YOLOX 与 EfficientDet
目标检测的发展,始终由速度、精度和计算效率之间的平衡需求所推动。YOLOX 和 EfficientDet 是影响这一发展轨迹的两个里程碑模型:YOLOX 将无锚框设计引入 YOLO 系列,而 EfficientDet 则专注于通过复合缩放和 BiFPN 实现可扩展架构。本指南将详细比较二者的架构、性能指标和训练方法,并介绍 Ultralytics YOLO26 等较新的替代模型。
模型起源与技术细节#
在比较它们的结构差异之前,先了解这两种模型的起源和基础研究非常重要。
YOLOX 详情:
- 作者:郑革、刘松涛、王峰、李泽明和孙剑
- 机构:旷视科技
- 日期: 2021 年 7 月 18 日
- arXiv: YOLOX:2021 年超越 YOLO 系列
- GitHub: Megvii-BaseDetection/YOLOX
- 文档: YOLOX 官方文档
EfficientDet 详情:
- 作者: Mingxing Tan、Ruoming Pang 和 Quoc V. Le
- 组织:Google Brain
- 日期: 2019 年 11 月 20 日
- arXiv: EfficientDet:可扩展且高效的目标检测
- GitHub 和文档: Google AutoML EfficientDet
架构对比#
YOLOX 和 EfficientDet 的根本区别在于它们提取特征和预测边界框的方式。了解这些目标检测架构,对于为你的部署环境选择合适的模型至关重要。
YOLOX:无锚框创新者#
YOLOX 将 YOLO 系列从基于锚框的检测器转变为无锚框设计。这一转变大幅减少了设计参数,并简化了训练流程。
其主要架构特征包括解耦头,它将分类任务与回归任务分开处理。这解决了识别目标是什么与准确预测目标在哪里之间的冲突。此外,YOLOX 还使用 SimOTA 等先进的标签分配策略,在训练期间动态地将正样本分配给真实目标,从而加快收敛速度,并更好地平衡速度与精度。
EfficientDet:复合缩放与 BiFPN#
EfficientDet 从效率和可扩展性的角度处理目标检测问题。它由 Google 开发,依靠 EfficientNet 主干网络提取特征。
它的标志性特征是双向特征金字塔网络(BiFPN)。与传统 FPN 不同,BiFPN 通过引入可学习权重来学习不同输入特征的重要性,从而轻松快速地融合多尺度特征。再结合复合缩放方法,对所有主干网络、特征网络以及边界框/分类预测网络的分辨率、深度和宽度进行统一缩放,EfficientDet 就能从移动端尺寸的模型(d0)扩展到大型服务器端模型(d7)。
虽然 EfficientDet 的复合缩放能以可预测的方式提升准确率,但与 YOLOX 简洁的无锚框设计相比,它往往会产生复杂的计算图,使其难以针对实时边缘计算进行优化。
性能与指标分析#
评估这些模型在实际计算机视觉应用中的表现时,平均精度均值、推理速度和参数数量等指标至关重要。
| 模型 | 尺寸 (像素) | mAPval50-95 | 速度 CPU ONNX (毫秒) | 速度 T4 TensorRT10 (ms) | 参数 (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOXnano | 416 | 25.8 | - | - | 0.91 | 1.08 |
| YOLOXtiny | 416 | 32.8 | - | - | 5.06 | 6.45 |
| YOLOXs | 640 | 40.5 | - | 2.56 | 9.0 | 26.8 |
| YOLOXm | 640 | 46.9 | - | 5.43 | 25.3 | 73.8 |
| YOLOXl | 640 | 49.7 | - | 9.04 | 54.2 | 155.6 |
| YOLOXx | 640 | 51.1 | - | 16.1 | 99.1 | 281.9 |
| 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 |
权衡分析#
数据凸显了两种截然不同的设计理念。EfficientDet-d7 的整体精度最高,mAP 达到 53.7%,但推理速度代价很大(在 T4 GPU 上耗时 128.07 ms)。相比之下,YOLOXx 在 16.1 ms 内实现了 51.1% 的 mAP,更适合实时视频理解和机器人应用。
用例与建议#
选择 YOLOX 还是 EfficientDet,取决于你的具体项目需求、部署限制和生态系统偏好。
何时选择 YOLOX#
YOLOX 适合以下场景:
- 无锚框检测研究:学术研究使用 YOLOX 简洁的无锚框架构作为基线,以试验新的检测头或损失函数。
- 超轻量级边缘设备:部署到微控制器或旧款移动硬件时,YOLOX-Nano 变体极小的体积(0.91M 个参数)至关重要。
- SimOTA 标签分配研究:研究项目用于探索基于最优传输的标签分配策略及其对训练收敛的影响。
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 能提供性能与开发者体验的最佳组合:
- 无 NMS 边缘部署:需要稳定、低延迟推理,同时不想处理非极大值抑制(NMS)后处理复杂性的应用。
- 仅使用 CPU 的环境: 没有专用 GPU 加速的设备中,YOLO26n 的 CPU 推理速度最高比 YOLO11n 快 43%,优势显著。
- 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。
现代替代方案:Ultralytics YOLO26#
YOLOX 和 EfficientDet 都是重要的里程碑,但机器学习领域发展迅速。如今要部署视觉系统,推荐选择 YOLO26,也就是于 2026 年 1 月发布的最新 Ultralytics 模型。
与较早的架构相比,YOLO26 拥有维护完善的生态,在速度和易用性方面也有显著提升:
YOLO26 的关键创新#
- 端到端无 NMS 设计:YOLO26 的可选一对一检测头(
nms=False)无需进行 NMS 后处理。这种原生端到端方案由 YOLOv10 引入 YOLO 模型,能够简化导出流程并降低部署延迟。 - CPU 推理速度最高提升 43%:移除 NMS 和分布焦点损失(DFL)后,YOLO26n 在 CPU 上的运行速度比 YOLO11n 最多快 43%,适合没有独立 GPU 的边缘设备。
- MuSGD 优化器:YOLO26 将大型语言模型(LLM)领域的创新引入视觉任务,使用 MuSGD 优化器(SGD 与 Muon 的混合)实现稳定训练和快速收敛,从而提高训练效率。
- ProgLoss + STAL:渐进式损失与小目标感知标签分配(STAL)能改进小目标检测,这对无人机作业和航拍图像分析等应用至关重要。
- 多功能性:YOLOX 严格来说是目标检测器,而 YOLO26 原生支持多种任务,包括实例分割、图像分类、姿态估计和有向边界框(OBB)检测。
借助 Ultralytics API 轻松使用#
Ultralytics 模型最显著的优势之一是精简的用户体验。训练和部署 YOLO26 模型所需的内存更少(低于复杂的 Transformer 模型),只需几行 Python 代码即可完成:
from ultralytics import YOLO
# 初始化原生端到端 YOLO26 模型
model = YOLO("yolo26n.pt")
# 在你的自定义数据集上训练模型
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# 将训练好的模型导出为 TensorRT,以便在 GPU 上进行推理
model.export(format="engine", dynamic=True)如果你更喜欢图形界面,Ultralytics Platform 提供了用于数据集标注、云端训练和部署的工具。
实际应用场景#
选择合适的架构,很大程度上取决于你的具体部署限制。
何时考虑 EfficientDet#
在推理速度不如高分辨率图像精度重要的环境中,EfficientDet 仍受到学术界关注。它基于 TensorFlow 生态实现,也可能适合维护旧版 Google 基础设施的团队。
何时考虑使用 YOLOX#
对于需要兼顾速度和准确率且不想处理锚框复杂性的应用,YOLOX 是合适的选择。它过去在工业制造场景中表现出色,尤其适用于需要在传送带上快速检测缺陷的情况。
为什么选择 YOLO26#
对于大多数现代应用,YOLO26 都是理想选择。它的无 NMS 设计能够提供可预测的延迟,因此适用于自动驾驶、快速响应的安全警报系统和智慧城市部署。Ultralytics 活跃的社区支持和频繁更新,也有助于开发者避免使用已弃用的依赖项。
探索高级计算机视觉的开发者,还可以了解 Ultralytics 生态中的其他架构,例如适用于经过充分测试的现有部署的 YOLO11,或适用于基于提示进行分割的专用模型 FastSAM。
评论
提出问题、分享结果,或帮助其他人。