开始使用

EfficientDet 与 YOLO26

选择合适的计算机视觉架构,是构建可扩展、高效 AI 系统的关键一步。本指南将对比 Google 于 2019 年发布的 EfficientDet 与 Ultralytics YOLO26,后者于 2026 年 1 月发布。指南会评估它们的底层架构、性能指标和训练方法,帮助你根据部署限制选择最合适的模型。

模型沿革与作者#

了解这些架构的起源,有助于理解其设计理念和目标使用场景。

EfficientDet

了解有关 EfficientDet 的更多信息

YOLO26

架构创新#

这两种模型在架构上的差异十分显著,反映了过去几年深度学习领域的快速进步。

EfficientDet 以 BiFPN(双向特征金字塔网络)为核心,并采用复合缩放方法调整分辨率、深度和宽度。它在 2019 年实现了出色的效率,但高度依赖较旧的 TensorFlow 框架和复杂的 AutoML 搜索算法,这些算法通常难以适配自定义数据集。

相比之下,Ultralytics YOLO26 是最新的 Ultralytics 实时计算机视觉模型。它引入了多项面向现代部署流程的架构改进:

  • 端到端无 NMS 设计:YOLO26 提供原生端到端一对一头(nms=False),无需进行非极大值抑制(NMS)后处理。这种方法最早由 YOLOv10 引入,可提供更快、更简单的部署逻辑,并减少边缘芯片上的延迟波动。
  • 移除 DFL:移除分布焦点损失 (DFL) 后,YOLO26 简化了输出头,提升了对边缘计算和低功耗设备的兼容性。
  • MuSGD 优化器:YOLO26 从 Moonshot AI 的 Kimi K2 等模型背后的大语言模型训练技术中汲取灵感,采用了 MuSGD 优化器,这是一种结合 SGD 和 Muon 的混合优化器。与标准优化器相比,它能让训练更加稳定、收敛更快。
  • ProgLoss + STAL:渐进式损失 (ProgLoss) 与小目标感知标签分配 (STAL) 相结合,显著提升了小目标识别能力,这对航空影像和机器人应用至关重要。
专业提示:无 NMS 部署

选用无 NMS 检测头 (nms=False) 后,整个模型可以作为单一、连续的计算图执行。这样一来,导出为 ONNX 或 TensorRT 等格式更加简单,也能提升 NPU/GPU 利用率。

性能指标与基准测试#

检验目标检测模型的真正标准,是模型在真实场景中的表现。下表比较了模型的准确率(以平均精度均值 (mAP)衡量)、推理速度和计算需求。

模型尺寸
(像素)
mAPval50-95速度
CPU ONNX
(毫秒)
速度
T4 TensorRT10
(ms)
参数
(M)
FLOPs
(B)
EfficientDet-d051234.6-3.923.92.54
EfficientDet-d164040.5-7.316.66.1
EfficientDet-d276843.0-10.928.111.0
EfficientDet-d389647.5-19.5912.024.9
EfficientDet-d4102449.7-33.5520.755.2
EfficientDet-d5128051.5-67.8633.7130.0
EfficientDet-d6128052.6-89.2951.9226.0
EfficientDet-d7153653.7-128.0751.9325.0
YOLO26n64040.938.91.72.45.5
YOLO26s64048.687.22.59.520.9
YOLO26m64053.1220.04.720.468.4
YOLO26l64055.0286.26.224.886.8
YOLO26x64057.5525.811.855.7194.4

如上所示,YOLO26 的性能平衡出色得多。虽然最小的 EfficientDet 变体 FLOPs 很低,但在每个准确率档位上,YOLO26 的 GPU 推理速度都明显更快。例如,YOLO26x 的 mAP 达到 57.5,在 T4 TensorRT 上的运行速度比 EfficientDet-d7 快 10 倍以上。YOLO26n 的 CPU 推理速度也比 YOLO11n 最高快 43%,因此 YOLO26 是边缘 AI的理想选择。

Ultralytics 生态系统的优势#

选择架构很少只看理论 FLOPs;工程工作流也是重要因素。许多开发者选择 Ultralytics,正是因为它易于使用。

训练 EfficientDet 通常需要处理复杂的依赖管理、手动调优超参数,以及较旧的 TensorFlow 环境。相比之下,Ultralytics 模型提供了简单易用的 API。同样的使用体验也延伸到了 Ultralytics Platform,它开箱即用地支持云端训练、数据标注和实时实验跟踪。

基于 Transformer 的检测器和复杂的 AutoML 模型往往也会消耗大量内存。Ultralytics 模型以内存需求低著称,因此你可以在消费级硬件上训练可靠的模型,而不会遇到内存不足 (OOM) 错误。

多功能性与任务支持#

EfficientDet 只是一个目标检测网络。YOLO26 则是一个统一的多任务学习器,原生集成了架构中的任务专属创新:

  • 采用语义分割损失和多尺度原型,提升实例分割掩码的质量。
  • 采用残差对数似然估计 (RLE),提升姿态估计准确率。
  • 专用角度损失计算方法,用于解决有向边界框(OBB)中的边界问题。
旧版支持

如果你在维护旧系统,Ultralytics 仍通过同一个 API 完整支持 YOLO11及更早的迭代版本。不过,对于所有新项目,YOLO26 都能提供最佳的资源与准确率收益。

用例与建议#

在 EfficientDet 和 YOLO26 之间做选择,取决于你的具体项目需求、部署限制和生态偏好。

何时选择 EfficientDet#

以下情况适合选择 EfficientDet:

  • Google Cloud 和 TPU 流程:基于 TensorFlow 的系统运行在 Google Cloud TPU 基础设施上,EfficientDet 的参考实现支持 TPU 训练。
  • 复合缩放研究:侧重研究网络深度、宽度和分辨率平衡缩放效果的学术基准测试。
  • 通过 LiteRT 进行移动端部署:需要导出为 LiteRT(原名 TensorFlow Lite),以用于 Android 或嵌入式 Linux 设备的项目。

何时选择 YOLO26#

以下场景推荐使用 YOLO26:

  • 无 NMS 的边缘部署:适用于要求推理延迟稳定且较低,同时不希望增加非极大值抑制后处理复杂度的应用。
  • 仅限 CPU 的环境:没有专用 GPU 加速的设备;YOLO26 的 CPU 推理速度最高可提升 43%(YOLO26n 对比 YOLO11n),优势十分明显。
  • 小目标检测:适用于无人机航空影像或 IoT 传感器分析等具有挑战性的场景,ProgLoss 和 STAL 可显著提升微小目标的检测准确率。

实现示例:训练 YOLO26#

使用 Ultralytics Python 包,只需几行代码就能启动优化后的训练任务。该框架原生支持混合精度缩放、通过 PyTorch 进行多 GPU 调度,以及数据增强流水线。

from ultralytics import YOLO

# Load the lightweight, end-to-end YOLO26n model
model = YOLO("yolo26n.pt")

# Train on the COCO8 dataset
results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    device=0,  # Train on the first CUDA GPU
)

# Export the NMS-free end-to-end head to ONNX
exported_path = model.export(format="onnx", nms=False)
print(f"Model seamlessly exported to: {exported_path}")

结论:你应该选择哪个模型?#

EfficientDet 仍是复合缩放研究中的重要里程碑。不过,对于现代应用,无论是在云集群上部署还是在资源受限的 Raspberry Pi 设备上部署,比较结果都更倾向于 Ultralytics YOLO26。

YOLO26 无需 NMS、降低了 VRAM 需求,并融入成熟的开发者生态,因此是构建可靠、可用于生产的计算机视觉系统的推荐架构。无论你是检测制造缺陷还是绘制农业产量分布图,Ultralytics Platform 都能帮助你快速完成从数据集到部署的流程。

评论

提出问题、分享结果,或帮助其他人。