YOLOv8 и EfficientDet#
В быстро развивающейся области обнаружения объектов выбор оптимальной архитектуры нейросети критически важен для баланса точности, скорости инференса и удобства развертывания. В этом подробном техническом сравнении рассматриваются две влиятельные архитектуры: Ultralytics YOLOv8 — универсальный стандарт современной экосистемы компьютерного зрения — и EfficientDet, базовая модель Google, известная методом комплексного масштабирования.
Понимание особенностей архитектуры этих моделей поможет добиться успеха в проекте независимо от того, планируешь ли ты развертывать их на высокопроизводительных облачных серверах или на периферийных устройствах с ограниченными ресурсами.
Обзор архитектур#
Обе модели обнаруживают объекты на изображении и определяют их местоположение с помощью сверточных нейронных сетей, но используют разные методы извлечения признаков и регрессии ограничивающих рамок.
Ultralytics YOLOv8#
Выпущенная Ultralytics в январе 2023 года YOLOv8 стала крупным шагом вперед для семейства YOLO. Разработанная Гленном Джочером, Айушем Чаурасией и Цзин Цю, модель с самого начала создавалась для удобной работы с несколькими задачами компьютерного зрения, включая обнаружение объектов, сегментацию экземпляров, оценку позы и классификацию изображений.
В архитектуре используется безанкорная голова обнаружения, которая значительно сокращает число предсказаний рамок и ускоряет подавление немаксимумов (NMS). В основе модели лежит новый модуль C2f (узкое место Cross-Stage Partial с двумя свертками), улучшающий прохождение градиентов во время обучения при сохранении компактности модели. Благодаря этому YOLOv8 работает особенно эффективно при компиляции в такие форматы, как NVIDIA TensorRT и ONNX.
EfficientDet#
Разработанная Минсином Танем, Жуомином Панем и Куок В. Ле из Google и выпущенная в конце 2019 года, EfficientDet ориентирована на масштабируемую эффективность. Как описано в официальной статье на arXiv, модель активно использует экосистему AutoML.
Ключевая особенность EfficientDet — двунаправленная пирамидальная сеть признаков (BiFPN), которая упрощает и ускоряет объединение признаков разных масштабов. В сочетании с основой EfficientNet архитектура использует метод комплексного масштабирования, который одновременно и равномерно изменяет разрешение, глубину и ширину основы, сети признаков и сетей предсказания рамок и классов. Это обеспечивает высокую эффективность использования параметров, однако из-за сложной структуры сети модели нередко не удается добиться оптимальной скорости работы в реальном времени на обычных GPU.
Сравнение производительности и метрик#
При сравнении детекторов объектов основными метриками служат средняя точность (mAP) и задержка инференса. В таблице ниже показано сравнение моделей YOLOv8 и семейства EfficientDet (d0–d7) по стандартным метрикам на таких наборах данных, как COCO.
| Модель | размер (пиксели) | mAPval 50-95 | Скорость CPU ONNX (мс) | Скорость T4 TensorRT10 (мс) | параметры (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv8n | 640 | 37.3 | 80.4 | 1.47 | 3.2 | 8.7 |
| YOLOv8s | 640 | 44.9 | 128.4 | 2.66 | 11.2 | 28.6 |
| YOLOv8m | 640 | 50.2 | 234.7 | 5.86 | 25.9 | 78.9 |
| YOLOv8l | 640 | 52.9 | 375.2 | 9.06 | 43.7 | 165.1 |
| YOLOv8x | 640 | 53.9 | 479.1 | 14.37 | 68.2 | 257.8 |
| EfficientDet-d0 | 640 | 34.6 | 10.2 | 3.92 | 3.9 | 2.54 |
| EfficientDet-d1 | 640 | 40.5 | 13.5 | 7.31 | 6.6 | 6.1 |
| EfficientDet-d2 | 640 | 43.0 | 17.7 | 10.92 | 8.1 | 11.0 |
| EfficientDet-d3 | 640 | 47.5 | 28.0 | 19.59 | 12.0 | 24.9 |
| EfficientDet-d4 | 640 | 49.7 | 42.8 | 33.55 | 20.7 | 55.2 |
| EfficientDet-d5 | 640 | 51.5 | 72.5 | 67.86 | 33.7 | 130.0 |
| EfficientDet-d6 | 640 | 52.6 | 92.8 | 89.29 | 51.9 | 226.0 |
| EfficientDet-d7 | 640 | 53.7 | 122.0 | 128.07 | 51.9 | 325.0 |
Хотя EfficientDet демонстрирует достойную точность при меньшем расчетном количестве операций с плавающей запятой, Ultralytics YOLOv8 значительно превосходит ее по скорости инференса на GPU в реальных условиях. Например, mAP модели YOLOv8x немного выше, чем у EfficientDet-d7 (53,9 против 53,7), но на GPU T4 изображения обрабатываются значительно быстрее (14,37 мс против 128,07 мс). Поэтому YOLOv8 — очевидный выбор для видеоаналитики в реальном времени.
Методики обучения и экосистема#
Удобство разработки — важный фактор при выборе архитектуры машинного обучения. Именно здесь поддержка сообщества открытого исходного кода и инструменты экосистемы дают моделям существенные преимущества друг перед другом.
EfficientDet сильно зависит от TensorFlow и специализированных конвейеров AutoML. Они подходят для распределенного облачного обучения в больших масштабах, но быстрая инженерная команда может столкнуться с трудностями при настройке окружения, корректировке якорей и разборе сложных файлов конфигурации в репозитории EfficientDet на GitHub.
В отличие от нее, Ultralytics YOLOv8 изначально создана на PyTorch и отличается непревзойденной простотой использования. Разработчики могут запустить сложный цикл обучения одной строкой кода Python или командой CLI. Кроме того, требования модели к памяти при обучении тщательно оптимизированы: YOLOv8 позволяет разработчикам обучать надежные модели на обычных пользовательских GPU без ошибок нехватки памяти (OOM), которые часто возникают при работе с архитектурами на основе Transformer.
Благодаря удобной интеграции с платформой Ultralytics можно работать без кода: размечать наборы данных, обучать модели и развертывать их в облаке одним щелчком. Такие функции, как автоматическая настройка гиперпараметров, помогают добиваться максимальной точности на собственных наборах данных.
Пример кода Python: инференс YOLOv8#
Запустить современный детектор из репозитория Ultralytics на GitHub очень просто:
from ultralytics import YOLO
# Инициализируй модель YOLOv8 непосредственно в PyTorch
model = YOLO("yolov8n.pt")
# Обучи модель на примере набора данных COCO8
train_results = model.train(data="coco8.yaml", epochs=50, imgsz=640)
# Запусти быстрый инференс для изображения по URL
inference_results = model("https://ultralytics.com/images/bus.jpg")
# Отобрази ограничивающие рамки
inference_results[0].show()Следующее поколение: переход на Ultralytics YOLO26#
Хотя YOLOv8 остается мощной production-моделью, исследователям и разработчикам, которым нужны самые передовые возможности ИИ, стоит оценить Ultralytics YOLO26, выпущенную в январе 2026 года.
YOLO26 меняет подход к обнаружению объектов благодаря встроенной сквозной архитектуре без NMS. Удаление этапа подавления немаксимумов при постобработке с помощью дополнительной головы «один к одному» (nms=False) устраняет узкое место, существовавшее с первых версий YOLO, и практически полностью ликвидирует колебания задержки. Это кардинально меняет возможности развертывания на маломощных устройствах.
Кроме того, в YOLO26 реализовано несколько революционных улучшений обучения:
- Оптимизатор MuSGD: Этот гибрид SGD и Muon, вдохновленный современными методами обучения LLM, обеспечивает высокую стабильность обучения и значительно ускоряет сходимость.
- Инференс на CPU до 43% быстрее: Благодаря отказу от NMS и значительно оптимизированной основе YOLO26 обеспечивает беспрецедентную скорость на периферийных устройствах с одним CPU без выделенных NPU.
- ProgLoss + STAL: Эти усовершенствованные функции потерь значительно повышают точность распознавания небольших объектов, делая YOLO26 незаменимой для аэрофотосъемки и высокоточных датчиков IoT.
- Отказ от DFL: Distribution Focal Loss полностью исключена, что значительно упрощает экспорт в такие форматы, как OpenVINO и CoreML.
Сценарии использования и рекомендации#
Выбор между этими архитектурами в конечном счете зависит от ограничений при развертывании и требований к совместимости с устаревшими системами.
- Выбирай Ultralytics YOLOv8, если: Ты создаешь современные универсальные приложения компьютерного зрения, которым нужны высокая точность, инференс на GPU в реальном времени и удобная разработка. Высокая производительность в задачах классификации, сегментации и обнаружения объектов делает YOLOv8 мощным универсальным решением для розничной аналитики, робототехники и систем безопасности.
- Выбирай EfficientDet, если: Ты ограничен устаревшими рабочими процессами TensorFlow и в первую очередь стремишься уменьшить число параметров и расчетное количество операций с плавающей запятой, например для исследований, а не для строгих требований промышленного развертывания в реальном времени.
- Выбирай Ultralytics YOLO26, если: Ты начинаешь новый проект и тебе нужно самое лучшее решение. Ее встроенная сквозная архитектура без NMS — оптимальный выбор как для сверхбыстрого развертывания на периферийных устройствах, так и для ресурсоемкой облачной обработки.
Если ты рассматриваешь другие мощные платформы экосистемы Ultralytics, обрати внимание на Ultralytics YOLO11 для сбалансированной производительности и обратной совместимости или на RT-DETR — трансформерный подход к обнаружению объектов в реальном времени.