EfficientDet 与YOLOv8：物体检测巨头的技术比较

在快速发展的计算机视觉领域，选择正确的架构是项目成功的关键。本分析对比了两种有影响力的模型：EfficientDet 是Google 的一个研究里程碑，重点关注参数效率，而 YOLOv8是Ultralytics 为实时应用和易用性而设计的最先进模型。

EfficientDet 在模型缩放方面引入了开创性的概念，而更新的架构，如 YOLOv8和尖端的 YOLO11等新架构重新定义了速度、准确性和部署多样性的标准。

性能指标：速度、准确性和效率

在选择用于生产的模型时，开发人员必须在推理延迟和检测精度之间权衡利弊。下表直接比较了COCO 数据集的性能指标。

模型	尺寸 ^(像素)	mAP^val 50-95	速度 ^{CPU ONNX (毫秒)}	速度 ^{T4 TensorRT10 (毫秒)}	参数 ^(M)	FLOPs ^(B)
EfficientDet-d0	640	34.6	10.2	3.92	3.9	2.54
EfficientDet-d1	640	40.5	13.5	7.31	6.6	6.1
EfficientDet-d2	640	43.0	17.7	10.92	8.1	11.0
EfficientDet-d3	640	47.5	28.0	19.59	12.0	24.9
EfficientDet-d4	640	49.7	42.8	33.55	20.7	55.2
EfficientDet-d5	640	51.5	72.5	67.86	33.7	130.0
EfficientDet-d6	640	52.6	92.8	89.29	51.9	226.0
EfficientDet-d7	640	53.7	122.0	128.07	51.9	325.0

YOLOv8n	640	37.3	80.4	1.47	3.2	8.7
YOLOv8s	640	44.9	128.4	2.66	11.2	28.6
YOLOv8m	640	50.2	234.7	5.86	25.9	78.9
YOLOv8l	640	52.9	375.2	9.06	43.7	165.2
YOLOv8x	640	53.9	479.1	14.37	68.2	257.8

分析数据

这些指标凸显了设计理念上的明显分歧。EfficientDet 最大限度地减少了FLOPs（浮点运算），这在历史上与理论效率相关。然而，在实际的实时推理场景中，尤其是在 GPU 上，YOLOv8 显示出了显著的优势。

GPU 延迟：在使用 TensorRT 的 T4GPU 上，YOLOv8n 比 EfficientDet-d0快约 2.6 倍。 TensorRT快约 2.6 倍。这是因为YOLOv8 的架构针对硬件并行性进行了优化，而 EfficientDet 的深度可分离卷积在加速器上可能会受到内存限制。
规模精度： YOLOv8x 在更高端的应用中实现了卓越的 mAP为 53.9，推理速度为 14.37 毫秒，大大超过了 EfficientDet-d7，后者在类似精度下的推理速度为 128.07 毫秒。
模型大小：与最小的 EfficientDet（3.9M）相比，YOLOv8n 所需的参数（3.2M）更少，因此在移动应用中具有很高的存储效率。

效率与延迟

低 FLOP 数并不总是等同于快速执行。EfficientDet 针对理论计算成本进行了高度优化，但YOLOv8 更有效地利用了现代 GPU（如NVIDIA T4/A100）的并行处理能力，从而降低了实际延迟。

建筑与设计理念

了解了架构上的细微差别，就能解释上述性能差异。

EfficientDet 详情

作者： Mingxing Tan、Ruoming Pang 和 Quoc V. Le
组织机构Google
日期日期： 2019 年 11 月
论文：EfficientDet：可扩展的高效物体检测
存储库：Google AutoML

EfficientDet 基于复合缩放原理构建，可统一缩放网络分辨率、深度和宽度。它利用EfficientNet骨干网络，并引入了BiFPN（双向特征金字塔网络）。BiFPN 允许加权特征融合，了解哪些特征最重要。虽然这能产生较高的参数效率，但 BiFPN 复杂的不规则连接在偏好常规内存访问模式的硬件上执行时，计算成本会很高。

了解更多关于 EfficientDet 的信息

YOLOv8 详情

作者： Glenn Jocher、Ayush Chaurasia 和 Jing Qiu
组织机构Ultralytics
日期： 2023 年 1 月日期： 2023 年 1 月
存储库Ultralytics GitHub

YOLOv8 标志着向无锚点检测机制的转变，通过消除手动计算锚点框的需要简化了训练过程。它的特点是使用C2f模块修改了CSPDarknet主干网，与以前的版本相比，它改善了梯度流和特征丰富度。磁头采用解耦结构，独立处理分类和回归任务，并采用任务对齐分配（Task Aligned Assign）进行动态标签分配。这种架构专门设计用于最大限度地提高GPU 硬件的吞吐量。

了解更多关于 YOLOv8 的信息

Ultralytics 的优势

EfficientDet 是一项杰出的学术成就，而围绕YOLOv8 和 YOLO11的 Ultralytics生态系统为专注于产品交付和MLOps 的开发人员带来了实实在在的好处。

1.易于使用和实施

实施 EfficientDet 通常需要在TensorFlow 生态系统中浏览复杂的配置文件和依赖关系。相比之下，Ultralytics 模型则优先考虑开发人员的体验。只需几行Python就能完成模型的加载、训练和部署。

from ultralytics import YOLO

# Load a pre-trained YOLOv8 model
model = YOLO("yolov8n.pt")

# Train on a custom dataset with a single command
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference on an image
detection = model("https://ultralytics.com/images/bus.jpg")

2.任务的多样性

EfficientDet 主要是一种对象检测架构。Ultralytics YOLOv8 的功能远远超出了简单的边界框。在同一框架内，用户可以执行以下操作

实例分割：像素级对象屏蔽
姿势估计骨骼跟踪的关键点检测
图像分类：整体图像分类
旋转框检测（Oriented Bounding Boxes）：对旋转物体（如航空图像）进行检测。

3.训练和记忆效率

训练现代变压器或复杂的多尺度架构需要大量资源。Ultralytics YOLO 模型以其内存效率著称。

更低的 VRAM 占用率：高效的 C2f 模块和优化的损失函数允许YOLOv8 在消费级 GPU 上进行训练，而其他模型可能会面临内存不足 (OOM) 错误。
快速收敛：先进的增强技术（如Mosaic）可加快学习速度，减少达到高精度所需的历时。

综合生态系统

Ultralytics 模型与以下工具无缝集成 Weights & Biases, Comet和 ClearML以及用于实验跟踪的 Roboflow进行数据集管理。

真实世界的应用

对这些模式的选择往往决定了在特定环境中部署的可行性。

EfficientDet 使用案例：它的参数效率很高，因此对有关扩展规律的学术研究或严格CPU 的传统系统（FLOPs 是硬CPU）很有意义，尽管延迟可能仍然高于YOLOv8n。
YOLOv8 使用案例
- 自主系统： NVIDIA Jetson 等边缘人工智能设备的高 FPS（每秒帧数）使YOLOv8 成为无人机和机器人的理想选择。
- 制造业：用于在毫秒级的装配线上进行实时缺陷检测。
- 智能零售： 物体计数和跟踪等功能可对店铺布局和排队管理进行高级分析。

结论

EfficientDet 仍然是对深度学习领域的重大贡献，它证明了智能扩展可以生成紧凑的模型。然而，对于当今的绝大多数实际应用来说，EfficientDet 仍然是一项重大贡献、 Ultralytics YOLOv8(和更新的 YOLO11) 提供了更优越的解决方案。

Ultralytics 模型在现代硬件上具有极快的推理速度、全面的Python SDK 以及处理多种视觉任务的能力，这些优势使Ultralytics 成为开发人员的推荐选择。无论您是在构建安全报警系统还是分析卫星图像，Ultralytics 生态系统都能为您提供各种工具，帮助您高效地将项目从概念转化为产品。

探索其他模型

要从更广阔的角度了解物体检测的选择，请参考以下比较：