Комп'ютерний зір у виробництві: YOLO vs EfficientDet vs ViT — що обрати

## Чому вибір архітектури детекції має значення для виробничого CV Комп'ютерний зір у промисловості — це не хайп, це вже зрілий ринок із чіткими вимогами: швидкість inference, точність виявлення дефектів, стійкість до умов освітлення, можливість роботи на edge-пристроях. Три сімейства архітектур — YOLO, EfficientDet та Vision Transformers (ViT) — по-різному відповідають на ці вимоги. Правильний вибір між ними може визначити, чи впорається система з ритмом конвеєра 200 деталей за хвилину, чи виявить дефект розміром 0,3 мм, чи запрацює на промисловому комп'ютері без виділеної GPU. Нижче — детальне технічне порівняння на основі реальних промислових датасетів і практичних сценаріїв. ## YOLO: швидкість як ключова перевага YOLO (You Only Look Once) — сімейство архітектур, спроектованих для максимально швидкого inference. Назва описує ключову ідею: одне проходження зображення через мережу дає всі детекції одночасно, без окремих фаз region proposal і класифікації. ### Еволюція версій для промислових задач **YOLOv5** залишається популярним вибором завдяки зрілій екосистемі та документації. Підтримує ONNX, TensorRT та CoreML для edge deployment. На Jetson Xavier NX досягає 120–140 FPS для зображень 640×640, що достатньо для більшості конвеєрів. **YOLOv8** від Ultralytics — значний крок вперед. Оновлений backbone (C2f замість C3), anchor-free детектор, краща точність при схожій швидкості. Єдина кодова база для детекції, сегментації та класифікації спрощує розробку. **YOLOv10 та YOLOv11** — найновіші версії з подальшою оптимізацією efficiency. YOLOv10 запровадив NMS-free training, що знижує latency inference на 20–30%. ### Реальні бенчмарки на промислових датасетах На датасеті MVTec AD (промисловий стандарт для контролю якості, 15 категорій дефектів): - YOLOv8s: mAP@0.5 = 0.76, inference 4 мс на NVIDIA T4 - YOLOv8m: mAP@0.5 = 0.81, inference 7 мс на NVIDIA T4 - YOLOv8l: mAP@0.5 = 0.84, inference 12 мс на NVIDIA T4 На CPU (Intel i7-12700K) YOLOv8s дає 45 мс inference — прийнятно для неспішних ліній, але недостатньо для високошвидкісних конвеєрів. ### Сильні сторони YOLO для промислового CV - **Реальний час на edge.** YOLOv8n на Jetson Nano дає 30+ FPS при потужності 5–10 Вт - **Проста інтеграція.** API Ultralytics дозволяє запустити перший прототип за десятки рядків коду - **Широка екосистема.** TensorRT, OpenVINO, ONNX — готові шляхи оптимізації для промислових платформ - **Добрі pretrained моделі** на загальних датасетах, які швидко fine-tune на специфічних дефектах ### Обмеження YOLO - Детекція дрібних дефектів (менше 16×16 пікселів на зображенні 640×640) залишається викликом, особливо при перекриттях - Нижча точність на складних поверхневих дефектах порівняно з EfficientDet-D5/D7 ## EfficientDet: баланс між точністю та ефективністю EfficientDet, розроблений Google Brain, реалізує іншу філософію: максимальна точність при обмежених обчислювальних ресурсах. Ключові архітектурні рішення — EfficientNet backbone і BiFPN (Bidirectional Feature Pyramid Network). ### BiFPN і multi-scale fusion Класична Feature Pyramid Network (FPN) об'єднує ознаки різних масштабів лише у низхідному напрямку. BiFPN додає висхідні зв'язки і навчувані ваги для кожного вхідного вузла, що значно покращує виявлення об'єктів різних розмірів — критично для промислових дефектів, де тріщина може бути і мікроскопічною, і великою. ### Compound scaling EfficientDet масштабується через одночасне збільшення глибини мережі, ширини та роздільності вхідного зображення за фіксованим коефіцієнтом. Це дає сімейство моделей D0–D7 з передбачуваним trade-off між ресурсами та точністю. На MVTec AD: - EfficientDet-D2: mAP@0.5 = 0.80, inference 18 мс на T4 - EfficientDet-D4: mAP@0.5 = 0.86, inference 40 мс на T4 - EfficientDet-D7: mAP@0.5 = 0.91, inference 130 мс на T4 EfficientDet-D7 перевершує YOLOv8l за точністю, але ціна — у 10 разів більша latency. ### Коли EfficientDet є кращим вибором - Задачі з малими дефектами: мікротріщини, порошина, точкова корозія (BiFPN дає перевагу) - Batch-обробка: аналіз зображень не в реальному часі (нічна перевірка партії) - Задачі, де хибно пропущений дефект коштує набагато дорожче, ніж затримка inference ## Vision Transformers: нова парадигма Vision Transformers (ViT) — архітектура, що запозичила механізм self-attention з NLP і застосувала до зображень. Зображення ділиться на патчі (наприклад, 16×16 пікселів), кожен патч перетворюється у вектор, і transformer обробляє послідовність цих векторів. ### Що дає self-attention для промислового CV Self-attention дозволяє кожному патчу «дивитись» на весь інший контекст зображення одночасно. Це корисно для задач, де дефект проявляється лише у контексті сусідніх структур: наприклад, нерівномірність покриття видна лише при порівнянні сусідніх ділянок. ### Практичний стан ViT для промислових застосувань (2024–2025) ViT та його похідні (DeiT, Swin Transformer, DINO) показують strong performance на ImageNet і спеціалізованих завданнях, але у промисловому production мають обмеження: - **Висока обчислювальна вимогливість.** Swin-T fast inference — 50–80 мс на T4 GPU. Для edge недоступні без серйозної квантизації - **Повільне fine-tuning.** ViT-моделі потребують більших датасетів і більшого часу навчання порівняно з CNN-архітектурами - **Менша зрілість екосистеми.** Менше готових рішень для TensorRT-оптимізації, менше документації по промисловим кейсам **RT-DETR** (Real-Time Detection Transformer від Baidu) — найбільш перспективна ViT-похідна для промислового застосування. На COCO dataset порівнянна з YOLOv8l за швидкістю при кращій точності. Активно розвивається і може змінити баланс протягом 2025–2026 років. ## Практична матриця вибору Для прийняття рішення дайте відповідь на чотири запитання. ### Запитання 1: Яка вимога до latency? | Вимога | Рекомендація | |--------|-------------| | До 20 мс (600+ FPS теоретично) | YOLOv8n або YOLOv8s | | 20–50 мс | YOLOv8m або EfficientDet-D2 | | 50–150 мс | EfficientDet-D4 або YOLOv8l | | Без жорстких вимог | EfficientDet-D7 або ViT | ### Запитання 2: Де виконується inference? - **Jetson Nano / Xavier / Orin:** YOLOv8n–m з TensorRT. EfficientDet-D0 максимум - **Промисловий ПК з GPU (RTX 3060 і вище):** будь-яка архітектура - **CPU-only середовище:** YOLOv8n або OpenVINO-оптимізована модель - **Хмара з GPU:** EfficientDet-D5/D7 або RT-DETR ### Запитання 3: Які розміри дефектів? - **Великі дефекти (понад 5% площі зображення):** YOLO — достатня точність при максимальній швидкості - **Середні дефекти (1–5%):** YOLOv8l або EfficientDet-D3/D4 - **Дрібні дефекти (менше 1%):** EfficientDet-D5+ з вхідною роздільністю 1280×1280 або tile-inference для YOLO ### Запитання 4: Яка критичність пропущеного дефекту? - **Висока (авіація, медицина, безпека):** EfficientDet-D7 + ансамблі + людський review - **Середня (автомобілебудування, електроніка):** YOLOv8l або EfficientDet-D4 з оптимізованим порогом confidence - **Низька (прототип, демонстрація):** YOLOv8s ## Апаратна інфраструктура: порівняльні витрати Вибір архітектури нерозривно пов'язаний з апаратними витратами. **NVIDIA Jetson Orin NX** (від $499): підтримує YOLOv8m при 60+ FPS. Промисловий рівень надійності, IP-захист, -25°C до +80°C. Оптимальний для нових проєктів. **NVIDIA Jetson Xavier NX** (від $399): YOLOv8s при 120+ FPS або YOLOv8m при 60 FPS. Перевірений у тисячах промислових деплоїв. **Intel NUC з OpenVINO**: CPU-inference YOLOv8n при 20–30 FPS. Простіша інтеграція у Windows-середовища, але нижча продуктивність. **Хмарний GPU (AWS, GCP)**: для batch-обробки або задач без жорстких вимог до latency. EfficientDet-D7 на p3.xlarge (V100) — 8–10 FPS batch inference. ## Висновок: немає одного правильного вибору YOLO v8/v10/v11 — оптимальний вибір для 70% промислових задач завдяки поєднанню швидкості, зрілої екосистеми та простоти розгортання. Починайте з YOLOv8m і тестуйте на власних даних. EfficientDet-D3/D4 — коли точність критичніша за latency і є бюджет на потужніше GPU-обладнання. ViT / RT-DETR — для нових проєктів, де є GPU-ресурси і завдання складне. Очікуйте зростання ролі цих архітектур у наступні 1–2 роки. Головне правило: **тестуйте на власних реальних даних**. Різниця між публічним бенчмарком і вашим специфічним типом дефектів може бути суттєвою в обидва боки. Збір 500–1 000 зображень дефектів і порівняльний тест — єдиний надійний спосіб прийняти правильне рішення.