EfficientDet 与 YOLOv9
神经网络设计的持续进步塑造了计算机视觉领域。选择模型时,平衡计算效率与检测准确率至关重要。Google 的 EfficientDet 于 2019 年通过引入可扩展架构建立了强大的基准,而 2024 年发布的 YOLOv9 则利用可编程梯度信息 (PGI) 推进了目标检测的发展。
本指南从技术角度比较这两种模型,并介绍 Ultralytics YOLO26,它是一种为生产环境优化的可靠端到端解决方案。
模型架构与创新#
了解 EfficientDet 和 YOLOv9 的底层机制,对于确定它们最适合的应用场景至关重要。
EfficientDet:复合缩放与 BiFPN#
EfficientDet 由 Google Research 开发,侧重于系统化缩放和高效特征融合。它使用 EfficientNet 作为主干网络,并引入了新颖的特征网络架构。
关键架构特性: EfficientDet 高度依赖双向特征金字塔网络 (BiFPN),以实现快速的多尺度特征融合。此外,它还使用复合缩放方法,对网络的分辨率、深度和宽度进行统一缩放。尽管 EfficientDet 在当时准确率很高,但它与较旧的 TensorFlow 环境紧密绑定,使现代部署流水线变得复杂。
YOLOv9:解决信息瓶颈#
YOLOv9 由中央研究院的研究人员开发,旨在解决数据在深层神经网络中传递时的信息退化问题。
关键架构特性: YOLOv9 引入可编程梯度信息 (PGI),提供辅助监督,确保保留关键数据,从而可靠地更新网络权重。它还采用广义高效层聚合网络 (GELAN),以最大限度地提高参数效率。尽管有所进步,YOLOv9 在后处理期间仍需要非极大值抑制 (NMS),这会增加延迟。
性能对比#
评估这些模型时,分析实测性能指标有助于确定哪种架构能为你的硬件提供最佳权衡。
| 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 |
| YOLOv9t | 640 | 38.3 | - | 2.3 | 2.0 | 7.7 |
| YOLOv9s | 640 | 46.8 | - | 3.54 | 7.2 | 26.7 |
| YOLOv9m | 640 | 51.4 | - | 6.43 | 20.1 | 76.8 |
| YOLOv9c | 640 | 53.0 | - | 7.16 | 25.5 | 102.8 |
| YOLOv9e | 640 | 55.6 | - | 16.77 | 58.1 | 192.5 |
深入分析#
在准确率相近的情况下,YOLOv9 的速度快得多。例如,YOLOv9e 的 mAP 为 55.6%,TensorRT 延迟为 16.77ms。EfficientDet-d7 的 mAP 较低,仅为 53.7%,延迟却高得多(128.07ms),因此很难将其用于实时视频流。
用例与建议#
在 EfficientDet 和 YOLOv9 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 YOLOv9#
以下场景推荐使用 YOLOv9:
- 信息瓶颈研究:研究可编程梯度信息 (PGI) 和广义高效层聚合网络 (GELAN) 架构的学术项目。
- 梯度流优化研究:重点研究如何理解并缓解训练期间深层网络层中的信息损失。
- 高准确率检测基准测试:需要将 YOLOv9 在 COCO 基准测试中的出色表现作为架构对比参照的场景。
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 的优势:选择 YOLO26#
YOLOv9 和 EfficientDet 为后续发展铺平了道路,但想要使用现代、可用于生产的框架,开发者应考虑 Ultralytics YOLO 模型,尤其是新发布的 YOLO26。
Ultralytics Platform 专为易用性而设计,将本地训练脚本与支持云端的界面相结合。YOLO26 进行了大幅重新设计,在许多商业应用中的表现优于较旧架构。
YOLO26 技术亮点#
- 端到端无 NMS 设计:YOLO26 的可选端到端检测头 (
nms=False) 消除了后处理瓶颈。移除 NMS 后,部署计算图得以统一,在边缘 AI 芯片上的运行速度也更快。 - CPU 推理最高快 43%:YOLO26 针对嵌入式设备进行了优化,在没有 GPU 的情况下,YOLO26n 在 CPU ONNX 上的运行速度最高比 YOLO11n 快 43%。
- MuSGD 优化器:这种混合优化器将大语言模型训练技术引入视觉 AI,让训练过程更加稳定,使模型能以更少的资源更快收敛。
- 内存需求低: 与以 Transformer 为主的架构或未经优化的 CNN 不同,YOLO26 在训练期间最大限度地减少 CUDA 内存占用,让你能在消费级硬件上使用更大的批次大小。
- ProgLoss + STAL:渐进式损失和小目标感知标签分配显著提升了小目标检测准确率,因此 YOLO26 非常适合航空影像和 IoT 网络。
- 移除 DFL:简化的结构设计让模型能够顺利转换为移动端部署格式。
Ultralytics 生态中的其他选择包括 YOLO11 和 YOLOv8,它们也支持多任务处理,例如实例分割和姿态估计。
借助 Python SDK 简化训练#
Ultralytics 模型注重开发者体验。只需几行 Python 代码即可训练模型。
from ultralytics import YOLO
# Initialize the YOLO26 model
model = YOLO("yolo26n.pt")
# Train with optimized memory usage and built-in augmentations
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Validate the model's performance easily
metrics = model.val()
print(f"Validation mAP: {metrics.box.map}")实际应用#
在这些架构之间做选择,很大程度上取决于你的部署目标。
- 传统云端部署:EfficientDet 曾广泛用于离线云端批处理,适合需要高准确率但没有严格实时要求的场景。
- 学术研究:对于探索 CNN 设计的极限以及分析网络层间梯度流的研究人员,YOLOv9 仍是一个值得关注的选择。
- 边缘计算与 IoT: YOLO26 非常适合真实世界的边缘应用。它的无 NMS 流水线和有向边界框 (OBB)能力,使其成为智慧城市交通分析、零售库存监控和无人机巡检的理想选择,并能兼顾高准确率和快速推理速度。
评论
提出问题、分享结果,或帮助其他人。