YOLOX и EfficientDet#

Развитие обнаружения объектов определялось постоянным стремлением сбалансировать скорость, точность и вычислительную эффективность. Две знаковые модели, оказавшие значительное влияние на это направление, — YOLOX и EfficientDet. Если YOLOX представила высокооптимизированную безъякорную архитектуру для семейства YOLO, то EfficientDet сосредоточилась на масштабируемой архитектуре с использованием составного масштабирования и BiFPN. В этом руководстве приведено подробное техническое сравнение их архитектур, показателей производительности и методик обучения, а также рассмотрены современные альтернативы, например передовая модель Ultralytics YOLO26.

Происхождение моделей и технические детали#

Прежде чем переходить к структурным различиям, важно понять происхождение обеих моделей и лежащие в их основе исследования.

Подробности о YOLOX:

• Авторы: Zheng Ge, Songtao Liu, Feng Wang, Zeming Li и Jian Sun
• Организация: Megvii
• Дата: 18 июля 2021 г.
• ArXiv: YOLOX: Превосходя серию YOLO в 2021 году
• GitHub: Megvii-BaseDetection/YOLOX
• Документация: официальная документация YOLOX

Узнай больше о YOLOX

Сведения об EfficientDet:

• Авторы: Mingxing Tan, Ruoming Pang и Quoc V. Le
• Организация: Google Brain
• Дата: 20 ноября 2019 года
• ArXiv: EfficientDet: Масштабируемое и эффективное обнаружение объектов
• GitHub и документация: Google AutoML EfficientDet

Узнай больше об EfficientDet

Сравнение архитектур#

Фундаментальное различие между YOLOX и EfficientDet заключается в том, как они извлекают признаки и предсказывают ограничивающие рамки. Понимание этих архитектур обнаружения объектов имеет решающее значение для выбора подходящей модели под среду развёртывания.

YOLOX: новаторская безъякорная модель#

YOLOX произвела революцию в серии YOLO, перейдя от детектора на основе якорей к безъякорной архитектуре. Этот переход значительно сократил число параметров проектирования и упростил процесс обучения.

Ключевые архитектурные особенности включают разделённую голову, которая отделяет задачи классификации и регрессии. Это устраняет конфликт между определением того, что представляет собой объект, и точным предсказанием того, где он находится. Кроме того, YOLOX использует передовые стратегии назначения меток, такие как SimOTA, которые динамически назначают положительные образцы эталонным объектам во время обучения, обеспечивая более быструю сходимость и превосходный баланс производительности.

EfficientDet: составное масштабирование и BiFPN#

EfficientDet рассматривает обнаружение объектов с точки зрения эффективности и масштабируемости. Разработанная Google, она активно использует магистральную сеть EfficientNet для извлечения признаков.

Её определяющая особенность — двунаправленная пирамидальная сеть признаков (BiFPN). В отличие от традиционных FPN, BiFPN обеспечивает простое и быстрое слияние признаков разных масштабов благодаря обучаемым весам, которые позволяют учитывать важность различных входных признаков. В сочетании с методом составного масштабирования, равномерно изменяющим разрешение, глубину и ширину всех магистральных сетей, сетей признаков и сетей предсказания рамок и классов, EfficientDet масштабируется от моделей мобильного размера (d0) до огромных серверных моделей (d7).

Анализ производительности и метрик#

При оценке этих моделей для реальных приложений компьютерного зрения ключевое значение имеют такие показатели, как средняя точность, скорость инференса и количество параметров.

Анализ компромиссов#

Данные показывают явное расхождение в философии проектирования. EfficientDet-d7 достигает наивысшей общей точности с впечатляющим показателем mAP 53,7%, но за счёт огромного снижения скорости инференса (128,07 мс на GPU T4). В свою очередь, YOLOXx обеспечивает весьма конкурентоспособный показатель mAP 51,1% при высокой скорости инференса 16,1 мс, что делает её значительно более подходящей для понимания видео в реальном времени и робототехники.

Варианты применения и рекомендации#

Выбор между YOLOX и EfficientDet зависит от конкретных требований твоего проекта, ограничений развёртывания и предпочтений в отношении экосистемы.

Когда стоит выбрать YOLOX#

YOLOX — хороший выбор для:

• Исследования обнаружения без якорей: Академические исследования, в которых чистая безъякорная архитектура YOLOX используется как базовая модель для экспериментов с новыми головками обнаружения или функциями потерь.
• Сверхлёгкие периферийные устройства: Развертывание на микроконтроллерах или устаревшем мобильном оборудовании, где критически важен чрезвычайно малый размер варианта YOLOX-Nano (0.91M параметров).
• Исследования назначения меток SimOTA: Исследовательские проекты, изучающие стратегии назначения меток на основе оптимального транспорта и их влияние на сходимость обучения.

Когда стоит выбрать EfficientDet#

EfficientDet рекомендуется для:

• Конвейеров Google Cloud и TPU: систем, тесно интегрированных с Google Cloud Vision API или инфраструктурой TPU, где EfficientDet имеет нативную оптимизацию.
• Исследований составного масштабирования: академических бенчмарков, посвящённых изучению влияния сбалансированного масштабирования глубины, ширины и разрешения сети.
• Мобильного развертывания через TFLite: проектов, которым необходим экспорт в TensorFlow Lite для Android или встраиваемых устройств под управлением Linux.

Когда выбирать Ultralytics (YOLO26)#

Для большинства новых проектов Ultralytics YOLO26 предлагает лучшее сочетание производительности и удобства для разработчиков:

• Развертывания на периферийных устройствах без NMS: приложений, требующих стабильного вывода с низкой задержкой без сложной постобработки с подавлением немаксимумов.
• Сред без GPU: устройств без выделенного ускорения GPU, где до 43% более быстрый вывод YOLO26 на CPU дает решающее преимущество.
• Обнаружения мелких объектов: сложных сценариев, таких как аэрофотосъемка с дронов или анализ данных IoT-сенсоров, где ProgLoss и STAL значительно повышают точность обнаружения крошечных объектов.

Современная альтернатива: Ultralytics YOLO26#

Хотя YOLOX и EfficientDet стали важными этапами развития, область машинного обучения стремительно продвинулась вперёд. Разработчикам, которые хотят развернуть современные системы компьютерного зрения уже сегодня, настоятельно рекомендуется YOLO26 — последняя флагманская модель от Ultralytics, выпущенная в январе 2026 года.

YOLO26 предлагает хорошо поддерживаемую экосистему и огромный скачок вперёд как в скорости, так и в удобстве использования, превосходя устаревшие архитектуры по нескольким ключевым направлениям:

Ключевые инновации YOLO26#

• Сквозная архитектура без NMS: YOLO26 устраняет необходимость в постобработке подавления немаксимумов (NMS). Этот изначально сквозной подход, впервые применённый в предыдущих поколениях, упрощает процесс экспорта и значительно снижает задержку при развёртывании.
• До 43% более быстрый инференс на CPU: Благодаря глубокой оптимизации архитектуры и удалению Distribution Focal Loss (DFL) YOLO26 отличается высокой скоростью на периферийных устройствах без дискретных GPU, значительно опережая тяжёлые варианты EfficientDet.
• Оптимизатор MuSGD: Перенося инновации больших языковых моделей (LLM) в компьютерное зрение, YOLO26 использует оптимизатор MuSGD (гибрид SGD и Muon) для стабильного обучения и быстрой сходимости, обеспечивая отличную эффективность обучения.
• ProgLoss + STAL: Эти передовые функции потерь заметно повышают качество распознавания малых объектов, что особенно важно для таких сценариев, как эксплуатация дронов и анализ аэрофотоснимков.
• Непревзойдённая универсальность: В отличие от YOLOX, которая является исключительно детектором объектов, YOLO26 изначально поддерживает широкий спектр задач, включая сегментацию экземпляров, классификацию изображений, оценку позы и обнаружение ориентированных ограничивающих рамок (OBB).

Удобство использования с API Ultralytics#

Одно из наиболее значительных преимуществ моделей Ultralytics — оптимизированный пользовательский опыт. Для обучения и развёртывания модели YOLO26 требуется значительно меньше памяти, чем для сложных моделей Transformer, а сам процесс включает всего несколько строк кода на Python:

from ultralytics import YOLO

# Initialize the natively end-to-end YOLO26 model
model = YOLO("yolo26n.pt")

# Train the model effortlessly on your custom dataset
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Export the trained model to TensorRT for blazing-fast inference
model.export(format="engine", dynamic=True)

Для пользователей, предпочитающих визуальные интерфейсы, Ultralytics Platform предоставляет мощные инструменты для разметки наборов данных, настройки гиперпараметров и бесшовного развёртывания.

Практические сценарии использования#

Выбор подходящей архитектуры во многом зависит от конкретных ограничений твоего развёртывания.

Когда стоит выбрать EfficientDet#

EfficientDet по-прежнему представляет академический интерес для сред, где скорость инференса совершенно не важна, а единственной целью является максимальная теоретическая точность на изображениях высокого разрешения. Её реализация в экосистеме TensorFlow также может быть привлекательна для команд, поддерживающих устаревшую инфраструктуру Google.

Когда стоит выбрать YOLOX#

YOLOX подходит для приложений, которым требуется баланс скорости и точности без сложностей, связанных с якорными рамками. Исторически она хорошо показывала себя в сценариях промышленного производства, где требуется быстрое обнаружение дефектов на конвейерах.

Почему YOLO26 — превосходный выбор#

Для почти всех современных приложений YOLO26 предлагает оптимальное решение. Её архитектура без NMS обеспечивает детерминированную задержку, что делает её идеальным кандидатом для автономного вождения, быстродействующих систем охранной сигнализации и решений для умных городов. Кроме того, активная поддержка сообщества и регулярные обновления от Ultralytics гарантируют, что разработчикам не придётся работать с устаревшими зависимостями.

Разработчикам, изучающим передовые технологии компьютерного зрения, также стоит обратить внимание на другие универсальные архитектуры в экосистеме Ultralytics, например YOLO11 для стабильных развёртываний устаревших систем или специализированную модель FastSAM для задач сегментации на основе подсказок. Использование полного набора инструментов Ultralytics гарантирует перспективный и высокооптимизированный конвейер ИИ для компьютерного зрения.