开始使用

EfficientDet 与 YOLOv7 对比

选择最有效的神经网络架构,是任何计算机视觉项目取得成功的关键。比较 EfficientDet 和 YOLOv7 等成熟模型,有助于开发者同时优化准确率和计算效率。

这份技术分析涵盖两种模型的架构细节、性能指标以及最适合的部署场景。文中还会说明,集成式 Ultralytics 生态(包括最新的 Ultralytics YOLO26)为何是现代计算机视觉任务的有力替代方案。

了解 EfficientDet#

EfficientDet 旨在最大限度地提高精度,同时系统化地控制不同资源限制下的计算成本。它通过一种新颖的缩放和特征融合方法实现了这一目标。

EfficientDet 详情:

架构与创新#

EfficientDet 的核心是双向特征金字塔网络(BiFPN)。与传统 FPN 不同,BiFPN 通过引入可学习权重来学习不同输入特征的重要性,从而实现快速的多尺度特征融合。此外,它还结合了复合缩放方法,同时统一缩放骨干网络、特征网络以及边界框/类别预测网络的分辨率、深度和宽度。

优势与劣势#

EfficientDet 具有很强的可扩展性。较小的变体 (d0-d2) 参数效率极高,适用于存储空间严格受限的环境。较大的变体(如 d7)则能在高端离线处理任务中突破平均精度均值 (mAP)的极限。

不过,EfficientDet 严重依赖较旧的 TensorFlow 实现和复杂的 AutoML 流水线。较旧的基础设施使其难以集成到以 PyTorch 为核心的现代工作流中。在扩展到更高准确率的变体时,它在边缘设备上的推理延迟也会显著增加。

了解 EfficientDet 的更多信息

了解 YOLOv7#

YOLOv7 于 2022 年推出,大幅提升了实时应用的速度和准确率,并在当时为 YOLO 系列树立了新的基准。

YOLOv7 详情:

架构与创新#

YOLOv7 引入了扩展高效层聚合网络 (E-ELAN)。这项架构改进提升了网络的学习能力,同时保留原有的梯度路径,让模型能够高效学习更多样化的特征。此外,它还采用“可训练的免费组合包”,利用规划式重参数化和动态标签分配等技术,在不增加推理成本的情况下提升精度。

优势与劣势#

YOLOv7 在视频分析和高速机器人导航等实时场景中表现出色。它能够在服务器级 GPU上良好扩展,并提供原生 PyTorch 实现,方便学术研究人员使用。

尽管速度很快,YOLOv7 在后处理时仍依赖非极大值抑制(NMS),这会让拥挤场景中的延迟出现波动。与新一代模型相比,它在训练期间的内存占用明显更大,因此需要更强的硬件来处理较大的批次。

详细了解 YOLOv7

性能与指标对比#

比较这些模型时,考察准确率、推理速度和参数规模之间的权衡至关重要。下表评估了 EfficientDet 和 YOLOv7 的各种配置。

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
YOLOv7l64051.4-6.8436.9104.7
YOLOv7x64053.1-11.5771.3189.9
性能要点

EfficientDet-d7 的 mAP 最高,但在 T4 GPU 上耗时约 128ms。YOLOv7x 以 11.57ms 达到相近的 53.1 mAP,在计算效率上提升了一个数量级,适合实时部署。

用例与建议#

在 EfficientDet 和 YOLOv7 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 YOLOv7#

以下情况建议使用 YOLOv7:

  • 学术基准测试:复现 2022 年的最先进成果,或研究 E-ELAN 和可训练的免费优势集合技术所带来的影响。
  • 重参数化研究:研究计划中的重参数化卷积和复合模型缩放策略。
  • 现有自定义流水线:项目已围绕 YOLOv7 特定架构构建了高度定制的流水线,且难以重构。

何时选择 Ultralytics (YOLO26)#

对于大多数新项目,Ultralytics YOLO26 能提供性能与开发者体验的最佳组合:

  • 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。

Ultralytics 优势#

选择合适的架构不仅要看原始指标,还要评估整个机器学习生命周期。Ultralytics 生态系统提供了出色的开发者体验,大幅降低了稳健 AI 部署的入门门槛。

  • 易用性:Ultralytics 提供统一的 Python API。开发者只需几行代码即可训练、验证和导出模型,无需管理 EfficientDet 常见的复杂、零散代码库。
  • 维护完善的生态: Ultralytics 依托快速更新、丰富的文档和活跃的社区,确保能够兼容 TensorRT 和 OpenVINO 等最新部署框架。
  • 内存需求:Ultralytics YOLO 模型采用经过优化的 PyTorch 数据加载器和精简的网络结构,训练时所需的 CUDA 内存显著少于多分支网络和大量使用 Transformer 的模型。
  • 多功能性:不同于严格局限于边界框检测的旧架构,Ultralytics 模型是多任务框架,支持实例分割、姿态估计和有向边界框(OBB)。

使用 Ultralytics 高效训练#

以下代码展示了使用 Ultralytics Python 软件包训练模型有多简单,相比之下,配置旧版 TensorFlow 流水线则复杂得多。

from ultralytics import YOLO

# 加载强烈推荐的 YOLO26 模型
model = YOLO("yolo26s.pt")

# 使用内置数据增强训练模型
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# 将模型导出为 TensorRT 格式以供部署
model.export(format="engine")

新标准:YOLO26#

YOLOv7 和 EfficientDet 为现代计算机视觉奠定了基础,但随着 Ultralytics YOLO26 于 2026 年 1 月推出,行业格局发生了显著变化。YOLO26 专为高准确率和快速边缘端性能打造,是新视觉项目的推荐模型。

YOLO26 的关键创新#

  • 端到端无 NMS 设计:在 YOLOv10奠定的基础上,YOLO26 提供原生端到端检测头(nms=False)。它完全省去 NMS 后处理,可实现更低且更稳定的延迟,这对自动驾驶等安全关键系统至关重要。
  • CPU 推理速度最高提升 43%:得益于移除 Distribution Focal Loss (DFL),YOLO26 的导出流程更简单,并能在 Raspberry Pi 等边缘设备上快速推理(YOLO26n 的 CPU 速度最高比 YOLO11n 快 43%),因此非常适合边缘计算。
  • MuSGD 优化器:YOLO26 集成了 MuSGD 优化器,它是 SGD 和 Muon 的混合优化器,灵感来自 Moonshot AI 的 LLM 训练技术。这带来了稳定的训练动态和更快的收敛速度。
  • ProgLoss + STAL:渐进式损失与小目标感知标签分配提升了模型检测微小目标的能力,这对无人机影像和安防报警系统中常见的难题很有帮助。
  • 任务专项改进:YOLO26 不只是检测器。它采用语义分割损失和多尺度原型来提升实例分割质量,使用残差对数似然估计(RLE)提高姿态估计准确率,并通过专用角度损失解决 OBB 边界歧义。

探索其他模型#

虽然 YOLO26 是推荐的默认选择,但 Ultralytics 生态系统也支持多种针对不同用例设计的模型。

对于维护现有系统的开发者,YOLO11仍是 Ultralytics Platform 上稳定且支持完善的选择。对于明确需要基于 Transformer 的架构的场景,RT-DETR通过Transformer编码器-解码器实现实时检测,弥合了注意力机制与实时执行速度之间的差距。

总而言之,EfficientDet 展示了复合缩放方面的学术价值,YOLOv7 则提供了出色的实时性能基准;但现代企业最适合采用 Ultralytics Platform。借助 YOLO26,团队可以获得强劲性能、更低的训练阻力,以及持续维护的部署路径。

评论

提出问题、分享结果,或帮助其他人。