开始使用

YOLOv6-3.0 与 EfficientDet 对比

为计算机视觉项目选择最优架构,需要深入了解速度、准确率和部署可行性之间的权衡。本对比页面深入分析了两种不同的目标检测模型:YOLOv6-3.0 和 EfficientDet。尽管这两个模型都为该领域做出了重要贡献,但现代边缘部署和快速原型开发通常能从更统一的框架中受益,例如 Ultralytics Platform。

下面的交互式图表直观展示了这些模型的性能差异,帮助你了解各自的延迟和准确率表现。

YOLOv6-3.0:工业级吞吐量#

YOLOv6-3.0 由美团专门设计,旨在打造适用于工业应用的高性能单阶段目标检测框架。它着重提升 GPU 硬件上的吞吐量,因此非常适合高速生产线和离线视频分析。

  • 作者: Chuyi Li、Lulu Li、Yifei Geng、Hongliang Jiang、Meng Cheng、Bo Zhang、Zaidan Ke、Xiaoming Xu 和 Xiangxiang Chu
  • 组织: 美团
  • 日期: 2023-01-13
  • arXiv:2301.05586
  • GitHub: meituan/YOLOv6

架构亮点#

YOLOv6-3.0 架构采用双向拼接 (BiC) 模块,以改善不同尺度间的特征融合。为确保推理速度,该架构使用了高度优化、可在 GPU 上执行的 EfficientRep 骨干网络。此外,它还采用辅助锚框训练 (AAT) 策略,在训练阶段融合基于锚框和无锚框检测器的优势,同时保持无锚框推理流程以降低延迟。

优势与劣势#

YOLOv6-3.0 在配备专用 GPU 硬件的环境中表现出色,可使用 TensorRT 实现快速实时推理。不过,它高度依赖特定硬件优化,因此在仅配备 CPU 的边缘 AI 设备上可能无法发挥最佳性能。此外,虽然它支持一些量化功能,但其工具链不如 Ultralytics 生态系统统一。

详细了解 YOLOv6

EfficientDet:可扩展的 AutoML 架构#

EfficientDet 由 Google Research 开发,采用了截然不同的方法。作者没有手工设计网络,而是使用自动化机器学习 (AutoML)设计了可扩展的架构,以平衡参数量、FLOPs 和准确率。

架构亮点#

EfficientDet 引入了双向特征金字塔网络(BiFPN),可轻松快速地融合多尺度特征。再结合复合缩放方法,对所有骨干网络、特征网络以及框和类别预测网络的分辨率、深度和宽度进行统一缩放,EfficientDet 模型系列涵盖从紧凑的 d0 到最大的 d7。

优势与劣势#

EfficientDet 的参数效率很高。与较早的目标检测器相比,它只用相对较少的参数就能取得出色的平均精度均值(mAP)。不过,其参考实现基于 TensorFlow,因此依赖管理更复杂、训练周期更长,而且训练时比优化过的 PyTorch 实现需要更多内存。它在现代 GPU 上的推理速度也明显慢于较新的 YOLO 架构。

了解 EfficientDet 的更多信息

详细性能对比#

下表对比了 YOLOv6-3.0 和 EfficientDet 在各项指标上的技术规格。请注意,YOLOv6-3.0 的 GPU 速度更快,而 EfficientDet 则以显著增加延迟为代价,扩展到更高的 mAP。

模型尺寸
(像素)
mAPval50-95速度
CPU ONNX
(毫秒)
速度
T4 TensorRT10
(ms)
参数
(M)
FLOPs
(B)
YOLOv6-3.0n64037.5-1.174.711.4
YOLOv6-3.0s64045.0-2.6618.545.3
YOLOv6-3.0m64050.0-5.2834.985.8
YOLOv6-3.0l64052.8-8.9559.6150.7
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
延迟与吞吐量

比较模型时,请记住,FLOPs 和参数量并不总能与实际延迟完全对应。YOLOv6-3.0 针对 TensorRT 进行了优化,即使 FLOPs 高于较低级别的 EfficientDet 模型,仍能达到毫秒级速度。

Ultralytics 生态系统的优势#

YOLOv6-3.0 和 EfficientDet 各有其适用领域,但现代计算机视觉项目需要灵活性、易用性和维护良好的生态系统。这些正是 Ultralytics YOLO 模型的优势。

易用性与训练效率#

EfficientDet 需要处理复杂的 TensorFlow 配置,而 Ultralytics 模型基于直观的 PyTorch 架构,并提供单一的 Python API。Ultralytics Platform 则涵盖从标注到部署的整个机器学习生命周期。训练 Ultralytics 模型通常需要更少的 CUDA 内存,从而加快实验速度并降低计算成本。

灵活性#

YOLOv6-3.0 和 EfficientDet 主要局限于目标检测。相比之下,现代 Ultralytics 架构本身就支持多任务。通过统一接口,你可以训练模型来执行实例分割、语义分割、深度估计、图像分类、姿态估计和有向边界框(OBB)任务,其中 YOLO26 支持语义分割和深度估计。

认识 Ultralytics YOLO26#

对于希望在速度和准确率之间实现最佳平衡的开发者,推荐使用 Ultralytics YOLO26。YOLO26 于 2026 年 1 月发布,相比 YOLOv6 和 EfficientDet 引入了多项改进:

  • 端到端无 NMS 设计:YOLO26 的可选一对一检测头(nms=False)无需进行非极大值抑制(NMS)后处理,降低了延迟波动,并简化了边缘设备上的部署逻辑。
  • MuSGD 优化器:这种融合 SGD 与 Muon 的优化器受大语言模型(LLM)训练启发,能够实现稳定训练和更快收敛。
  • CPU 推理速度最高提升 43%:移除分布焦点损失(DFL)后,YOLO26n 的 CPU 运行速度最高比 YOLO11n 快 43%,适用于低功耗 IoT 设备。
  • ProgLoss + STAL:渐进式损失和小目标感知标签分配能够提升小目标识别能力,因此 YOLO26 非常适合无人机和航拍影像应用。

用例与建议#

如何在 YOLOv6 和 EfficientDet 之间做选择,取决于你的具体项目需求、部署限制和生态偏好。

何时选择 YOLOv6#

YOLOv6适合以下场景:

  • 面向工业硬件的部署: 在这类场景中,模型面向硬件的设计和高效重参数化能针对特定目标硬件优化性能。
  • 快速单阶段检测: 优先考虑 GPU 原始推理速度、以便在受控环境中处理实时视频的应用。
  • 与美团生态系统集成: 已在 美团技术栈和部署基础设施中开展工作的团队。

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在性能与开发体验之间实现了最佳平衡:

  • 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 运行速度最高可比 YOLO11n 快 43%。
  • 小目标检测:具有挑战性的场景,例如无人机航拍图像或 IoT 传感器分析。在这些场景中,ProgLoss 和 STAL 可以提升微小目标的检测精度。

实现示例:训练 YOLO26#

下面的代码展示了 Ultralytics 生态的简洁易用。训练先进模型只需加载权重并指定数据即可。

from ultralytics import YOLO

# Load the highly optimized YOLO26 nano model
model = YOLO("yolo26n.pt")

# Train the model on a dataset with automatic hyperparameter handling
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Validate the model to check mAP metrics
metrics = model.val()
print(f"Validation mAP50-95: {metrics.box.map}")

# Run inference on a test image
prediction = model("https://ultralytics.com/images/bus.jpg")

其他值得考虑的模型#

如果你正在探索其他目标检测模型,可以考虑以下替代方案:

  • YOLO11:YOLO26 的前代模型,支持多任务,并拥有庞大的社区。
  • YOLOv10:首个引入无 NMS 训练的 YOLO 架构,为现代端到端检测铺平了道路。
  • RT-DETR:适用于优先考虑基于 Transformer 的架构和注意力机制,而非传统 CNN 的场景。

结论#

尽管 YOLOv6-3.0 能为工业应用提供出色的 GPU 吞吐量,EfficientDet 也展示了 AutoML 在构建可扩展且参数高效的网络方面的潜力,但这两个模型在部署易用性和现代多任务灵活性方面都存在局限。

对于绝大多数实际应用——从移动边缘部署到基于云的分析——Ultralytics 生态系统都能提供出色的性能平衡。采用 YOLO26 后,开发者可以使用可选的无 NMS 推理、针对小目标改进的损失函数,以及统一且文档完善的训练流程,从而缩短从原型到生产的周期。

评论

提出问题、分享结果,或帮助其他人。