开始使用

EfficientDet 与 YOLOX

设计现代计算机视觉流水线时,选择合适的模型是一项关键决策,决定了准确率和实时应用的可行性。本技术指南比较了两个重要的目标检测架构:Google 的 EfficientDet 和 Megvii 的 YOLOX。指南分析了它们的架构方法、评估了基准测试表现,并说明了它们与新发布的 Ultralytics YOLO26 相比如何。

EfficientDet 概览#

EfficientDet 由 Google Brain 团队推出,开创了一种结构化的模型缩放方法,证明只需远少于当时大型网络的参数,也能实现很高的准确率。

EfficientDet 详情:

架构亮点#

EfficientDet 构建于 EfficientNet 骨干网络之上,采用复合缩放方法,对网络的分辨率、深度和宽度进行统一缩放。其标志性特征是双向特征金字塔网络(BiFPN),可实现快速且有效的多尺度特征融合。BiFPN 为不同输入特征分配可学习权重,确保网络优先处理更关键的空间数据。

虽然 EfficientDet 的理论FLOPs很低,但它依赖 TensorFlow 生态系统和较旧的 AutoML 配置,因此难以集成到快速演进的现代 PyTorch 工作流中。与现代 YOLO 变体相比,其复杂的多分支网络在训练期间也可能导致显存占用高于预期。

了解 EfficientDet 的更多信息

YOLOX 概述#

YOLOX 在两年后发布,旨在通过将传统 YOLO 架构改造为无锚框框架,弥合学术研究与工业部署之间的差距。

YOLOX 详情:

架构亮点#

YOLOX 大幅简化了目标检测设计。通过改用无锚框设计,YOLOX 无需复杂且针对特定数据集的锚框调优,从而减少了启发式方法带来的开销。它还集成了解耦检测头,将分类和定位任务分开处理,大幅提升了收敛速度。SimOTA 标签分配策略可在训练期间动态优化正样本分配。

尽管有这些进步,设置 YOLOX 代码库可能需要构建 C++ 扩展并管理复杂依赖,这会妨碍经验较少的团队快速部署模型。

了解更多 YOLOX 信息

性能对比#

评估生产环境模型时,平衡平均精度均值 (mAP)与推理速度至关重要。下表按照标准 COCO 基准,直接比较 EfficientDet 和 YOLOX 系列。

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
YOLOXnano41625.8--0.911.08
YOLOXtiny41632.8--5.066.45
YOLOXs64040.5-2.569.026.8
YOLOXm64046.9-5.4325.373.8
YOLOXl64049.7-9.0454.2155.6
YOLOXx64051.1-16.199.1281.9
性能分析

虽然 EfficientDet 在较大的 d7 变体上可实现很高的准确率,但 YOLOX 在 GPU 硬件上的延迟要低得多(通过 TensorRT),因此更适合自动驾驶或体育追踪等高 FPS 应用。

用例与建议#

选择 EfficientDet 还是 YOLOX,取决于你的具体项目需求、部署限制和生态系统偏好。

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 YOLOX#

以下情况推荐使用 YOLOX:

  • 无锚框检测研究:学术研究使用 YOLOX 简洁的无锚框架构作为基线,以试验新的检测头或损失函数。
  • 超轻量边缘设备:部署到低功耗嵌入式设备或旧款移动硬件上时,YOLOX-Nano 版本极小的体积(0.91M 个参数)至关重要。
  • SimOTA 标签分配研究:研究项目用于探索基于最优传输的标签分配策略及其对训练收敛的影响。

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。
  • 仅限 CPU 的环境:没有专用 GPU 加速的设备;YOLO26 的 CPU 推理速度最高可提升 43%(YOLO26n 对比 YOLO11n),优势十分明显。
  • 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:认识 YOLO26#

EfficientDet 和 YOLOX 在各自的时代都取得了重大进展,但现代计算机视觉需要更强的多功能性、更精简的工作流和更高的速度。对于重视易用性、较低显存需求和维护良好生态系统的开发者,推荐升级到 Ultralytics YOLO26,该模型于 2026 年 1 月发布。

YOLO26 是 YOLO 系列的一大进步,解决了 YOLOX 和 EfficientDet 等旧款模型存在的局限:

  • 端到端无 NMS 设计:与需要昂贵的非极大值抑制(NMS)后处理的 EfficientDet 和 YOLOX 不同,YOLO26 可通过可选的一对一检测头(nms=False)支持原生端到端推理。这消除了 NMS 延迟瓶颈,并简化了边缘部署。
  • CPU 推理速度最高提升 43%:通过架构调优和移除 DFL(分布焦点损失),YOLO26 针对没有专用 GPU 的环境进行了优化,YOLO26n 的 CPU 推理速度最高可比 YOLO11n 快 43%,并能在 Raspberry Pi 等边缘 AI硬件上实现出色的性能。
  • MuSGD 优化器:受 LLM 训练创新(如 Moonshot AI 的 Kimi K2)启发,YOLO26 使用 SGD 和 Muon 的混合优化器,从而比旧式训练配置实现更稳定的训练和更快的收敛。
  • 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识别能力,而这一直是 YOLOX 和 EfficientDet 的弱项。这对无人机分析和 IoT 至关重要。
  • 多任务能力:EfficientDet 和 YOLOX 都只是边界框检测器,而 YOLO26 原生支持实例分割、姿态估计(通过残差对数似然估计实现)以及有向边界框(OBB)。

简化的用户体验与高效训练#

使用 YOLOX 等模型面临的最大障碍之一是搭建训练环境。借助统一的 Ultralytics Python API,训练模型只需几行代码。与以 Transformer 为主的模型或较旧的多分支网络相比,YOLO 模型还采用了优化的数据加载器和精简的架构,CUDA 显存占用显著更低。

from ultralytics import YOLO

# 加载 YOLO26n 模型(使用 nms=False 可进行无 NMS 推理)
model = YOLO("yolo26n.pt")

# 在你的自定义数据集上训练模型
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# 将模型导出为 ONNX 或 OpenVINO,以便在边缘设备上部署
model.export(format="openvino")

结论:做出正确选择#

如果你正在维护一个深度嵌入 TensorFlow 生态系统的旧系统,EfficientDet 仍是一个稳定的选择,尤其适用于其复合缩放变体已集成的场景。如果你需要在现有无锚框代码库中实现原始速度,YOLOX 则是一款快速可靠的检测器。

不过,对于即将投入生产的新项目,推荐选择 Ultralytics YOLO26(对于现有企业级部署,也可选择稳定的 YOLO11)。YOLO26 支持可选的端到端无 NMS 推理,CPU 速度更快,并可通过 OpenVINO 和 TensorRT 等格式实现直接明了的部署流程,让你的计算机视觉应用保持准确、及时更新且易于维护。

评论

提出问题、分享结果,或帮助其他人。