YOLOv8 и EfficientDet
В быстро развивающейся области обнаружения объектов выбор подходящей архитектуры нейронной сети важен для баланса между точностью, скоростью инференса и возможностью развёртывания. В этом техническом сравнении рассматриваются две влиятельные архитектуры: Ultralytics YOLOv8 — универсальный стандарт современной экосистемы компьютерного зрения — и EfficientDet, базовая модель Google, известная стратегией составного масштабирования.
Понимание различий между этими моделями поможет выбрать подходящую независимо от того, планируешь ли ты развёртывание 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#
YOLOv8 выпустила компания Ultralytics в январе 2023 года, и это стало важным шагом вперёд для семейства YOLO. Модель разработали Glenn Jocher, Ayush Chaurasia и Jing Qiu; изначально её проектировали для поддержки нескольких задач компьютерного зрения, включая обнаружение объектов, сегментацию экземпляров, классификацию изображений и оценку позы.
В архитектуре используется безанкерная голова обнаружения, которая сокращает количество предсказаний рамок и ускоряет Non-Maximum Suppression (NMS). В магистральной сети применяется модуль C2f (бутылочное горлышко Cross-Stage Partial с двумя свёртками), который улучшает распространение градиента во время обучения, сохраняя компактность модели. Благодаря этому YOLOv8 эффективно работает после компиляции в такие форматы, как NVIDIA TensorRT и ONNX.
EfficientDet#
EfficientDet разработали Mingxing Tan, Ruoming Pang и Quoc V. Le из Google; модель выпустили в конце 2019 года с акцентом на масштабируемую эффективность. Как описано в официальной статье на arXiv, модель основана на исследованиях Google в области AutoML.
Ключевая особенность EfficientDet — двунаправленная пирамидальная сеть признаков (BiFPN), которая упрощает и ускоряет слияние признаков разных масштабов. В сочетании с магистральной сетью EfficientNet архитектура применяет метод составного масштабирования, одновременно и равномерно изменяя разрешение, глубину и ширину магистральной сети, сети признаков и сетей предсказания рамок и классов. Это обеспечивает отличную эффективность по числу параметров, но сложная топология сети обычно работает на GPU медленнее, чем можно было бы ожидать по небольшому количеству FLOP.
Сравнение производительности и метрик#
При сравнении детекторов объектов главными метриками служат средняя точность (mAP) и задержка инференса. В таблице ниже показано сравнение вариантов YOLOv8 и семейства EfficientDet (d0–d7) по стандартным метрикам на датасете COCO.
| Модель | размер (пиксели) | mAPval50-95 | 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 | 512 | 34.6 | - | 3.92 | 3.9 | 2.54 |
| EfficientDet-d1 | 640 | 40.5 | - | 7.31 | 6.6 | 6.1 |
| EfficientDet-d2 | 768 | 43.0 | - | 10.92 | 8.1 | 11.0 |
| EfficientDet-d3 | 896 | 47.5 | - | 19.59 | 12.0 | 24.9 |
| EfficientDet-d4 | 1024 | 49.7 | - | 33.55 | 20.7 | 55.2 |
| EfficientDet-d5 | 1280 | 51.5 | - | 67.86 | 33.7 | 130.0 |
| EfficientDet-d6 | 1280 | 52.6 | - | 89.29 | 51.9 | 226.0 |
| EfficientDet-d7 | 1536 | 53.7 | - | 128.07 | 51.9 | 325.0 |
Хотя EfficientDet обеспечивает конкурентную точность при меньшем количестве FLOPs, Ultralytics YOLOv8 значительно быстрее на GPU. Например, YOLOv8x достигает немного более высокого mAP (53,9), чем EfficientDet-d7 (53,7), но работает примерно в 9 раз быстрее на GPU T4 (14,37 мс против 128,07 мс), поэтому YOLOv8 отлично подходит для аналитики видео в реальном времени.
Методики обучения и экосистема#
Опыт разработчика — важный фактор при выборе архитектуры машинного обучения, а поддержка сообщества и инструменты экосистемы у этих моделей существенно различаются.
EfficientDet во многом зависит от TensorFlow и специализированных конвейеров AutoML. Эти инструменты подходят для крупномасштабного распределённого обучения в облаке, но настройка окружения, корректировка якорей и разбор сложных файлов конфигурации в репозитории EfficientDet на GitHub могут потребовать немало усилий.
В отличие от EfficientDet, Ultralytics YOLOv8 изначально построена на PyTorch и разработана с упором на простоту использования. Разработчики могут начать обучение одной строкой кода Python или одной командой CLI. Использование памяти при обучении также оптимизировано, поэтому разработчики с обычными потребительскими GPU могут обучать эффективные модели и реже сталкиваться с нехваткой памяти (OOM), которая часто возникает у архитектур с большим количеством Transformer.
Ultralytics Platform предоставляет интерфейс без написания кода для разметки датасетов, обучения моделей и развёртывания в облаке, а встроенная настройка гиперпараметров помогает оптимизировать точность на собственных датасетах.
Пример кода Python: инференс YOLOv8#
Для обучения и запуска YOLOv8 с помощью репозитория Ultralytics на GitHub достаточно нескольких строк кода:
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 остаётся эффективной моделью для производства, разработчикам новых проектов стоит оценить Ultralytics YOLO26, выпущенную в январе 2026 года и ставшую рекомендуемой моделью Ultralytics.
YOLO26 предлагает нативную сквозную архитектуру без NMS. Дополнительная голова один-к-одному (nms=False) устраняет постобработку NMS — этап, который использовался начиная с ранних версий YOLO. Это снижает разброс задержки и упрощает развёртывание на устройствах с низким энергопотреблением.
В YOLO26 также добавлен ряд улучшений обучения и архитектуры:
- Оптимизатор MuSGD: этот гибрид SGD и Muon, вдохновлённый методами обучения больших языковых моделей (LLM), обеспечивает стабильное обучение и более быструю сходимость.
- До 43% более высокая скорость инференса на CPU: после удаления NMS и DFL YOLO26n работает на CPU до 43% быстрее YOLO11n при инференсе ONNX, что подходит для периферийных устройств, работающих только на CPU и не имеющих выделенных NPU.
- ProgLoss + STAL: прогрессивная функция потерь и назначение меток с учётом малых объектов (STAL) улучшают обнаружение мелких объектов, что полезно для аэрофотоснимков и приложений с IoT-камерами.
- Удаление DFL: удаление Distribution Focal Loss 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 разрабатываешь универсальные приложения компьютерного зрения, которым нужны высокая точность, инференс на GPU в реальном времени и простой рабочий процесс. Высокая производительность при выполнении задач обнаружения объектов, сегментации и классификации делает модель универсальным решением для аналитики в розничной торговле, 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. YOLO26 — актуальная рекомендуемая модель Ultralytics, а её нативная сквозная архитектура без NMS подходит как для быстрого развёртывания на периферии, так и для крупномасштабной обработки в облаке.
Если ты изучаешь другие модели экосистемы Ultralytics, рассмотри Ultralytics YOLO11 как проверенный баланс скорости и точности или RT-DETR как подход к обнаружению объектов в реальном времени на основе Transformer.
Комментарии1
Задай вопрос, поделись результатами или помоги кому-нибудь.
extremezero9023(изменено)
Great technical breakdown! EfficientDet is known for its excellent accuracy-to-efficiency ratio, especially in resource-constrained environments. However, this YOLOv8 comparison highlights how v8 brings better versatility, faster inference times, and an easier training pipeline. While EfficientDet excels in structured setups, YOLOv8 feels more production-ready for dynamic and real-time use cases.