YOLOv9 im Vergleich zu YOLO11#
Die rasante Entwicklung von Computer Vision hat die Möglichkeiten der Echtzeit-Objekterkennung kontinuierlich erweitert. Unter den führenden Architekturen sind YOLOv9 und Ultralytics YOLO11 bedeutende Meilensteine, die jeweils unterschiedliche technische Anforderungen erfüllen. YOLOv9 führte neue Ansätze ein, um den Gradientenfluss während des Trainings tiefer Netzwerke zu erhalten. YOLO11 hingegen revolutionierte das vielseitig einsetzbare Computer-Vision-Ökosystem mit unübertroffener Effizienz, Vielseitigkeit und Benutzerfreundlichkeit.
Dieser umfassende technische Vergleich untersucht die Architekturen, Leistungskennzahlen, den Speicherbedarf und die idealen Bereitstellungsszenarien der Modelle, damit du das optimale Modell für dein nächstes KI-Projekt auswählen kannst.
YOLOv9 und YOLO11 sind ausgezeichnete Modelle, doch das neu veröffentlichte YOLO26 stellt den nächsten Entwicklungsschritt dar. Es bietet ein End-to-End-Design ohne NMS für eine einfachere Bereitstellung, bis zu 43 % schnellere CPU-Inferenz und den innovativen MuSGD-Optimierer für schnelle Konvergenz. Für alle neuen Produktionsprojekte wird YOLO26 dringend empfohlen.
Technische Daten und Urheberschaft#
Die Abstammung dieser Modelle zu verstehen, liefert wichtigen Kontext für ihre Architekturentscheidungen und Framework-Abhängigkeiten.
YOLOv9#
YOLOv9 legte einen starken akademischen Schwerpunkt auf Informationsengpässe im Deep Learning und priorisierte durch speziell entwickelte Netzwerkblöcke eine möglichst hohe Merkmalstreue.
- Autoren: Chien-Yao Wang und Hong-Yuan Mark Liao
- Organisation: Institute of Information Science, Academia Sinica
- Datum: 21. Februar 2024
- Arxiv: https://arxiv.org/abs/2402.13616
- GitHub: https://github.com/WongKinYiu/yolov9
Ultralytics YOLO11#
YOLO11 wurde von Grund auf für den Einsatz in Produktionsumgebungen entwickelt. Im Mittelpunkt standen eine erstklassige Genauigkeit, hohe Bereitstellungsgeschwindigkeit in der Praxis und Vielseitigkeit bei mehreren Aufgaben.
- Autoren: Glenn Jocher und Jing Qiu
- Organisation: Ultralytics
- Datum: 27. September 2024
- GitHub: https://github.com/ultralytics/ultralytics
Architektonische Innovationen#
Programmierbare Gradienteninformationen in YOLOv9#
YOLOv9 führt das Konzept der programmierbaren Gradienteninformationen (PGI) zusammen mit dem Generalized Efficient Layer Aggregation Network (GELAN) ein. Wenn neuronale Netze tiefer werden, entstehen häufig Informationsengpässe, bei denen wichtige Details während der Vorwärtsverarbeitung verloren gehen. PGI begegnet diesem Problem mit zuverlässigen Gradientenaktualisierungen, die feingliedrige räumliche Informationen bewahren, während GELAN die Parametereffizienz maximiert. Dadurch eignet sich YOLOv9 besonders für Aufgaben, bei denen eine hohe Merkmalstreue erforderlich ist. Bei der Nachverarbeitung setzt das Modell jedoch auf die herkömmliche Non-Maximum Suppression (NMS), die auf Edge-Geräten zusätzliche Latenz verursachen kann.
Optimierte Effizienz in YOLO11#
YOLO11 baut auf jahrelanger Grundlagenforschung auf und bietet eine hochgradig optimierte Architektur. Im Vergleich zu früheren Versionen reduziert das Modell den Rechenaufwand und maximiert zugleich die Merkmalsextraktion. YOLO11 setzt bei der Nachverarbeitung weiterhin auf die herkömmliche NMS, doch die verfeinerten Erkennungsköpfe bieten eine beeindruckende Balance zwischen Latenz und Präzision. Außerdem benötigt YOLO11 sowohl beim Modelltraining als auch bei der Inferenz von Haus aus weniger Speicher als umfangreiche Transformer-Modelle, deren Training oft langsamer ist und sehr viel CUDA-Speicher erfordert.
Vergleich der Leistungskennzahlen#
Beim Vergleich dieser Modelle auf dem standardmäßigen COCO-Datensatz zeigen beide herausragende Fähigkeiten. Dabei werden jedoch Zielkonflikte zwischen der reinen Parameteranzahl und der Betriebsgeschwindigkeit sichtbar.
Im Folgenden findest du eine detaillierte Übersicht der YOLO-Leistungskennzahlen.
| Modell | Größe (Pixel) | mAPval 50-95 | Geschwindigkeit CPU ONNX (ms) | Geschwindigkeit T4 TensorRT10 (ms) | Parameter (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv9t | 640 | 38.3 | - | 2.3 | 2.0 | 7.7 |
| YOLOv9s | 640 | 46.8 | - | 3.54 | 7.2 | 26.7 |
| YOLOv9m | 640 | 51.4 | - | 6.43 | 20.1 | 76.8 |
| YOLOv9c | 640 | 53.0 | - | 7.16 | 25.5 | 102.8 |
| YOLOv9e | 640 | 55.6 | - | 16.77 | 58.1 | 192.5 |
| YOLO11n | 640 | 39.5 | 56.1 | 1.5 | 2.6 | 6.5 |
| YOLO11s | 640 | 47.0 | 90.0 | 2.5 | 9.4 | 21.6 |
| YOLO11m | 640 | 51.5 | 183.2 | 4.7 | 20.1 | 68.1 |
| YOLO11l | 640 | 53.4 | 238.6 | 6.2 | 25.3 | 87.2 |
| YOLO11x | 640 | 54.7 | 462.8 | 11.3 | 56.9 | 195.3 |
Analyse der Ergebnisse#
- Geschwindigkeit und Hardwareeffizienz: YOLO11 bietet bei der Inferenz durchgehend eine höhere Geschwindigkeit als YOLOv9. So erreicht YOLO11n beispielsweise mit TensorRT auf einer NVIDIA T4 GPU eine beeindruckende Laufzeit von 1,5 ms und eignet sich damit hervorragend für Echtzeit-Pipelines mit strengen Anforderungen.
- Rechenbedarf: YOLO11-Modelle benötigen im Allgemeinen weniger FLOPs (z. B. 68,1B für YOLO11m gegenüber 76,8B für YOLOv9m). Das bedeutet einen geringeren Stromverbrauch auf akkubetriebenen Edge-Geräten wie dem Raspberry Pi oder auf Mobilgeräten.
- Vergleichbare Genauigkeit: YOLOv9e erzielt bei der absoluten mAP zwar einen leichten Vorsprung gegenüber YOLO11x (55,6 gegenüber 54,7), doch YOLO11 erreicht seine maximale Genauigkeit bei deutlich geringerer Latenz (11,3 ms gegenüber 16,77 ms). Damit bietet das Modell bei der Bereitstellung in der Praxis eine günstigere Leistungsbalance.
Ökosystem und Benutzerfreundlichkeit#
Reine Kennzahlen sind zwar wichtig, doch oft entscheidet das Framework-Ökosystem über den Projekterfolg. Hier zeigt sich der Vorteil von Ultralytics besonders deutlich.
Das ursprüngliche YOLOv9-Repository ist stark spezialisiert und bietet eine hochmoderne Forschungsimplementierung. Die Ultralytics Platform und das zugehörige Open-Source-Paket bieten jedoch eine optimierte Benutzererfahrung, eine einfache API und eine umfangreiche Dokumentation, wodurch sich die Markteinführungszeit erheblich verkürzt.
Vielseitigkeit bei mehreren Aufgaben#
YOLOv9 konzentriert sich vor allem auf die Erkennung von Begrenzungsrahmen. YOLO11 hingegen ist eine einheitliche, vielseitige Lösung, die von Haus aus Folgendes unterstützt:
Nahtlose Bereitstellung#
Mit dem Ultralytics-Ökosystem können Entwickler Modelle mit einer einzigen Zeile Python-Code nahtlos in zahlreiche Formate exportieren. Egal, ob du auf ONNX, OpenVINO, LiteRT oder CoreML abzielst: Der Übergang vom Training zur Produktion ist mühelos.
from ultralytics import YOLO
# Ein hocheffizientes YOLO11-Modell laden
model = YOLO("yolo11n.pt")
# Schnelles Training auf einem benutzerdefinierten Datensatz mit minimalem Speicherbedarf
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Das trainierte Modell für die Intel-CPU-Beschleunigung nach OpenVINO exportieren
model.export(format="openvino")Ideale Anwendungsfälle#
Wann sich YOLOv9 eignet#
YOLOv9 ist ein hervorragendes Werkzeug für forschungsorientierte Umgebungen oder Szenarien, in denen eine möglichst hohe Merkmalstreue wichtiger ist als die Hardwarelatenz. Die GELAN-Architektur kann bei der medizinischen Bildanalyse besonders vorteilhaft sein, wenn selbst kleinste Pixelabweichungen erkannt werden müssen.
Warum YOLO11 die bessere Wahl ist#
Für Entwickler, Ingenieure und Produktionsteams wird YOLO11 dringend empfohlen. Das Modell eignet sich besonders für Umgebungen, die eine schnelle und skalierbare Bereitstellung erfordern:
- Intelligente Einzelhandelsanalysen: Produkte und Kunden nahtlos mit gängigen Intel-Prozessoren verfolgen.
- Autonome Drohnen: Architekturen mit wenigen FLOPs schonen den Akku und ermöglichen zugleich eine zuverlässige Erkennung kleiner Objekte.
- Dynamische Projekte: Arbeitsabläufe, die mit Objekterkennung beginnen und später um Posenschätzung oder Segmentierung erweitert werden können.
Ein Blick nach vorn: Die nächste Entwicklungsstufe#
YOLO11 ist für seine Generation zwar hochmodern, doch Computer Vision entwickelt sich stetig weiter. Wer die Grenzen der KI ausloten möchte, sollte sich auch YOLO26 ansehen.
YOLO26 führt das End-to-End-Design ohne NMS weiter, das erstmals in YOLOv10 erprobt wurde, und bringt den MuSGD-Optimierer ein – eine Kombination aus SGD und Muon –, die für beispiellose Trainingsstabilität sorgt. Durch den Verzicht auf Distribution Focal Loss (DFL) wird der Export vereinfacht. Zusammen mit fortschrittlichen Verlustmechanismen wie ProgLoss und STAL erreicht YOLO26 eine bis zu 43 % schnellere CPU-Inferenz. Für moderne Projekte bietet das Modell die optimale Kombination aus akademischer Innovation und Zuverlässigkeit für den Produktionseinsatz. Teams, die von älteren Systemen wie Ultralytics YOLOv8 umsteigen, können dank der einheitlichen Ultralytics API außerdem reibungslos zu YOLO26 oder YOLO11 wechseln.