YOLOv5 与 EfficientDet
启动新的计算机视觉项目时,选择合适的神经网络架构是最重要的决策之一。本指南将深入对比 Ultralytics YOLOv5 和 Google 的 EfficientDet。通过分析两者的架构、性能指标和训练生态系统,帮助开发者和研究人员为特定部署环境选择最佳的目标检测模型。
EfficientDet 引入了复合缩放和特征融合方面的新理念,而 YOLOv5 则凭借直观的 PyTorch 实现、简化的用户体验,以及速度与精度之间的良好平衡,让高性能目标检测得以广泛应用。
Ultralytics YOLOv5:以易用性树立行业标准#
YOLOv5 于 2020 年 6 月发布,标志着 YOLO 系列发展的重要转折。它原生基于 PyTorch 构建,而非早期 YOLO 版本使用的基于 C 语言的 Darknet 框架,因此成为希望快速构建、训练和部署模型的开发者首选架构。
- 作者: Glenn Jocher
- 组织: Ultralytics
- 日期: 2020-06-26
- GitHub: https://github.com/ultralytics/yolov5
- 文档: https://docs.ultralytics.com/models/yolov5
架构创新#
YOLOv5 以优化的架构和简化的机器学习生命周期著称。它采用改进的 CSPDarknet53 主干网络,并搭配路径聚合网络(PANet)颈部结构,从而改善多个空间尺度间的特征传播。
主要改进包括:
- 马赛克数据增强:这项训练技术将四张不同的训练图像合并为一张马赛克图像。这样可以促使模型学习如何在复杂空间场景中识别目标,并提升检测小目标的能力。
- 自动学习锚框:训练开始前,YOLOv5 会分析你的自定义训练数据,并通过 k-means 聚类自动计算最佳锚框尺寸。
- 内存效率:与大型 Transformer 模型相比,YOLOv5 在训练和推理期间的内存占用更低,因此能在消费级硬件上流畅运行。
EfficientDet:可扩展的目标检测#
EfficientDet 于 2019 年由 Google Research 推出,旨在提供一系列可扩展的目标检测器。它以 EfficientNet 图像分类主干网络为基础,并引入了一种新颖的特征融合机制。
- 作者: Mingxing Tan、Ruoming Pang 和 Quoc V. Le
- 组织:Google
- 日期: 2019-11-20
- arXiv: https://arxiv.org/abs/1911.09070
- GitHub: https://github.com/google/automl/tree/master/efficientdet
- 文档: https://github.com/google/automl/tree/master/efficientdet#readme
架构创新#
EfficientDet 的核心主张在于其系统化的缩放和特征聚合方法:
- BiFPN(双向特征金字塔网络):传统 FPN 只会自顶向下传递信息,而 BiFPN 通过引入可学习权重来学习不同输入特征的重要性,从而实现快速、简便的多尺度特征融合。
- 复合缩放:EfficientDet 会联合缩放主干网络、特征网络和边界框/类别预测网络的分辨率、深度和宽度,构建从轻量级 D0 到最大型 D7 的一系列模型。
EfficientDet 高度依赖 TensorFlow 生态系统和 AutoML 库,而 YOLOv5 原生运行于 PyTorch 中,提供了许多开发者认为更直观、更符合 Python 风格且更易于调试的工作流。
性能与指标对比#
比较这些模型时,评估它们在 COCO 数据集等标准基准上的表现至关重要。下表展示了模型尺寸、计算需求(FLOPs)和推理速度之间的权衡。
| 模型 | 尺寸 (像素) | mAPval50-95 | 速度 CPU ONNX (毫秒) | 速度 T4 TensorRT10 (ms) | 参数 (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv5n | 640 | 28.0 | - | 1.12 | 1.9 | 4.5 |
| YOLOv5s | 640 | 37.4 | - | 1.92 | 7.2 | 16.5 |
| YOLOv5m | 640 | 45.4 | - | 4.03 | 21.2 | 49.0 |
| YOLOv5l | 640 | 49.0 | - | 6.61 | 46.5 | 109.1 |
| YOLOv5x | 640 | 50.7 | - | 11.89 | 86.7 | 205.7 |
| 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 |
综合分析#
YOLOv5 在部署灵活性和硬件加速兼容性方面表现突出。在精度相近时,它的 T4 TensorRT 速度远快于 EfficientDet;例如,YOLOv5m 用时 4.03 ms 达到 45.4 mAP,而 EfficientDet-d2 用时 10.92 ms 达到 43.0 mAP。因此,YOLOv5 非常适合高吞吐量视频分析和实时推理流程。此外,Ultralytics 生态系统只需一行命令即可导出为 ONNX、CoreML 和 TensorRT 等格式。
EfficientDet 的参数效率出色。在参数量相同的情况下,它通常能获得较高的平均精度均值(mAP)。不过,由于 BiFPN 层的路由结构复杂,参数效率并不总能转化为 GPU 上更快的实际推理速度;该结构可能受内存带宽限制,而非计算能力限制。
生态系统与易用性#
选择 Ultralytics 模型的关键优势在于其周边生态系统。YOLOv5 属于一个由活跃社区维护的大型代码仓库。
随着 Ultralytics Platform 推出,用户可以在同一个地方完成从数据收集到部署的整个流程。该平台支持自动标注、云端训练和模型监控。相比之下,训练 EfficientDet 通常需要处理较旧的 TensorFlow 目标检测 API 的复杂问题,这可能为快速原型开发带来较高的学习门槛。
此外,YOLOv5 的用途不止于边界框。通过后续版本,YOLOv5 代码仓库新增了实例分割(v7.0)和图像分类(v6.2),为多种计算机视觉任务提供了统一代码库。
理想应用场景#
- 适合选择 YOLOv5 的情况:你需要快速制作原型、简单的训练体验和优化的边缘部署。它非常适合无人机、零售分析和对低延迟要求严格的移动应用。
- 适合选择 EfficientDet 的情况:你完全在 Google Cloud/TensorFlow AutoML 环境中工作,并且需要在没有严格实时延迟限制的情况下,最大限度地提高每个参数的精度。
新一代模型:拥抱 YOLO26#
YOLOv5 依然是可靠的主力模型,但计算机视觉领域已取得长足进步。对于 2026 年启动新项目的开发者,YOLO26 是最新且最值得推荐的 Ultralytics 模型。
在前代模型(如 YOLOv8 和 YOLO11)的基础上,YOLO26 引入了多项创新:
- 端到端无 NMS 设计:YOLO26 可选的一对一检测头(
nms=False)无需进行非极大值抑制后处理。这降低了延迟波动,并简化了部署架构。 - CPU 推理速度最高提升 43%:YOLO26n 在 CPU 上的运行速度最高比 YOLO11n 快 43%,这有利于低功耗边缘 AI设备和没有专用 GPU 的普通 CPU。
- MuSGD 优化器:受大型语言模型(LLM)训练技术启发,这种结合 SGD 和 Muon 的混合优化器能够稳定训练并快速收敛。
- 先进的训练策略:结合 ProgLoss 和 STAL 可提升小目标识别能力,这对高空无人机图像和机器人至关重要。
- 移除 DFL:移除 Distribution Focal Loss 后,模型导出流程得到简化,提升了模型对各种硬件加速器的兼容性。
想要探索 Ultralytics 生态系统中其他近期架构的用户,也可以比较 YOLOv10 或 RT-DETR 等模型。
Ultralytics Python API 在不同代模型中使用相同的接口。如果你在 ultralytics 软件包中使用 YOLOv5u 权重,只需在代码中更改模型权重字符串即可升级到 YOLO26;基于原始 YOLOv5 代码仓库构建的项目则需要先迁移到 ultralytics 软件包。
代码示例:训练与推理#
下面介绍如何在 Ultralytics 软件包中训练 YOLO 模型并运行推理。这段代码可直接运行,并会自动处理数据集下载、训练循环和验证。
from ultralytics import YOLO
# 加载 YOLOv5u 模型(替换为 'yolo26n.pt' 即可试用最新架构)
model = YOLO("yolov5su.pt") # YOLOv5u:适用于 ultralytics 软件包的无锚框 YOLOv5 权重
# 使用 COCO8 示例数据集训练模型 20 个 epoch
results = model.train(data="coco8.yaml", epochs=20, imgsz=640)
# 对网络图像运行推理
inference_results = model("https://ultralytics.com/images/bus.jpg")
# 显示带有边界框的图像
inference_results[0].show()Ultralytics 注重用户体验、维护生态系统并发布 YOLO26 等更新,为开发者提供解决现实视觉 AI 挑战所需的最新工具。
评论
提出问题、分享结果,或帮助其他人。