YOLOv9 vs. YOLOv5: Ein detaillierter Vergleich
Diese Seite bietet einen technischen Vergleich zwischen YOLOv9 und YOLOv5, zwei beliebten Modellen der YOLO , mit Schwerpunkt auf ihren Objekterkennungsfähigkeiten. Wir gehen auf ihre architektonischen Unterschiede, Leistungsmetriken, Trainingsmethoden und geeignete Anwendungsfälle ein, um Ihnen bei der Auswahl des richtigen Modells für Ihre Computer Vision Aufgaben zu helfen.
YOLOv9: Programmierbare Steigungsinformationen
YOLOv9, das im Februar 2024 von Chien-Yao Wang und Hong-Yuan Mark Liao vom Institute of Information Science, Academia Sinica, Taiwan, vorgestellt wurde, stellt einen bedeutenden Fortschritt bei der Objekterkennung in Echtzeit dar. Das Modell wird in ihrem Papier"YOLOv9: Learning What You Want to Learn Using Programmable Gradient Information" ausführlich beschrieben und der Code ist auf GitHub verfügbar.
Architektur und Innovationen: YOLOv9 führt zwei wichtige Neuerungen ein: Programmierbare Gradienteninformation (PGI) und das Generalized Efficient Layer Aggregation Network (GELAN). PGI behebt den Informationsverlust in tiefen Netzwerken, so dass das Modell effektiver lernen kann, während GELAN die Netzwerkarchitektur für eine verbesserte Parameternutzung und Berechnungseffizienz optimiert. Diese Kombination führt zu einer verbesserten Genauigkeit ohne einen proportionalen Anstieg der Rechenkosten.
Leistung: YOLOv9 erreicht auf dem MS COCO-Datensatz eine Spitzenleistung, die im Vergleich zu früheren YOLO und anderen Echtzeit-Objektdetektoren eine höhere Genauigkeit und Effizienz aufweist. Zum Beispiel erreicht YOLOv9c 53,0 mAPval50-95 mit 25,3M Parametern.
Anwendungsfälle: YOLOv9 eignet sich ideal für Anwendungen, die hohe Genauigkeit und Effizienz erfordern, wie z. B.:
- Hochpräzise Objekterkennung: Szenarien, in denen es auf Genauigkeit ankommt, wie z. B. autonomes Fahren, fortschrittliche Überwachung und Robotervision.
- Ressourcenbeschränkte Umgebungen: Das Training erfordert zwar mehr Ressourcen als YOLOv5, aber die effiziente Architektur ermöglicht den Einsatz auf Edge-Geräten mit optimierter Inferenzgeschwindigkeit.
Stärken:
- Hohe Genauigkeit: Erzielt hervorragende mAP-Ergebnisse, insbesondere bei Modellen wie YOLOv9e.
- Effizienter Entwurf: GELAN und PGI tragen im Vergleich zu früheren Modellen mit ähnlicher Genauigkeit zu einer besseren Parameter- und Berechnungseffizienz bei.
Schwachstellen:
- Höherer Bedarf an Trainingsressourcen: Das Training von YOLOv9-Modellen erfordert im Vergleich zu YOLOv5 mehr Rechenressourcen und Zeit.
- Relativ neues Modell: Da es sich um ein neueres Modell handelt, befinden sich die Gemeinschaft und die Dokumentation im Vergleich zum etablierteren YOLOv5 noch im Aufbau.
YOLOv5: Vielseitigkeit und Geschwindigkeit
Ultralytics YOLOv5, das von Glenn Jocher verfasst und im Juni 2020 veröffentlicht wurde, ist bekannt für seine Geschwindigkeit, Benutzerfreundlichkeit und Vielseitigkeit. Es gibt zwar kein spezielles arXiv-Paper, aber detaillierte Informationen sind in der Ultralytics YOLOv5 und im GitHub-Repository verfügbar.
Architektur und Funktionen: YOLOv5 wurde mit dem Schwerpunkt auf Geschwindigkeit und Zugänglichkeit entwickelt und nutzt Architekturen wie CSP Bottleneck und PANet. Es bietet eine Reihe von Modellgrößen (YOLOv5n, s, m, l, x), um unterschiedlichen Berechnungsbudgets und Leistungsanforderungen gerecht zu werden. YOLOv5 ist in PyTorch implementiert, was es benutzerfreundlich und sehr anpassungsfähig macht.
Leistung: YOLOv5 bietet ein ausgewogenes Verhältnis zwischen Geschwindigkeit und Genauigkeit, so dass es sich für eine Vielzahl von realen Anwendungen eignet. YOLOv5s, eine kleine Variante, erreicht 37,4 mAPval50-95 mit schnellen Inferenzgeschwindigkeiten.
Anwendungsfälle: YOLOv5 ist außerordentlich vielseitig und eignet sich gut für Szenarien, in denen Geschwindigkeit und einfache Bereitstellung entscheidend sind:
- Anwendungen in Echtzeit: Ideal für Anwendungen, die schnelle Schlussfolgerungen erfordern, wie z. B. Live-Videoverarbeitung, Robotik und Drohnenvision.
- Einsatz in Randbereichen: Die kleineren Modelle (YOLOv5n, YOLOv5s) eignen sich aufgrund ihres geringeren Rechenaufwands gut für den Einsatz auf Endgeräten und mobilen Plattformen.
- Schnelles Prototyping und Entwicklung: Dank seiner Benutzerfreundlichkeit und der umfangreichen Dokumentation eignet sich YOLOv5 hervorragend für schnelle Entwicklungszyklen und Ausbildungszwecke.
Stärken:
- Hohe Geschwindigkeit: Bietet hohe Inferenzgeschwindigkeiten, insbesondere bei kleineren Modellvarianten.
- Einfacher Gebrauch: Gut dokumentiert und mit einer großen und aktiven Gemeinschaft, was die Nutzung und Implementierung erleichtert.
- Vielseitigkeit: Erhältlich in verschiedenen Größen und anpassbar an verschiedene Aufgaben wie Erkennung, Segmentierung und Klassifizierung.
Schwachstellen:
- Geringere Genauigkeit im Vergleich zu YOLOv9: Im Allgemeinen erreichen die YOLOv5 nicht das gleiche Genauigkeitsniveau wie das neueste YOLOv9, insbesondere in anspruchsvollen Szenarien.
- Weniger innovative Architektur als YOLOv9: Die Architektur ist zwar effektiv, enthält aber nicht die neuartigen PGI- und GELAN-Innovationen, die in YOLOv9 enthalten sind.
| Modell | Größe(Pixel) | mAPval50-95 | GeschwindigkeitCPU ONNX(ms) | GeschwindigkeitT4TensorRT10(ms) | params(M) | FLOPs(B) |
|---|---|---|---|---|---|---|
| YOLOv9t | 640 | 38.3 | - | 2.3 | 2.0 | 7.7 |
| YOLOv9s | 640 | 46.8 | - | 3.54 | 7.1 | 26.4 |
| YOLOv9m | 640 | 51.4 | - | 6.43 | 20.0 | 76.3 |
| YOLOv9c | 640 | 53.0 | - | 7.16 | 25.3 | 102.1 |
| YOLOv9e | 640 | 55.6 | - | 16.77 | 57.3 | 189.0 |
| YOLOv5n | 640 | 28.0 | 73.6 | 1.12 | 2.6 | 7.7 |
| YOLOv5s | 640 | 37.4 | 120.7 | 1.92 | 9.1 | 24.0 |
| YOLOv5m | 640 | 45.4 | 233.9 | 4.03 | 25.1 | 64.2 |
| YOLOv5l | 640 | 49.0 | 408.4 | 6.61 | 53.2 | 135.0 |
| YOLOv5x | 640 | 50.7 | 763.2 | 11.89 | 97.2 | 246.4 |
Schlussfolgerung
Die Entscheidung zwischen YOLOv9 und YOLOv5 hängt von Ihren Projektprioritäten ab. Wenn die Genauigkeit im Vordergrund steht und Ressourcen für Schulungen verfügbar sind, ist YOLOv9 die bessere Wahl. Für Anwendungen, bei denen Geschwindigkeit, Benutzerfreundlichkeit und Flexibilität bei der Bereitstellung im Vordergrund stehen, insbesondere bei Endgeräten, ist YOLOv5 nach wie vor eine ausgezeichnete und weit verbreitete Option.
Für Benutzer, die sich für andere Modelle interessieren, bietet Ultralytics auch YOLOv8, YOLOv7, YOLOv6 und das kürzlich veröffentlichte YOLO11 an, jedes mit seinen eigenen Stärken und Optimierungen. In der Ultralytics finden Sie die gesamte Palette der Optionen.
