YOLOv9 vs. YOLOv5#

Das Gebiet der Computer Vision hat ein enormes Wachstum erlebt, wobei die Objekterkennung als Rückgrat unzähliger industrieller und wissenschaftlicher Anwendungen dient. Die Wahl der richtigen Architektur erfordert häufig eine sorgfältige Bewertung der mittleren durchschnittlichen Präzision (mAP), der Inferenzgeschwindigkeit und des Speicherbedarfs. In diesem Vergleich untersuchen wir zwei äußerst einflussreiche Modelle: YOLOv9, bekannt für bahnbrechende architektonische Fortschritte bei der Erhaltung von Gradienteninformationen, und Ultralytics YOLOv5, den in der Praxis bewährten Industriestandard, der für seine außergewöhnliche Benutzerfreundlichkeit und unübertroffene Vielseitigkeit bei der Bereitstellung bekannt ist.

Architektonische Innovationen und technische Ursprünge#

Das Verständnis der zugrunde liegenden Funktionsweise dieser beiden Modelle liefert wichtigen Kontext für ihre jeweiligen Leistungsprofile.

YOLOv9: Programmierbare Gradienteninformationen#

YOLOv9 wurde von den Forschern 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 bahnbrechende Konzepte ein, um den in tiefen neuronalen Netzen häufig auftretenden Informationsengpass zu beheben: programmierbare Gradienteninformationen (PGI) und das generalisierte effiziente Layer-Aggregationsnetzwerk (GELAN).

Durch die Nutzung von PGI stellt YOLOv9 sicher, dass wichtige Informationen während des gesamten Feed-forward-Prozesses erhalten bleiben, was zu äußerst präzisen Gradientenaktualisierungen führt. Gleichzeitig maximiert die GELAN-Architektur die Parametereffizienz, sodass das Modell mit überraschend geringem Rechenaufwand eine Genauigkeit auf dem neuesten Stand der Technik erreicht. Die technischen Details findest du im offiziellen YOLOv9-Arxiv-Paper oder im YOLOv9-GitHub-Repository.

Erfahre mehr über YOLOv9

Ultralytics YOLOv5: Der Produktionsstandard#

YOLOv5 wurde von Glenn Jocher entwickelt und am 26. Juni 2020 von Ultralytics veröffentlicht. Das Modell revolutionierte die Zugänglichkeit von Computer Vision. Als eines der ersten Objekterkennungsmodelle, die nativ auf dem PyTorch-Framework aufbauten, umging es die Komplexität des älteren Darknet-C-Frameworks. YOLOv5 nutzt ein hochoptimiertes CSPNet-Backbone und einen PANet-Head und legt den Schwerpunkt auf ein nahtloses Gleichgewicht zwischen Geschwindigkeit und Genauigkeit.

Seine größte Errungenschaft ist jedoch die Integration in das umfassendere Ultralytics-Ökosystem. YOLOv5 ist stark auf schnelles Training und Umgebungen mit wenig Speicher optimiert, wodurch es sich besonders zuverlässig für Edge-Einsätze eignet.

Leistungsanalyse: Geschwindigkeit vs. Genauigkeit#

Beim Entwurf einer Computer-Vision-Pipeline müssen Entwickler die Zielkonflikte zwischen Präzision und Latenz abwägen. Die folgende Tabelle veranschaulicht die Leistungsunterschiede auf dem standardmäßigen COCO-Datensatz.

Analyse der Zielkonflikte#

YOLOv9 setzt bei der reinen Präzision Maßstäbe. YOLOv9e treibt die mAP auf 55,6 % und nutzt seine GELAN-Layer, um feingranulare Details zu bewahren. Dadurch eignet es sich besonders für medizinische Bildgebung oder Szenarien, die bei kleinen Objekten eine äußerst hohe Genauigkeit erfordern.

YOLOv5 glänzt dagegen mit seiner reinen Bereitstellungsgeschwindigkeit und Hardwareflexibilität. YOLOv5n (Nano) ist für sein geringes Gewicht bekannt und führt Inferenzvorgänge auf einer T4-GPU über TensorRT in nur 1,12 ms aus. Wenn du Modelle auf ressourcenbeschränkten IoT-Geräten, Mobiltelefonen oder einem Raspberry Pi bereitstellst, macht der geringe Speicherbedarf von YOLOv5 das Modell außerordentlich zuverlässig.

Der Ökosystemvorteil von Ultralytics#

Ein wichtiger Aspekt bei der Modellauswahl ist das umgebende Softwareökosystem. Während YOLOv9 erstklassige Forschungsbenchmarks bietet, schließt die Nutzung beider Modelle über die moderne Ultralytics Python API diese Lücke und bietet Entwicklern eine einheitliche und optimierte Arbeitsweise.

Benutzerfreundlichkeit und Export#

Ultralytics abstrahiert komplexe technische Hürden. Funktionen wie die automatische Datenerweiterung und die Hyperparameteroptimierung werden direkt unterstützt. Auch die Überführung von Modellen in die Produktion ist unkompliziert: Integrierte Exportbefehle konvertieren Modelle in die Formate ONNX, OpenVINO oder TFLite.

Vielseitigkeit bei Aufgaben#

Obwohl beide Modelle bei der Objekterkennung hervorragende Ergebnisse erzielen, sind moderne Ultralytics-Modelle darauf ausgelegt, eine Vielzahl von Herausforderungen in der Computer Vision zu bewältigen. Das umfassendere Framework bietet native Unterstützung für Bildklassifizierung, Instanzsegmentierung, Posenschätzung und orientierte Begrenzungsrahmen (OBB). Dadurch können Entwickler mehrere Aufgaben der visuellen Verarbeitung lösen, ohne die Codebasis wechseln zu müssen.

Anwendungsfälle und Empfehlungen#

Die Wahl zwischen YOLOv9 und YOLOv5 hängt von deinen spezifischen Projektanforderungen, den Einschränkungen bei der Bereitstellung und deinen Präferenzen bezüglich des Ökosystems ab.

Wann du YOLOv9 wählen solltest#

YOLOv9 ist eine gute Wahl für:

• Forschung zu Informationsengpässen: Akademische Projekte zur Untersuchung der Architekturen für programmierbare Gradienteninformationen (PGI) und des generalisierten effizienten Netzwerks zur Layer-Aggregation (GELAN).
• Untersuchungen zur Optimierung des Gradientenflusses: Forschung mit Schwerpunkt auf dem Verständnis und der Verringerung von Informationsverlusten in tiefen Netzwerkschichten während des Trainings.
• Benchmarking hochgenauer Erkennung: Szenarien, in denen die starke COCO-Benchmarkleistung von YOLOv9 als Referenz für Architekturvergleiche benötigt wird.

Wann du YOLOv5 wählen solltest#

YOLOv5 wird empfohlen für:

• Bewährte Produktionssysteme: Bestehende Bereitstellungen, bei denen die langjährige Stabilität, die umfangreiche Dokumentation und die große Unterstützung durch die Community von YOLOv5 geschätzt werden.
• 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: Projekte, die eine Bereitstellung in vielen Formaten erfordern, darunter ONNX, TensorRT, CoreML und TFLite.

Wann du Ultralytics (YOLO26) wählen solltest#

Für die meisten neuen Projekte bietet Ultralytics YOLO26 die beste Kombination aus Leistung und Entwicklerfreundlichkeit:

• Edge-Bereitstellungen ohne NMS: Anwendungen, die eine konsistente Inferenz mit geringer Latenz ohne die Komplexität der Nachverarbeitung zur Nichtmaximalunterdrückung erfordern.
• Umgebungen ausschließlich mit CPU: Geräte ohne dedizierte GPU-Beschleunigung, bei denen die bis zu 43 % schnellere CPU-Inferenz von YOLO26 einen entscheidenden Vorteil bietet.
• Erkennung kleiner Objekte: Anspruchsvolle Szenarien wie Luftaufnahmen mit Drohnen oder die Analyse von IoT-Sensoren, bei denen ProgLoss und STAL die Genauigkeit bei winzigen Objekten deutlich steigern.

Implementierungsbeispiel#

Der Vorteil des Ultralytics-Ökosystems besteht darin, dass du einfach durch Ändern der Gewichtszeichenkette zwischen einem YOLOv5-Modell und einem YOLOv9-Modell wechseln kannst.

from ultralytics import YOLO

# Load a pretrained YOLOv9 model (swap to "yolov5s.pt" to use YOLOv5)
model = YOLO("yolov9c.pt")

# Train the model efficiently on a custom dataset
train_results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference on new images
predictions = model.predict("https://ultralytics.com/images/zidane.jpg")

# Export to ONNX for seamless deployment
model.export(format="onnx")

Neue Architekturen entdecken#

YOLOv5 und YOLOv9 sind zwar hervorragende Modelle mit unterschiedlichen Stärken, doch das Fachgebiet entwickelt sich kontinuierlich weiter. Nutzer, die neue Projekte starten, sollten auch die neuesten Weiterentwicklungen von Ultralytics in Betracht ziehen.

• YOLO11: Eine leistungsstarke, verfeinerte Weiterentwicklung der YOLOv8-Familie, die bei allen Aufgaben der visuellen Verarbeitung ein hervorragendes Gleichgewicht zwischen Geschwindigkeit und Genauigkeit bietet.
• YOLO26: YOLO26 wurde 2026 veröffentlicht und ist die ultimative Empfehlung für moderne Pipelines. Es führt ein End-to-End-Design ohne NMS ein und beseitigt Engpässe bei der Nachverarbeitung vollständig. Durch den Verzicht auf DFL (Distribution Focal Loss wurde entfernt, um den Export zu vereinfachen und die Kompatibilität mit Edge-Geräten und Geräten mit geringem Stromverbrauch zu verbessern) erreicht es eine bis zu 43 % schnellere CPU-Inferenz. Die Trainingsstabilität wird durch den neuen MuSGD-Optimierer deutlich verbessert, und ProgLoss + STAL liefert optimierte Verlustfunktionen mit bemerkenswerten Verbesserungen bei der Erkennung kleiner Objekte. Das ist entscheidend für IoT, Robotik und Luftaufnahmen und macht die Architektur zur robustesten Lösung für Bereitstellungen sowohl am Edge als auch in der Cloud.

Für Teams, die große Datensätze und komplexe Bereitstellungspipelines verwalten, bietet die Nutzung der Ultralytics Platform eine No-Code-Lösung, mit der sich diese hochmodernen Modelle mühelos trainieren, überwachen und bereitstellen lassen.