YOLO11 与 EfficientDet：综合技术比较

在快速发展的计算机视觉领域，选择正确的物体检测模型对于构建成功的人工智能应用至关重要。在这些评估中经常出现的两个著名模型是 Ultralytics YOLO11虽然这两种架构都旨在解决图像中的物体检测问题，但它们在设计理念、架构创新和性能优先级方面却有着本质的不同。

本指南提供了深入的技术比较，帮助开发人员和研究人员了解这两种模型之间的细微差别。我们将探讨它们的架构、性能指标、训练方法和理想用例，重点说明为什么现代开发通常更青睐YOLO 系列的多功能性和速度。

Ultralytics YOLO11：实时视觉的最新技术

2024 年底发布、 YOLO11是Ultralytics 著名的 "只看一次 "架构的最新迭代产品。它的设计在推理延迟和准确性之间实现了终极权衡，使其成为从边缘设备到云服务器等实时应用的首选。

技术细节：

• 作者： Glenn Jocher, Jing Qiu
• 组织机构Ultralytics
• 日期： 2024-09-27
• GitHub：ultralytics
• 文档：Ultralytics YOLO11 文档

架构和主要特性

YOLO11 以优化历史为基础。它采用了经过改进的无锚点检测器设计，无需手动计算锚点框，从而简化了训练过程。该架构集成了先进的特征提取层，减少了总参数数，同时保持了较高的 mAP.

与只专注于检测的前辈或竞争对手不同，YOLO11 是一个多任务框架。单个模型架构可用于以下方面

• 目标检测
• 实例分割
• 图像分类
• 姿势估计
• 定向边界旋转框检测Oriented Bounding Box)

优势

• 无与伦比的速度：针对 GPU推理，即使在高分辨率数据流上也能实现实时性能。
• 多功能性：本机支持多种计算机视觉任务，无需为分割或姿势估计 切换框架。
• 易用性： 字段 ultralytics 该软件包只需几行代码即可完成培训、验证和部署。
• 内存效率：与transformer替代方案或老式架构相比，其设计旨在以更低的CUDA 内存需求加快训练速度。

了解更多关于 YOLO11 的信息

Google的 EfficientDet：优化效率

EfficientDet Google 大脑团队于 2019 年底推出，旨在提高物体检测模型的效率。它主要侧重于优化实现高精度所需的参数数量和理论计算量（FLOP）。

技术细节：

• 作者： Mingxing Tan、Ruoming Pang、Quoc V. Le
• 组织机构Google
• 日期: 2019-11-20
• Arxiv：EfficientDet：可扩展的高效物体检测
• GitHub：google
• 文档EfficientDet README

架构和主要特性

EfficientDet 建立在EfficientNet骨干之上，并引入了两个关键概念：

1. BiFPN（双向特征金字塔网络）：特征融合层可轻松实现多尺度特征整合，以不同方式权衡输入特征，了解其重要性。
2. 复合缩放：统一缩放网络分辨率、深度和宽度的方法，创建从 D0（最小）到 D7（最大）的模型系列。

优势与劣势

EfficientDet 在参数效率方面表现出色，与 YOLOv3 等老式模型相比，它往往只需较少的参数就能达到很高的精度。它具有很强的可扩展性，允许用户选择适合其理论 FLOPs 预算的模型大小。

然而，在现代部署环境中，EfficientDet 有明显的局限性：

• 较慢的GPU 推理速度：虽然在 FLOPs 方面效率很高，但与YOLO 模型中使用的密集卷积相比，EfficientDet 中广泛使用的深度可分离卷积在 GPU 上的优化程度往往较低。这导致推理延迟较高。
• 范围有限：它主要是一个对象检测器，缺乏对复杂任务（如旋转框检测 或姿势估计 ）的本地统一支持。
• 复杂的工具：原始资源库以研究为导向TensorFlow），缺乏完善、用户友好的应用程序接口和部署工具，而这些正是Ultralytics 生态系统的特点。

了解更多关于 EfficientDet 的信息

性能对比

在比较YOLO11 与 EfficientDet 时，最显著的区别在于GPU 硬件上的实际推理速度。EfficientDet 最大限度地减少了 FLOPs，而YOLO11 则最大限度地减少了延迟，而延迟正是实时应用最重要的指标。

下表说明了这一差距。例如，YOLO11n在精度（+4.9mAP）和速度（在 T4GPU 上比EfficientDet-d0快 2.6 倍）方面都优于EfficientDet-d0。随着规模的扩大，这种差距变得更加明显；YOLO11x的精度优于EfficientDet-d7，而速度却比EfficientDet-d7 快 11 倍以上。

结果分析

1. 实时功能： YOLO11 可在GPU 上对所有大小的模型提供真正的实时推理能力，而 EfficientDet 的较大变体（d4-d7）则难以保持实时帧率（30 FPS 或 ~33ms）。
2. 精度与速度：在每个可比精度点（例如 47.0mAP）上，YOLO11 变体（YOLO11s）都比 EfficientDet 同等变体（EfficientDet-d3）快得多。
3. 训练效率： Ultralytics 模型的收敛速度通常更快，并能更有效地利用硬件加速，从而降低在定制数据集上进行训练所需的成本和时间。

理想用例

何时选择 Ultralytics YOLO11

YOLO11 是绝大多数现代计算机视觉项目的首选，尤其是那些要求兼顾速度、准确性和易开发性的项目。

• 边缘人工智能与机器人技术：在NVIDIA ®）Jetson 或树莓派（Raspberry Pi）等设备上部署，在这些设备上执行导航或避免碰撞等任务时，低延迟是必不可少的。
• 商业应用：零售分析、自动化制造和安全监控，可靠性和速度直接影响投资回报率。
• 多任务系统：不仅仅需要边界框的项目，例如检查工人是否穿戴安全装备（检测）以及工人的姿势是否正确姿势估计 ）。
• 快速开发：需要使用用户友好的应用程序接口和大量文件进行快速迭代的团队。

何时选择 EfficientDet

EfficientDet 仍适用于特定的利基方案：

• 学术基准：研究复合扩展或 BiFPN 架构具体效果的研究人员。
• 严重的 FLOPs 限制： CPU 环境极其有限，理论操作数（FLOP）是唯一的限制因素，而不是延迟或内存带宽。

易用性：Ultralytics 代码体验

YOLO11 的显著特点之一是无缝开发体验。传统模型通常需要复杂的配置文件和模板代码，而Ultralytics 将工作流程简化为几行直观的Python 代码。

下面是加载预训练的YOLO11 模型并运行推理的简单过程：

from ultralytics import YOLO

# Load a pre-trained YOLO11 model
model = YOLO("yolo11n.pt")

# Run inference on an image
results = model("path/to/image.jpg")

# Display the results
results[0].show()

这种简便性也适用于自定义数据的训练：

# Train the model on a custom dataset (e.g., COCO8)
model.train(data="coco8.yaml", epochs=100, imgsz=640)

结论

而 EfficientDet 则引入了模型扩展和效率方面的重要概念、 Ultralytics YOLO11是满足当今实际计算机视觉需求的最佳选择。它提供了以下令人信服的组合

• 卓越性能：在现代硬件上实现更快的推理速度和更高的准确性。
• 更多功能：用于检测、分割、姿势估计等的统一框架。
• 更好的可用性：维护良好的生态系统，拥有出色的文档和社区支持。

对于希望构建稳健、高性能和可扩展的视觉人工智能应用的开发人员来说，YOLO11 提供了成功所需的强大功能和灵活性。

其他模型对比

探索YOLO11 与其他领先架构的比较：

• YOLO11 vs.YOLOv10
• YOLO11 vs. YOLOv8
• YOLO11 vs. RT-DETR
• EfficientDet 与 YOLOv8
• EfficientDet vs.YOLOv7

评论