Erste Schritte

YOLOv9 im Vergleich zu YOLOv7

Die Entwicklung der Echtzeit-Objekterkennung wird durch das fortlaufende Bestreben vorangetrieben, Recheneffizienz und hohe Genauigkeit in Einklang zu bringen. Zwei wegweisende Architekturen auf diesem Weg sind YOLOv9 und YOLOv7, beide entwickelt von Forschenden am Institute of Information Science der Academia Sinica in Taiwan. YOLOv7 führte den trainierbaren Bag-of-Freebies-Ansatz ein; das neuere YOLOv9 geht Informationsengpässe beim Deep Learning direkt an.

Dieser technische Vergleich untersucht die architektonischen Unterschiede, Leistungskennzahlen und geeigneten Einsatzszenarien beider Modelle, damit ML-Ingenieure und Forschende das passende Werkzeug für ihre Bildverarbeitungspipelines auswählen können.

Leistungs- und Metrikvergleich#

Beim Vergleich dieser Modelle sind die reine Leistung und Effizienz entscheidende Faktoren. Die folgende Tabelle enthält Angaben zur mittleren Average Precision (mAP) und zum Rechenaufwand anhand des Standard-Benchmarks COCO.

ModellGröße
(Pixel)
mAPval50-95Geschwindigkeit
CPU ONNX
(ms)
Geschwindigkeit
T4 TensorRT10
(ms)
Parameter
(M)
FLOPs
(B)
YOLOv9t64038.3-2.32.07.7
YOLOv9s64046.8-3.547.226.7
YOLOv9m64051.4-6.4320.176.8
YOLOv9c64053.0-7.1625.5102.8
YOLOv9e64055.6-16.7758.1192.5
YOLOv7l64051.4-6.8436.9104.7
YOLOv7x64053.1-11.5771.3189.9
Ausgewogene Leistung

YOLOv9c erreicht mit rund 53,0 mAP nahezu dieselbe Genauigkeit wie YOLOv7x mit 53,1 mAP, benötigt dabei aber etwa 64 % weniger Parameter (25,5 Millionen gegenüber 71,3 Millionen) und rund halb so viele FLOPs (102,8 Milliarden gegenüber 189,9 Milliarden). Das zeigt, wie stark moderne Architekturen die Balance zwischen Genauigkeit und Effizienz verbessert haben.

YOLOv9: Den Informationsengpass beheben#

YOLOv9 wurde Anfang 2024 vorgestellt und veränderte die Art und Weise, wie tiefe neuronale Netze Informationen über ihre Schichten hinweg bewahren.

Architektonische Neuerungen#

YOLOv9 führt das Generalized Efficient Layer Aggregation Network (GELAN) und Programmable Gradient Information (PGI) ein. GELAN vereint die Stärken von CSPNet und ELAN, um die Parametereffizienz und den Rechenaufwand zu optimieren und so bei geringerer Parameterzahl eine hohe Genauigkeit zu erzielen. PGI ist ein zusätzliches Überwachungsframework, das Datenverlust in tiefen Netzen verhindern und zuverlässige Gradienten zur Aktualisierung der Gewichte während des Trainings erzeugen soll.

Stärken und Einschränkungen#

Die größte Stärke von YOLOv9 liegt darin, subtile Merkmale ohne hohen Rechenaufwand zu extrahieren. Dadurch eignet sich das Modell für Aufgaben, bei denen eine hohe Merkmalstreue erforderlich ist, etwa bei der medizinischen Bildanalyse. Die komplexe PGI-Struktur während des Trainings kann es Anfängern jedoch im Vergleich zu stärker vereinheitlichten Frameworks erschweren, die Architektur anzupassen.

Mehr über YOLOv9 erfahren

YOLOv7: Wegbereiter der Bag-of-Freebies#

YOLOv7 wurde 2022 veröffentlicht und setzte mit strukturellen Neuerungen, die die Echtzeit-Inferenz deutlich beschleunigten, einen neuen Maßstab für die Echtzeiterkennung.

Architektonische Neuerungen#

Der wichtigste Beitrag von YOLOv7 ist das erweiterte effiziente Layer-Aggregationsnetzwerk (E-ELAN). Diese Architektur ermöglicht es dem Modell, kontinuierlich vielfältigere Merkmale zu erlernen. Außerdem nutzt YOLOv7 „trainierbare Bag-of-Freebies“ – Techniken wie geplante umparametrisierte Faltungen und dynamische Labelzuweisung. Diese Methoden verbessern die Genauigkeit des Modells während des Trainings, ohne bei der Bereitstellung zusätzliche Inferenzkosten zu verursachen.

Stärken und Einschränkungen#

YOLOv7 ist stark für die Echtzeitverarbeitung am Edge optimiert und wird weiterhin häufig in Altsystemen und älteren CUDA-Umgebungen eingesetzt. Die wichtigste Einschränkung ist heute die höhere Parameterzahl im Vergleich zu neueren Modellen. Wie die Leistungstabelle zeigt, ist für höchste Genauigkeit das größere Modell YOLOv7x erforderlich, das deutlich mehr GPU-Speicher als vergleichbare moderne Architekturen benötigt.

Mehr über YOLOv7 erfahren

Der Vorteil von Ultralytics: einfache Bereitstellung#

Die ursprünglichen Forschungs-Repositories für YOLOv9 und YOLOv7 bieten zwar eine hervorragende wissenschaftliche Grundlage, doch die Bereitstellung dieser Modelle in Produktionsumgebungen kann komplex sein. Die Integration von YOLOv9 über das Paket ultralytics (YOLOv7 wird nur über exportierte ONNX- oder TensorRT-Modelle unterstützt) vereinfacht die Bereitstellung erheblich.

Mit der Ultralytics Platform profitieren Entwickler von einem gut gepflegten Ökosystem mit einer intuitiven Python-API, aktivem Community-Support und zuverlässiger Experimentverfolgung.

Zukunftssicherheit mit YOLO26#

Wenn du ein neues Bildverarbeitungsprojekt startest, empfiehlt Ultralytics YOLO26, das im Januar 2026 veröffentlicht wurde, statt YOLOv9 oder YOLOv7. YOLO26 bietet mehrere Neuerungen:

  • End-to-End-Design ohne NMS: Ein optionaler Eins-zu-eins-Kopf (nms=False) überspringt die Nachverarbeitung durch Nicht-Maximum-Unterdrückung (NMS) und reduziert so die Komplexität und Latenz der Bereitstellung.
  • Bis zu 43 % schnellere CPU-Inferenz: YOLO26n läuft auf einer CPU bis zu 43 % schneller als YOLO11n. Damit laufen Anwendungen auch in Edge-Computing-Umgebungen ohne dedizierte GPUs reibungslos.
  • MuSGD-Optimierer: Eine von LLM-Training inspirierte Kombination aus SGD und Muon, die für stabile Konvergenz und kürzere Trainingszeiten sorgt.
  • DFL Removal: Der vereinfachte Modelleport durch Entfernen des Distribution Focal Loss verbessert die Kompatibilität mit mobilen Geräten mit geringem Stromverbrauch.
  • ProgLoss + STAL: Progressive Loss und Small-Target-Aware Label Assignment (STAL) verbessern die Erkennung kleiner Objekte, was Luftbildaufnahmen und der Überwachung zugutekommt.

Weitere beliebte Alternativen im Ökosystem sind Ultralytics YOLOv8 und YOLO11. Beide unterstützen mehrere Aufgaben wie Instanzsegmentierung und Posenschätzung.

Implementierungsbeispiel#

Wie der folgende Code zeigt, lassen sich YOLOv9 und YOLO26 mit der einheitlichen API einfach trainieren und exportieren.

from ultralytics import YOLO

# YOLOv9 oder das empfohlene YOLO26-Modell initialisieren
model = YOLO("yolov9c.pt")  # Für schnellere Leistung auf Edge-Geräten durch "yolo26n.pt" ersetzen

# Mit integrierter Datenerweiterung auf einem benutzerdefinierten Datensatz trainieren
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, batch=16, device=0)

# Exportiere das trainierte Modell zur Bereitstellung im ONNX-Format
model.export(format="onnx")
Speicheranforderungen

Beim Training auf Hardware für Endverbraucher ist Speichereffizienz entscheidend. Ultralytics-Implementierungen von YOLOv9 und YOLO26 sind auf einen geringeren VRAM-Verbrauch optimiert. Transformer-Modelle wie RT-DETR benötigen beim Training dagegen häufig deutlich mehr Speicher.

Anwendungen in der Praxis und ideale Einsatzbereiche#

Die Wahl zwischen diesen Architekturen hängt oft von den spezifischen Einschränkungen deiner Produktionsumgebung ab.

Wann du YOLOv9 einsetzen solltest: YOLOv9 eignet sich besonders für Umgebungen, in denen feine Details erhalten bleiben müssen. Dank der robusten Merkmalsextraktion passt das Modell gut zu Einzelhandelsanalysen, etwa zum Zählen dicht gepackter Produkte in Regalen, sowie zu landwirtschaftlichen Anwendungen, bei denen frühe Krankheitsanzeichen auf kleinen Blättern erkannt werden müssen.

Wann du YOLOv7 einsetzen solltest: YOLOv7 ist weiterhin eine gute Wahl für bestehende Bereitstellungspipelines. Wenn du das Modell in ältere Hardwaresysteme integrierst, etwa bestimmte Generationen des Google Coral Edge TPU, lässt sich die einfache CNN-Architektur von YOLOv7 möglicherweise leichter kompilieren als die neuerer Modelle.

Wann du YOLO26 einsetzen solltest (empfohlen): Für jede moderne Bereitstellung – von autonomen Drohnen bis zur Verkehrssteuerung in intelligenten Städten – ist YOLO26 die bessere Wahl. Die NMS-freie Architektur sorgt für besser vorhersehbare Inferenzzeiten, was für sicherheitskritische Robotik wichtig ist. Außerdem ist die Genauigkeit bei vergleichbaren Größen höher als bei YOLOv9 und YOLOv7.

Kommentare

Stell eine Frage, teile deine Ergebnisse oder hilf jemand anderem.