    batch=16,
)

# Validate the model's performance
metrics = model.val()
print(f"Validation mAP50-95: {metrics.box.map}")

# Export the model for edge deployment (e.g., OpenVINO for CPU optimization)
model.export(format="openvino")

Оптимальные сценарии использования и реальные применения#

При проектировании решения крайне важно согласовать преимущества модели с конкретным вариантом использования.

Когда использовать EfficientDet#

EfficientDet по-прежнему подходит для устаревших академических исследований или сред, жестко привязанных к экосистеме Google Cloud, где эксперименты с составным масштабированием являются основной задачей. Ее младшие варианты (d0–d2) полезны при жестких ограничениях на абсолютный размер на диске.

Когда использовать YOLOv7#

YOLOv7 превосходит другие решения в высокопроизводительных устаревших конфигурациях, особенно когда интеграция с PyTorch предпочтительнее TensorFlow. Она по-прежнему широко используется в следующих областях:

• Видеоаналитика: обработка потоков с камер безопасности с высокой частотой кадров, где доступно ускорение GPU.
• Промышленный контроль: выявление дефектов на быстро движущихся сборочных линиях производства.

Когда стоит выбрать YOLO26#

Для всех новых развертываний YOLO26 является однозначно рекомендуемым выбором. Ее непревзойденный баланс производительности и надежная поддерживаемая экосистема делают ее оптимальным решением для:

• Умные города и управление дорожным движением: архитектура без NMS обеспечивает стабильную задержку инференса, жизненно важную для координации дорожного движения в реальном времени.
• Робототехника и автономные системы: впечатляющее повышение скорости инференса на CPU на 43% обеспечивает высокую отзывчивость алгоритмов навигации на встраиваемых устройствах.
• Сельскохозяйственный и аэровизуальный мониторинг: использование ProgLoss и STAL для точного обнаружения малоразмерных объектов, например отдельных сельскохозяйственных культур или диких животных, на снимках с большой высоты.

Подводя итог, можно сказать, что EfficientDet и YOLOv7 дают ценный исторический контекст и полезны в отдельных нишевых сценариях, однако современному инженеру по компьютерному зрению лучше выбрать архитектуру Ultralytics YOLO26, которая элегантно устраняет прежние узкие места и одновременно расширяет границы возможного в области искусственного интеллекта.