EfficientDet 与YOLOv10：物体检测效率的演变

在快速发展的计算机视觉领域，人们一直在寻求计算效率和检测精度之间的最佳平衡。Google 研究院的可扩展模型系列EfficientDet 和 YOLOv10 是两个定义了各自时代的架构。 YOLOv10是清华大学研究人员最新推出的实时端到端检测器。

本比较将探讨这两种模型在技术上的细微差别，研究YOLOv10 的现代设计理念是如何改进 EfficientDet 引入的基本概念的。 我们将分析它们的架构、性能指标以及在实际部署中的适用性。

模型起源与概述

了解这些模型的历史背景有助于理解近年来的技术飞跃。

EfficientDet

EfficientDet 于 2019 年底推出，旨在解决物体检测模型缩放效率低下的问题。它提出了一种复合缩放方法，可统一缩放分辨率、深度和宽度。

• 作者： Mingxing Tan、Ruoming Pang 和 Quoc V. Le
• 组织机构Google 大脑
• 日期: 2019-11-20
• Arxiv：EfficientDet：可扩展的高效物体检测
• GitHub：google

YOLOv10

YOLOv10 于 2024 年 5 月发布，在后处理过程中无需使用非最大抑制NMS)，从而降低了延迟并简化了部署，推动了实时检测的发展。

• 作者： Ao Wang, Hui Chen, Lihao Liu, et al.
• 组织机构： 清华大学清华大学
• 日期： 2024-05-23
• Arxiv：YOLOv10：实时端到端物体检测
• GitHub：THU-MIG/yolov10

了解有关YOLOv10的更多信息

架构深度解析

这些模型的核心区别在于它们的特征融合和后处理方法。

EfficientDet：复合扩展和 BiFPN

EfficientDet 建立在EfficientNet骨干之上。它的最大特点是双向特征金字塔网络（BiFPN）。与将不同尺度的特征相加的传统 FPN 不同，BiFPN 引入了可学习的权重，以在融合过程中强调更重要的特征。它还增加了自上而下和自下而上的路径，以促进更好的信息流。

尽管从 FLOPs（每秒浮点运算次数）的角度看，它的理论效率很高，但与更简单的架构相比，大量使用深度可分离卷积和复杂的 BiFPN 结构有时会导致GPU 硬件的吞吐量降低。

YOLOv10：NMS 端到端检测

通过消除对NMS 的依赖，YOLOv10 实现了模式转变。传统的实时检测器会产生大量必须过滤的冗余预测，从而造成延迟瓶颈。YOLOv10 在训练过程中采用一致的双重分配：一对多头用于丰富的监督信号，一对一头用于精确的、NMS 的推理。

此外，YOLOv10 采用了以效率和精度为导向的整体模型设计。这包括轻量级分类头、空间信道解耦下采样和等级引导块设计，确保每个参数都能有效提高模型的性能。

性能分析：速度 vs. 准确性

在比较性能时，YOLOv10 在现代硬件（尤其是 GPU）上表现出明显的优势。EfficientDet 针对 FLOPs 进行了优化，而YOLOv10 则针对实际延迟和吞吐量进行了优化。

主要内容

• GPU 延迟： YOLOv10 大幅缩短了推理时间。例如，YOLOv10b实现的mAP （52.7）高于EfficientDet-d6（52.6），而在 T4GPU 上的速度则超过13 倍（6.54ms vs 89.29ms）。
• 参数效率： YOLOv10 型号通常需要较少的参数就能获得相当的精度。YOLOv10n变体非常轻巧（2.3M 参数），非常适合移动部署。
• 精确度：在高端，YOLOv10x 实现了最先进的 54.4mAP ，超过了最大的 EfficientDet-d7 变体，而延迟时间仅为后者的一小部分。

培训效率和易用性

对于开发人员来说，最关键的因素之一是将这些模型集成到现有工作流程中的难易程度。

Ultralytics 生态系统的优势

YOLOv10 已集成到Ultralytics 生态系统中，在易用性和维护方面具有显著优势。用户可以从统一的Python 应用程序接口中获益，该程序接口可以在不同的模型世代中实现训练、验证和部署的标准化。

• 简单的应用程序接口：只需 3 行代码即可训练一个模型。
• 文档：全面的指南和示例。
• 社区：一个庞大而活跃的社区，提供支持和更新。
• 内存效率： Ultralytics YOLO 模型经过优化，与老式架构或transformer重型transformer的模型相比，可在训练过程中降低CUDA 内存使用率。

代码示例

使用Ultralytics 训练YOLOv10 非常简单。该框架可自动处理数据扩充、超参数调整和日志记录。

from ultralytics import YOLO

# Load a pre-trained YOLOv10n model
model = YOLO("yolov10n.pt")

# Train the model on your custom dataset
# efficiently using available GPU resources
model.train(data="coco8.yaml", epochs=100, imgsz=640, batch=16)

# Run inference on an image
results = model("path/to/image.jpg")

相比之下，重现 EfficientDet 的结果往往需要复杂的TensorFlow 配置或特定版本的 AutoML 库，这对于快速原型开发来说可能不太方便。

理想用例

这两种模式各有优点，但它们的理想应用领域因其架构特点而有所不同。

YOLOv10：实时和边缘应用

由于其NMS 设计和低延迟，YOLOv10 是时间敏感型任务的最佳选择。

• 自主系统：对自动驾驶汽车和无人机至关重要，因为毫秒级的延迟决策可防止事故发生。
• 制造业：在物体快速移动的传送带上进行高速质量控制。
• 智能零售：利用边缘设备进行实时库存管理和客户分析。
• 移动应用程序：YOLOv10n 体积小巧，可通过以下方式在iOS 和Android 设备上顺利部署 CoreML或TFLite 在 iOS 和 Android 设备上顺利部署。

EfficientDet：学术和传统系统

EfficientDet 在特定情况下仍具有相关性：

• 资源有限的 CPU：较小的 EfficientDet 变体（d0、d1）针对低 FLOP 状态进行了高度优化，有时在CPU老式硬件上也能表现出色。
• 研究基准：它是学术研究比较神经网络缩放规律的绝佳基准。
• 现有管道：拥有传统TensorFlow 管线的企业可能会发现，与其迁移，不如维护现有的 EfficientDet 部署。

优缺点总结

YOLOv10

• 优势：
  • NMS：真正的端到端部署简化了集成。
  • 性能平衡：在 GPU 上实现无与伦比的速度-精度权衡。
  • 多功能性：能够高效处理各种检测任务。
  • 维护良好：由Ultralytics 生态系统提供支持，更新频繁。
• 弱点：
  • 作为一种较新的架构，它的长期稳定性测试年数可能少于 2019 年的机型，不过快速采用可以缓解这一问题。

EfficientDet

• 优势：
  • 可扩展性：复合缩放法在理论上优雅而有效。
  • 参数效率：在当时具有良好的精度参数比。
• 弱点：
  • 推理速度慢：在 GPU 上大量使用深度卷积通常比YOLO 的标准卷积更慢。
  • 复杂性：BiFPN 增加了架构复杂性，可能更难调试或优化定制硬件加速器。

结论

EfficientDet是一个开创性的架构，引入了模型扩展的重要概念、 YOLOv10代表了对象检测的现代标准。向NMS、端到端架构的转变使YOLOv10 能够提供对当今实时应用至关重要的卓越性能。

适用于希望构建稳健、高性能视觉系统的开发人员和研究人员、 YOLOv10-以及更广泛的Ultralytics 生态系统提供了速度、准确性和开发人员体验的完美结合。使用统一平台无缝训练、输出和部署模型的能力大大缩短了产品上市时间。

对绝对最新进展感兴趣的人还应了解 Ultralytics YOLO11，它进一步完善了这些功能，可用于更广泛的计算机视觉任务，包括分割、姿势估计 和定向物体检测。

探索其他比较

为了做出最明智的决定，请考虑查看这些相关的技术比较：

• EfficientDet 与 YOLOv8
• YOLOv10 vs.RT-DETR
• YOLO11 vs.YOLOv10
• YOLOv10 vs.YOLOv8

评论