开始使用

PP-YOLOE+ 与 EfficientDet 对比

选择合适的架构是构建稳健计算机视觉应用的关键一步。本技术指南探讨两种知名目标检测模型 PP-YOLOE+ 和 EfficientDet 之间的权衡。指南将解析它们的架构、分析性能指标,并介绍最适合的部署场景。

这两种模型都为该领域做出了重要贡献,本指南也会讨论 Ultralytics YOLO26等现代替代方案如何提升内存效率、加快推理速度并改善开发体验。

架构概览:PP-YOLOE+#

PP-YOLOE+ 是 PP-YOLOE 的改进版,而 PP-YOLOE 本身则是 PP-YOLO 系列的演进版本。它针对 PaddlePaddle 生态系统中的服务器端 GPU 性能进行了优化,并在基线架构中加入多项增强,重点采用无锚框范式。

进一步了解 PP-YOLOE+

PP-YOLOE+ 采用 CSPRepResNet 主干网络和高效任务对齐检测头 (ET-head),并主要使用 Varifocal Loss 进行分类、使用分布焦点损失进行边界框回归。转向无锚框检测器设计后,后处理流程得以简化,使其在发布时极具竞争力。

集成优势

已经深度投入百度 PaddlePaddle 框架的团队通常会发现,将 PP-YOLOE+ 集成到现有流水线中更为容易,但它缺少较新工具所具备的广泛多框架支持。

架构概述:EfficientDet#

EfficientDet 采用了不同的目标检测方法:它基于通过神经架构搜索找到的主干网络,并应用复合缩放原则。

了解 EfficientDet 的更多信息

EfficientDet 的核心是双向特征金字塔网络 (BiFPN)。与传统 FPN 不同,BiFPN 引入可学习权重,以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。EfficientDet 还结合 EfficientNet 主干网络,系统地同时扩展网络宽度、深度和分辨率。

尽管 EfficientDet 在 FLOPs 方面效率很高,但由于复杂的内存访问模式,其模型在边缘设备上难以将理论效率转化为实际速度,这与 YOLO 系列模型较低的内存需求形成对比。

性能分析与基准测试#

下表对比了标准数据集(例如 COCO)上的关键指标。对比平均精度均值 (mAP)和推理速度,可以看出各模型在速度-精度帕累托前沿上的位置。

模型尺寸
(像素)
mAPval50-95速度
CPU ONNX
(毫秒)
速度
T4 TensorRT10
(ms)
参数
(M)
FLOPs
(B)
PP-YOLOE+t64039.9-2.844.8519.15
PP-YOLOE+s64043.7-2.627.9317.36
PP-YOLOE+m64049.8-5.5623.4349.91
PP-YOLOE+l64052.9-8.3652.2110.07
PP-YOLOE+x64054.7-14.398.42206.59
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

如图所示,PP-YOLOE+ 通常能在高端 GPU 上实现更高的原始 mAP,而 EfficientDet 则尝试尽量减少参数量。不过,两者都不及现代边缘 AI应用所需的实时性能。

用例与建议#

在 PP-YOLOE+ 和 EfficientDet 之间做选择,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 PP-YOLOE+#

PP-YOLOE+ 适用于:

  • 集成 PaddlePaddle 生态系统:已有基于百度 PaddlePaddle框架和工具构建基础设施的组织。
  • Paddle Lite 边缘部署:部署到专门针对 Paddle Lite 或 Paddle 推理引擎进行了高度优化的推理内核的硬件上。
  • 高精度服务端检测:在强大的 GPU 服务器上优先追求最高检测准确率,且不受框架依赖限制的场景。

何时选择 EfficientDet#

以下情况推荐使用 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 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。

现代替代方案:Ultralytics YOLO26#

PP-YOLOE+ 和 EfficientDet 都是重要的里程碑,但追求高精度、低内存占用和流畅用户体验的开发者应考虑 Ultralytics YOLO26。

YOLO26 在目标检测领域迈出重要一步,带来了多项创新:

  • 端到端无 NMS 设计:在 YOLOv10的基础上,YOLO26 的可选端到端检测头(nms=False)在推理过程中移除了非极大值抑制 (NMS)。这大幅降低了延迟,并消除了复杂的后处理瓶颈。
  • MuSGD 优化器:受 LLM 训练创新启发,YOLO26 使用 SGD 与 Muon 的混合优化器,提高训练稳定性并缩短收敛时间。
  • 更快的 CPU 推理:YOLO26n 的 CPU 推理速度比 YOLO11n最高快 43%,因此非常适合电池供电或仅配备 CPU 的边缘设备。
  • 先进训练技术:ProgLoss 和 STAL 大幅提升了小目标识别能力,这对无人机分析和机器人等任务至关重要。
多任务灵活性

EfficientDet 只专注于检测,而 YOLO26 在同一个维护完善的生态系统中原生支持实例分割、图像分类、姿态估计和定向边界框 (OBB)。

易用性与生态系统集成#

EfficientDet 等旧模型的一大缺点是训练流水线和自动化机器学习设置复杂。相比之下,Ultralytics 平台提供了精简的开发体验。

使用 Ultralytics 训练和运行模型只需几行代码,而旧框架则需要冗长的配置。

from ultralytics import YOLO

# 加载预训练的 YOLO26 模型
model = YOLO("yolo26s.pt")

# 使用 COCO8 数据集训练模型
results = model.train(data="coco8.yaml", epochs=100)

# 使用端到端检测头在测试图像上运行无 NMS 推理
predictions = model("https://ultralytics.com/images/bus.jpg", nms=False)

如果你正在探索其他替代方案,Ultralytics 生态系统还支持 RT-DETR或早期的 YOLOv8等架构,让你可以轻松切换和测试模型。

结论#

PP-YOLOE+ 仍是 Paddle 生态系统中特定服务器部署场景的强力选择,EfficientDet 也继续为自动化架构设计提供有趣的研究案例。不过,对于要求实时推理、易于部署且内存需求极低的现代应用,Ultralytics YOLO26 提供了最出色的性能平衡。它可选的无 NMS 设计和快速 CPU 性能,使其成为现代 AI 基础设施的推荐选择。

评论

提出问题、分享结果,或帮助其他人。