EfficientDet 与 YOLOv5
选择合适的神经网络架构,是任何计算机视觉项目中的关键一步。推理延迟、参数效率和检测准确率之间的平衡,决定了模型在实际环境中的表现。本技术指南分析两个具有影响力的目标检测框架:Google 的 EfficientDet 和 Ultralytics YOLOv5。
通过比较它们的架构创新、训练方法和部署能力,开发者可以针对特定部署环境做出明智决策,无论是扩展到云服务器,还是运行在资源受限的边缘设备上。
EfficientDet:采用 BiFPN 的可扩展架构#
EfficientDet 由 Google Research 推出,旨在系统地缩放骨干网络和特征网络,以少于早期领先模型的参数量实现高准确率。
模型详情#
- 作者: Mingxing Tan、Ruoming Pang 和 Quoc V. Le
- 机构: Google Research
- 日期: 2019 年 11 月 20 日
- arXiv: EfficientDet:可扩展且高效的目标检测
- GitHub: google/automl/efficientdet
架构创新#
EfficientDet 使用 EfficientNet 分类模型作为骨干网络,并通过复合缩放方法统一缩放网络的宽度、深度和分辨率。它对目标检测最重要的贡献,是引入双向特征金字塔网络(BiFPN)。标准特征金字塔网络只从上到下聚合特征,而 BiFPN 支持复杂的双向跨尺度连接,并引入可学习权重来确定不同输入特征的重要性。
尽管准确率很高,EfficientDet 仍严重依赖 TensorFlow生态系统和特定的 AutoML 库。这种依赖有时会让它难以集成到自定义的轻量级部署流水线,或偏好动态计算图的环境中。
Ultralytics YOLOv5:让实时 AI 惠及大众#
Ultralytics YOLOv5于 2020 年年中发布,通过提供原生 PyTorch 架构实现,让 YOLO 更易上手。它为开发者体验、训练效率和实时部署灵活性树立了新标准。
模型详情#
- 作者: Glenn Jocher
- 组织: Ultralytics
- 日期:2020 年 6 月 26 日
- GitHub: ultralytics/yolov5
- 文档: YOLOv5 文档
架构创新#
YOLOv5 相较前代产品进行了重大升级,采用 CSPDarknet(跨阶段局部连接)骨干网络,在减少整体参数量的同时改善梯度流。YOLOv5 还加入了自动学习锚框功能,可根据自定义训练数据自动计算边界框先验,无需手动调整锚框。
YOLOv5 还高度依赖 Mosaic 数据增强,将四张不同图像融合成一个训练图块。这能提升模型检测小目标的能力和上下文理解能力,使模型适应多变的环境。
性能与基准测试#
在标准基准(例如 COCO 数据集)上评估模型,对于理解精度和速度之间的权衡至关重要。下表展示了不同尺寸的 EfficientDet 和 YOLOv5 在标准化条件下的表现。
| 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-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 |
| YOLOv5n | 640 | 28.0 | - | 1.12 | 1.9 | 4.5 |
| YOLOv5s | 640 | 37.4 | - | 1.92 | 7.2 | 16.5 |
| YOLOv5m | 640 | 45.4 | - | 4.03 | 21.2 | 49.0 |
| YOLOv5l | 640 | 49.0 | - | 6.61 | 46.5 | 109.1 |
| YOLOv5x | 640 | 50.7 | - | 11.89 | 86.7 | 205.7 |
权衡分析#
EfficientDet-d7 的 mAP 峰值可达 53.7,但与 YOLO 架构相比,它在 GPU 硬件上的推理延迟较高。相比之下,YOLOv5 能充分利用硬件加速。YOLOv5n 变体使用 NVIDIA TensorRT在 T4 GPU 上的推理时间为 1.12 ms,因此更适合自动驾驶或高速生产线等实时应用。
与复杂的复合缩放网络或大型 Transformer 模型相比,YOLOv5 模型在训练期间所需的 CUDA 内存也少得多。这种精简的内存占用降低了现代 AI 的使用门槛,让研究人员能够在常见的消费级硬件上训练稳健的模型。
若要在边缘设备上尽可能提高 YOLOv5 模型的每秒帧数(FPS),可将 PyTorch 权重导出为适用于 NVIDIA GPU 的 TensorRT,或导出为适用于 Intel CPU 的 OpenVINO。这一步能大幅提升推理速度。
训练生态系统与开发者体验#
Ultralytics 生态系统的主要优势在于流畅的用户体验。EfficientDet 需要深入了解 TensorFlow 目标检测 API,而 YOLOv5 提供了一致、简洁的 Python API。
维护完善的 Ultralytics 生态系统为开发者提供频繁更新、活跃的社区支持,以及与 Weights & Biases 和 ClearML 等实验跟踪工具的集成。
代码示例:开始使用 YOLOv5#
通过 Ultralytics Python 软件包,只需几行代码即可使用预训练 YOLOv5 模型进行推理:
from ultralytics import YOLO
# 加载高效的 YOLOv5s 模型
model = YOLO("yolov5su.pt") # YOLOv5u:适用于 ultralytics 软件包的无锚框 YOLOv5 权重
# 对图像进行推理
results = model("https://ultralytics.com/images/zidane.jpg")
# 显示检测到的边界框
results[0].show()通用性与实际应用#
EfficientDet 是严格意义上的目标检测框架,因此在复杂视觉流水线中的用途有限。相比之下,YOLOv5 已发展为支持多种计算机视觉任务。该模型的现代版本支持高精度实例分割和图像分类,让开发者能够整合机器学习技术栈。
理想应用场景#
- EfficientDet: 最适合离线处理、学术研究和云端分析。在这些场景中,优先考虑最高准确率而非延迟,并且可以使用服务器级 TPU 或大内存 GPU。
- YOLOv5:适合边缘 AI 部署。它兼具低延迟、小参数规模和高准确率,非常适合无人机分析、实时零售自动化,以及通过 CoreML 或 LiteRT实现的移动应用。
新一代模型:升级到 YOLO26#
YOLOv5 仍是稳定且广泛部署的模型,但 AI 领域发展迅速。对于启动新项目或追求最佳现代性能的团队,Ultralytics 推出了 YOLO26,并于 2026 年 1 月发布。
YOLO26 通过架构调整改善速度与准确率之间的权衡,让部署更简单、推理更快速。
YOLO26 的关键进展#
- 端到端无 NMS 设计:YOLO26 的可选端到端检测头(
nms=False)可免去非极大值抑制(NMS)后处理。这简化了部署逻辑并降低延迟波动,进一步完善了 YOLOv10 首次引入的方法。 - CPU 推理速度最高提升 43%:与 YOLO11n 相比,YOLO26n 的 CPU 速度最高快 43%,适用于没有专用 GPU 的边缘计算和低功耗 IoT 设备。
- MuSGD 优化器:这种结合 SGD 和 Muon 的混合优化器,灵感来自大语言模型训练技术(例如 Moonshot AI 的 Kimi K2 背后的技术),将 LLM 训练理念引入计算机视觉,实现更快收敛和稳定的训练动态。
- ProgLoss + STAL:渐进式损失和小目标感知标签分配策略显著提升了小目标识别能力,这对航拍影像和机器人应用至关重要。
- 移除 DFL:移除 Distribution Focal Loss 可简化模型检测头,并提升模型导出到旧款或资源高度受限的边缘硬件时的兼容性。
对于部署多任务流水线的团队,YOLO26 还引入了任务专用升级,例如用于分割的多尺度原型和用于有向边界框 (OBB)的专用角度损失。若要了解生态系统中的其他现代替代方案,也可以查看 YOLO11 或 YOLOv8 架构。
结论#
选择 EfficientDet 还是 YOLOv5,很大程度上取决于你的部署目标。EfficientDet 提供了有原则的缩放方法,适用于以云端推理为主的场景。不过,YOLOv5 的开发者体验、快速的 PyTorch 训练循环和优化的边缘部署能力,使其成为大多数真实世界实时应用的首选;YOLO26 则是新项目的推荐起点。借助 Ultralytics 提供的全面工具,团队可以缩短产品上市时间,构建响应迅速的 AI 系统。
评论
提出问题、分享结果,或帮助其他人。