YOLOX 与 EfficientDet：技术对比

选择合适的物体检测架构是开发计算机视觉应用的关键决策。YOLOX 和 EfficientDet 是对这一领域产生重大影响的两个模型。 虽然这两个模型都旨在解决图像中物体的定位和分类问题，但它们采用的设计理念却截然不同。

本指南对高性能无锚检测器YOLOX 和注重效率的可扩展架构EfficientDet 进行了深入的技术比较。我们将分析它们的架构、基准和训练方法，帮助您决定哪种模型适合您的传统限制，同时还将介绍 Ultralytics YOLO11作为最先进性能的现代推荐替代方案。

YOLOX：无锚进化论

YOLOX 由 Megvii 的研究人员于 2021 年发布，它放弃了之前迭代的基于锚点的机制，代表了YOLO （只看一次）系列的转变。

• 作者： Zheng Ge, Songtao Liu, Feng Wang, Zeming Li, 和 Jian Sun
• 组织机构Megvii
• 日期: 2021-07-18
• Arxiv：YOLOX：2021 年超越YOLO 系列
• GitHub：Megvii-BaseDetection/YOLOX

架构与关键创新

YOLOX 的与众不同之处在于去耦合的头部结构。传统的探测器通常使用耦合头，其中分类和定位任务共享参数，这可能会导致训练过程中的冲突。YOLOX 将这些任务分离成不同的分支，显著提高了收敛速度和最终精度。

其最显著的特点是无锚点设计。通过消除对预定义锚框的需求，YOLOX 消除了与锚生成相关的启发式调整。与之搭配的是SimOTA（简化最优传输分配），这是一种先进的标签分配策略，可动态地将正样本分配给地面真值，从而比静态IoU 阈值更有效地平衡训练过程。

了解更多关于 YOLOX 的信息

EfficientDet：可扩展效率

EfficientDetGoogle 大脑团队于 2019 年开发，致力于在特定计算预算范围内实现尽可能高的精确度。它建立在 EfficientNet 骨干之上，并引入了一种新颖的特征融合技术。

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

架构与关键创新

EfficientDet 的核心创新是BiFPN（加权双向特征金字塔网络）。传统的特征金字塔网络（FPN）会将不同尺度的特征相加相等，与之不同的是，BiFPN 引入了可学习的权重，以了解不同输入特征的重要性。它还允许信息自上而下和自下而上反复流动。

EfficientDet 还采用了复合缩放技术。它不是只对主干网或图像分辨率进行缩放，而是对网络的分辨率、深度和宽度进行统一缩放。这就形成了一个模型系列（D0 至 D7），提供了一条一致的效率与精度曲线，使其能够高度适应从移动应用程序到高端云处理的各种任务。

了解更多关于 EfficientDet 的信息

性能分析：速度与效率

这两种模型的根本区别在于它们的优化目标。EfficientDet针对理论效率（FLOPs 和参数）进行了优化，这通常可以很好地转化为边缘设备上的CPU 性能。反之，YOLOX 则是针对 GPU 上的高吞吐量推理而优化的，它利用了加速器能很好处理的密集算子。

下表说明了这种权衡。就参数而言，EfficientDet-d0 非常轻量级，而 YOLOX-s 在 TensorRT优化硬件上的推理速度明显更快。

重要观察

1. GPU 延迟：YOLOX 在加速器上表现出卓越的性能。YOLOX-l 实现了与 EfficientDet-d4 相同的精度（49.7mAP），但在 T4GPU 上的运行速度快了近3.7 倍（9.04ms 对 33.55ms）。
2. 参数效率：当存储量是主要限制因素时，EfficientDet 的表现更为出色。EfficientDet-d3 只需 1,200 万个参数就能提供很高的精度（47.5mAP），而使用 YOLOX 要达到类似的精度，则需要中型模型的两倍多参数。
3. 训练复杂度：YOLOX 本身集成了强大的数据增强技术，如 Mosaic 和MixUp ，这有助于从头开始训练强大的模型，而 EfficientDet 则在很大程度上依赖于 EfficientNet 主干网的特定属性和复合缩放规则。

Ultralytics YOLO11：高级替代品

虽然 YOLOX 和 EfficientDet 在各自的时代都具有开创性，但计算机视觉领域的发展日新月异。为了实现 2024 年及以后的现代应用，我们需要 Ultralytics YOLO11提供了一种全面的解决方案，在速度、准确性和可用性方面均优于这两种传统架构。

为什么选择 Ultralytics YOLO11？

• 性能平衡： YOLO11 的设计目的是在速度和准确性之间进行最佳权衡。它通常能达到或超过 EfficientDet-d7 的最高精度，同时保持接近最快 YOLOX 变体的推理速度。
• 易于使用：与 EfficientDet 或 YOLOX 复杂的研究资料库不同，Ultralytics 提供了一个可用于生产的Python API。只需几行代码，您就可以加载、训练和部署一个模型。
• 维护良好的生态系统： Ultralytics 模型得到了积极开发、频繁更新和活跃社区的支持。集成的生态系统包括用于无缝数据集管理和模型训练的Ultralytics HUB。
• 多功能性：YOLOX 和 EfficientDet 主要是对象检测器，而YOLO11 则在单一框架内支持多种任务，包括实例分割、姿势估计 、定向边框（旋转框检测）和分类。
• 训练效率：与旧式transformer 或复杂的骨干架构相比，YOLO11 采用了经过改进的架构块，减少了训练过程中的内存需求。这使得在消费级硬件上训练最先进的模型成为可能。

from ultralytics import YOLO

# Load the YOLO11n model (nano version for speed)
model = YOLO("yolo11n.pt")

# Perform object detection on an image
results = model("path/to/image.jpg")

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

理想用例

• 只有当您在极其有限的CPU边缘设备上部署时，FLOP 数量是绝对的限制因素，并且您有传统的依赖关系时，才会选择 EfficientDet。
• 如果您需要在GPU 上进行无锚检测器的学术研究，可以选择 YOLOX，但要注意与现代框架相比，YOLOX的设置更为复杂。
• 几乎所有新的商业和研究项目都会选择Ultralytics YOLO11。无论您是要构建自动驾驶汽车、智能城市分析，还是要进行制造质量控制，YOLO11 都能提供从原型到生产所需的稳健性、速度和工具。

结论

YOLOX 和 EfficientDet 都为物体检测技术的进步做出了重大贡献。EfficientDet 证明了模型缩放可以是科学的、结构化的，而 YOLOX 则成功地推广了完全无锚检测管道。

然而 Ultralytics YOLO11综合了这些架构的最佳经验--效率、无锚设计和GPU 优化--形成了一个统一的、用户友好的软件包。Ultralytics YOLO11 在训练过程中占用内存更少，支持多种计算机视觉任务，并与ONNX 和CoreML 等部署格式无缝集成，是当今开发人员的推荐选择。

延伸阅读

探索更多比较，了解物体检测模型的全貌：

• YOLO11 vs. YOLOv8
• YOLO11 vs. RT-DETR
• YOLOv8 vs. EfficientDet
• YOLOv5 vs. YOLOX

评论