YOLOv9 und YOLOv5
Die Bildverarbeitung hat sich rasant weiterentwickelt, und die Objekterkennung bildet die Grundlage zahlreicher industrieller und wissenschaftlicher Anwendungen. Die Wahl der richtigen Architektur erfordert oft eine sorgfältige Bewertung der mittleren Average Precision (mAP), der Inferenzgeschwindigkeit und des Speicherbedarfs. Dieser Vergleich untersucht zwei einflussreiche Modelle: YOLOv9, bekannt für seine architektonischen Fortschritte bei der Bewahrung von Gradienteninformationen, und Ultralytics YOLOv5, ein bewährtes, weit verbreitetes Modell, das für seine Benutzerfreundlichkeit und vielseitigen Einsatzmöglichkeiten bekannt ist.
Architekturinnovationen und technische Ursprünge#
Wer die grundlegenden Funktionsweisen dieser beiden Modelle versteht, kann ihre jeweiligen Leistungsprofile besser einordnen.
YOLOv9: Programmierbare Gradienteninformationen#
YOLOv9 wurde von den Forschenden Chien-Yao Wang und Hong-Yuan Mark Liao am Institute of Information Science der Academia Sinica in Taiwan entwickelt und am 21. Februar 2024 veröffentlicht. Das Modell führt zwei neue Konzepte ein, um den in tiefen neuronalen Netzen häufig auftretenden Informationsengpass zu beheben: Programmable Gradient Information (PGI) und das Generalized Efficient Layer Aggregation Network (GELAN).
Mithilfe von PGI stellt YOLOv9 sicher, dass wichtige Informationen während der Vorwärtsverarbeitung erhalten bleiben, was zu zuverlässigeren Gradientenaktualisierungen führt. Die GELAN-Architektur maximiert zugleich die Parametereffizienz und ermöglicht so hohe Genauigkeit bei geringem Rechenaufwand. Die technischen Details findest du in der offiziellen YOLOv9-Arbeit auf arXiv oder im YOLOv9-GitHub-Repository.
Ultralytics YOLOv5: der Standard für den Produktiveinsatz#
YOLOv5 wurde von Glenn Jocher entwickelt und am 26. Juni 2020 von Ultralytics veröffentlicht. Das Modell machte Bildverarbeitung deutlich zugänglicher. Als eines der ersten Objekterkennungsmodelle, das nativ auf dem PyTorch-Framework basierte, umging es die Komplexität des älteren Darknet-C-Frameworks. YOLOv5 verwendet ein CSPNet-basiertes Backbone und einen PANet-Neck und bietet so ein ausgewogenes Verhältnis von Geschwindigkeit und Genauigkeit.
Seine größte Stärke ist jedoch die Integration in das umfassendere Ultralytics-Ökosystem. YOLOv5 ist für schnelles Training und Umgebungen mit wenig Speicher optimiert und eignet sich dadurch zuverlässig für Edge-Bereitstellungen.
Beachte bei der Auswahl von Modellen für Edge-Geräte, dass Ultralytics-YOLO-Modelle sowohl beim Training als auch bei der Inferenz in der Regel deutlich weniger GPU-Speicher benötigen als große Transformer-basierte Architekturen.
Leistungsanalyse: Geschwindigkeit oder Genauigkeit#
Bei der Entwicklung einer Bildverarbeitungspipeline müssen Entwickler die Kompromisse zwischen Genauigkeit und Latenz abwägen. Die folgende Tabelle zeigt die Leistungsunterschiede anhand des Standarddatensatzes COCO.
| Modell | Größe (Pixel) | mAPval50-95 | 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 |
| YOLOv5n | 640 | 28.0 | - | 1.12 | 1.9 | 4.5 |
| YOLOv5s | 640 | 37.4 | - | 1.92 | 7.2 | 16.5 |
| YOLOv5m | 640 | 45.4 | - | 4.03 | 21.2 | 49.0 |
| YOLOv5l | 640 | 49.0 | - | 6.61 | 46.5 | 109.1 |
| YOLOv5x | 640 | 50.7 | - | 11.89 | 86.7 | 205.7 |
Abwägung der Vor- und Nachteile#
YOLOv9 erzielt in jeder Größenklasse dieser Tabelle eine höhere mAP als YOLOv5 und ist damit genauer. YOLOv9e erreicht eine mAP von 55,6 %. Seine GELAN-Schichten bewahren feine Details, wodurch sich das Modell für die medizinische Bildgebung und Szenarien eignet, in denen eine hohe Genauigkeit bei kleinen Objekten gefragt ist.
YOLOv5 ist dagegen bei der reinen GPU-Geschwindigkeit und der Hardwareflexibilität führend. YOLOv5n (Nano) ist besonders leichtgewichtig und führt Inferenz auf einer T4-GPU mit TensorRT in nur 1,12 ms aus. Wenn du das Modell auf ressourcenbeschränkten IoT-Geräten, Mobiltelefonen oder einem Raspberry Pi bereitstellst, macht der geringe Speicherbedarf von YOLOv5 das Modell zu einer zuverlässigen Option.
Die Vorteile des Ultralytics-Ökosystems#
Bei der Auswahl eines Modells ist das umgebende Softwareökosystem ein wichtiger Aspekt. YOLOv9 bietet zwar erstklassige Forschungsbenchmarks, doch wenn du beide Modelle über die moderne Ultralytics-Python-API nutzt, schließt du die Lücke und erhältst eine einheitliche, optimierte Entwicklererfahrung.
Benutzerfreundlichkeit und Export#
Ultralytics übernimmt komplexe technische Aufgaben. Funktionen wie die automatische Datenerweiterung und Hyperparameteroptimierung sind direkt verfügbar. Auch die Überführung von Modellen in die Produktion ist unkompliziert: Mit integrierten Exportbefehlen kannst du Modelle in die Formate ONNX, OpenVINO oder LiteRT umwandeln.
Vielseitigkeit bei verschiedenen Aufgaben#
Beide Modelle eignen sich zwar hervorragend für die Objekterkennung, doch moderne Ultralytics-Modelle sind für vielfältige Herausforderungen der Bildverarbeitung ausgelegt. Das umfassendere Framework unterstützt nativ Instanzsegmentierung, Bildklassifizierung, Posenschätzung und orientierte Bounding-Boxen (OBB). So können Entwickler mehrere Bildverarbeitungsprobleme lösen, ohne die Codebasis zu wechseln.
Anwendungsfälle und Empfehlungen#
Die Wahl zwischen YOLOv9 und YOLOv5 hängt von den spezifischen Anforderungen deines Projekts, den Einschränkungen bei der Bereitstellung und deinen Präferenzen beim Ökosystem ab.
Wann du YOLOv9 wählen solltest#
YOLOv9 ist eine gute Wahl für:
- Forschung zu Informationsengpässen: Akademische Projekte, die programmierbare Gradienteninformationen (PGI) und Architekturen mit effizienten, verallgemeinerten Schichtaggregationsnetzwerken (GELAN) untersuchen.
- Studien zur Optimierung des Gradientenflusses: Forschung, die darauf abzielt, Informationsverluste in tiefen Netzwerkschichten während des Trainings zu verstehen und zu verringern.
- Benchmarking hochgenauer Erkennung: Szenarien, in denen die starke COCO-Benchmarkleistung von YOLOv9 als Vergleichsmaßstab für Architekturvergleiche benötigt wird.
Wann du YOLOv5 wählen solltest#
YOLOv5 empfiehlt sich für:
- Bewährte Produktionssysteme: Bestehende Bereitstellungen, bei denen die langjährige Stabilität von YOLOv5, die umfangreiche Dokumentation und die große Community wichtig sind.
- Training mit begrenzten Ressourcen: Umgebungen mit begrenzten GPU-Ressourcen, in denen die effiziente Trainingspipeline und der geringere Speicherbedarf von YOLOv5 von Vorteil sind.
- Umfangreiche Unterstützung für Exportformate: Für Projekte, bei denen die Bereitstellung in vielen Formaten wie ONNX, TensorRT, CoreML und LiteRT erforderlich ist.
Wann du Ultralytics (YOLO26) wählen solltest#
Für die meisten neuen Projekte bietet Ultralytics YOLO26 die beste Kombination aus Leistung und Entwicklererfahrung:
- NMS-freie Bereitstellung am Netzwerkrand: Anwendungen, die eine gleichmäßige Inferenz mit niedriger Latenz ohne die Komplexität der Nachbearbeitung mit Non-Maximum Suppression (NMS) benötigen.
- Umgebungen ohne GPU: Geräte ohne dedizierte GPU-Beschleunigung, bei denen die bis zu 43 % schnellere CPU-Inferenz von YOLO26n gegenüber YOLO11n einen entscheidenden Vorteil bietet.
- Erkennung kleiner Objekte: Anspruchsvolle Szenarien wie Luftaufnahmen von Drohnen oder die Analyse von IoT-Sensordaten, bei denen ProgLoss und STAL die Genauigkeit bei winzigen Objekten verbessern.
Implementierungsbeispiel#
Im Ultralytics-Ökosystem kannst du zwischen einem YOLOv5- und einem YOLOv9-Modell wechseln, indem du die Zeichenfolge für die Gewichte änderst.
from ultralytics import YOLO
# Ein vortrainiertes YOLOv9-Modell laden (durch "yolov5su.pt" ersetzen, um YOLOv5u zu verwenden)
model = YOLO("yolov9c.pt")
# Das Modell effizient mit einem benutzerdefinierten Datensatz trainieren
train_results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Inferenz auf neuen Bildern ausführen
predictions = model.predict("https://ultralytics.com/images/zidane.jpg")
# Für die Bereitstellung nach ONNX exportieren
model.export(format="onnx")Neuere Architekturen entdecken#
YOLOv5 und YOLOv9 sind hervorragende Modelle mit jeweils eigenen Vorteilen, doch das Fachgebiet entwickelt sich ständig weiter. Bei neuen Projekten lohnt es sich möglicherweise auch, die neuesten Modelle von Ultralytics zu prüfen.
- YOLO11: Eine weiterentwickelte Variante der YOLOv8-Familie mit einer hervorragenden Balance zwischen Geschwindigkeit und Genauigkeit bei allen Bildverarbeitungsaufgaben.
- YOLO26: YOLO26 wurde im Januar 2026 veröffentlicht und ist das empfohlene Modell für neue Pipelines. Es bietet ein optionales End-to-End-Design ohne NMS (
nms=False), das Engpässe durch die NMS-Nachverarbeitung beseitigt. Dank DFL Removal (Distribution Focal Loss wird entfernt, um den Export zu vereinfachen und die Kompatibilität mit Edge-Geräten und Geräten mit geringem Stromverbrauch zu verbessern) erzielt YOLO26n eine bis zu 43 % schnellere CPU-Inferenz als YOLO11n. Der MuSGD-Optimierer verbessert die Stabilität des Trainings, während ProgLoss + STAL (Progressive Loss und Small-Target-Aware Label Assignment) die Erkennung kleiner Objekte für IoT, Robotik und Luftbildaufnahmen in Edge- und Cloud-Umgebungen verbessern.
Für Teams, die große Datensätze und komplexe Bereitstellungspipelines verwalten, bietet die Ultralytics Platform eine codefreie Möglichkeit, diese Modelle zu trainieren, nachzuverfolgen und bereitzustellen.
Kommentare
Stell eine Frage, teile deine Ergebnisse oder hilf jemand anderem.