开始使用

EfficientDet 与 YOLOv10

在计算机视觉中,选择合适的目标检测架构对于平衡准确率、延迟和计算效率至关重要。本技术指南比较了两种有影响力的模型:Google 的 EfficientDet 和清华大学的 YOLOv10。两者都是目标检测领域的重要进展,但在架构设计和模型优化方面采用了截然不同的方法。

本指南介绍两种模型的核心架构,评述它们在COCO 等标准数据集上的性能基准,并探讨它们如何融入现代机器学习流水线,包括 Ultralytics 生态。

EfficientDet:复合缩放的先行者#

EfficientDet 于 2019 年末推出,通过引入系统化的网络维度缩放方法,为可扩展、高准确率的目标检测树立了新标杆。

关键创新与架构#

EfficientDet 基于 EfficientNet 主干网络构建,并采用了新颖的双向特征金字塔网络 (BiFPN)。传统特征金字塔网络 (FPN)会直接相加特征而不区分其重要性,与之不同,BiFPN 使用可学习的权重融合多尺度特征。这样,网络就能有效学习哪些分辨率的特征对最终预测贡献最大。EfficientDet 还采用复合缩放方法,同时对主干网络、特征网络和边界框/类别预测网络的分辨率、深度和宽度进行统一缩放。

对于与旧版 TensorFlow 流水线深度集成的旧系统,EfficientDet 仍是可靠的选择,但训练期间的内存需求相当大,而且它依赖的旧版生态系统与现代动态框架相比可能更难使用。

了解有关 EfficientDet 的更多信息

YOLOv10:无 NMS 创新者#

YOLOv10 于 2024 年年中发布,通过消除后处理阶段对非极大值抑制 (NMS)的需求,改变了实时目标检测,大幅降低了推理延迟。

关键创新与架构#

YOLOv10 引入了一致的双重分配策略,用于无 NMS 训练。在训练期间同时采用一对多和一对一标签分配后,网络无需依赖 NMS 筛除重复框,就能学会生成唯一匹配的边界框。这种以效率和准确率为核心的整体模型设计减少了计算冗余,使其非常适合边缘计算和低延迟视频流应用。它还融入了 Ultralytics 生态,为开发者提供简单易用的 Python API。

进一步了解 YOLOv10

无 NMS 设计的影响

移除 NMS 步骤后,无论场景中检测到多少目标,YOLOv10 都能保持推理速度稳定,避免拥挤的计算机视觉应用中常见的延迟峰值。

性能对比:准确率、速度与效率#

在真实场景中部署模型时,开发者必须权衡平均精度均值(mAP)、参数量和计算量(FLOPs)。下表详细列出了两个模型不同缩放变体的这些指标。

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
YOLOv10n64038.5-1.842.36.7
YOLOv10s64046.3-2.497.221.6
YOLOv10m64051.1-4.7415.459.1
YOLOv10b64052.5-5.7419.192.0
YOLOv10l64053.2-7.2824.4120.3
YOLOv10x64054.4-10.7029.5160.4

注意:YOLOv10n 变体所需参数更少(2.3M),TensorRT 速度也快得多(1.84ms),优于最小的 EfficientDet 变体,因此更适合在生产环境中进行实时推理。

为什么选择 Ultralytics 进行模型部署?#

尽管这两种模型在历史和结构上都意义重大,但将它们集成到现代流水线中可能颇具挑战。这正是 Ultralytics Platform 能发挥作用的地方。Ultralytics 提供统一的生态,简化从数据标注到部署的整个生命周期。

  1. 易用性:Ultralytics Python 包通过统一接口支持模型训练、验证和导出,只需简洁的命令即可替代数百行样板代码。
  2. 生态与多功能性:EfficientDet 专用于目标检测,而 Ultralytics YOLO 模型还能处理实例分割、分类、姿态估计和有向边界框 (OBB)。
  3. 训练效率:Ultralytics 模型采用自动分批和分布式训练等技术,训练速度更快,CUDA 内存占用也远低于大型 Transformer 或较旧的多分支 TensorFlow 架构。

代码示例:训练 YOLOv10#

使用 Ultralytics 部署 YOLOv10 非常简单。以下代码展示了如何完全通过 Python API 初始化、训练和评估 YOLOv10 网络。

from ultralytics import YOLO

# 加载预训练的 YOLOv10 模型(用于边缘设备高速运行的 nano 变体)
model = YOLO("yolov10n.pt")

# 使用 COCO8 数据集训练模型
results = model.train(data="coco8.yaml", epochs=50, imgsz=640, batch=16)

# 在验证集上评估模型
metrics = model.val()

# 将模型导出为 ONNX,以便用于生产部署
model.export(format="onnx")

用例与建议#

在 EfficientDet 和 YOLOv10 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 YOLOv10#

以下场景推荐使用 YOLOv10:

  • 无 NMS 的实时检测:适用于需要从端到端检测中获益、无需使用非极大值抑制并能降低部署复杂度的应用。
  • 均衡权衡速度与准确率:适用于需要在不同模型规模下兼顾推理速度和检测准确率的项目。
  • 延迟稳定的应用:适用于推理时间可预测性至关重要的部署场景,例如机器人或自主系统。

何时选择 Ultralytics (YOLO26)#

对于大多数新项目,Ultralytics YOLO26在性能与开发体验之间实现了最佳平衡:

  • 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。
  • 仅使用 CPU 的环境:没有专用 GPU 加速的设备;在这类设备上,YOLO26n 的 CPU 推理速度比 YOLO11n 最高快 43%,优势明显。
  • 小目标检测:适用于无人机航拍影像等具有挑战性的场景,或 IoT 传感器分析等需要 ProgLoss 和 STAL 大幅提升微小目标准确率的场景。

未来已来:Ultralytics YOLO26 登场#

虽然 YOLOv10 开创了无 NMS 的 YOLO 设计,但这项技术仍在持续演进。Ultralytics YOLO26 于 2026 年 1 月发布,是当前推荐用于视觉 AI 的 Ultralytics 模型。它将先前架构的优势结合到一个经过优化的模型系列中,例如 YOLO11 的多任务能力和 RT-DETR 的端到端检测能力。

YOLO26 的优势

如果你要开始一个新项目,请从 YOLO26 入手。通过 Ultralytics Platform,你可以灵活地使用模型,并享受简单易用的体验。

YOLO26 的关键创新:

  • 端到端无 NMS 设计:在 YOLOv10 奠定的基础上,YOLO26 提供可选的端到端一对一检测头 (nms=False),可跳过 NMS,最大限度地简化部署逻辑。
  • CPU 推理最高快 43%:移除分布焦点损失 (DFL) 后,YOLO26 大幅降低了计算开销;YOLO26n 的 CPU 运行速度最高比 YOLO11n 快 43%,非常适合边缘 AI 设备。
  • MuSGD 优化器:YOLO26 借鉴了大语言模型 (LLM) 训练技术。它结合 SGD 的稳定性和 Muon 的速度,能更快、更可靠地收敛。
  • ProgLoss + STAL:渐进式损失和小目标感知标签分配解决了小目标检测中的长期难题,而这正是 EfficientDet 传统上较为薄弱的领域。

结论:根据应用场景选择模型#

最终选择哪种网络,取决于你的部署限制:

  • EfficientDet 仍是复合缩放方面的学术研究课题,适合维护现有 TensorFlow 系统的研究人员;在这些系统中,模型权重文件的大小比运行速度更重要。
  • 凭借无 NMS 架构,YOLOv10 非常适合对延迟要求极低的应用,例如高速多目标跟踪和交通监控。
  • 不过,对于现代计算机视觉项目,YOLO26 是最值得推荐的选择。它在准确率、低内存占用和多任务灵活性方面实现了良好的性能平衡,并由强大的 Ultralytics 生态提供支持。

评论

提出问题、分享结果,或帮助其他人。