开始使用

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。

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。

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。

了解 EfficientDet 的更多信息

框架差异

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)
YOLOv5n64028.0-1.121.94.5
YOLOv5s64037.4-1.927.216.5
YOLOv5m64045.4-4.0321.249.0
YOLOv5l64049.0-6.6146.5109.1
YOLOv5x64050.7-11.8986.7205.7
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

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。

迁移轻松简单

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。