Erste Schritte

YOLOv9 im Vergleich zu YOLOv8

Die Echtzeit-Bildverarbeitung hat sich in den letzten Jahren rasant weiterentwickelt. Jedes neue Modell erweitert die Möglichkeiten auf Edge-Geräten und Cloud-Servern. Beim Vergleich der neueren YOLOv9-Architektur mit dem beliebten Framework Ultralytics YOLOv8 müssen sich Entwickler oft zwischen neuartiger Forschung zu Gradientenpfaden und einem bewährten, produktionsreifen Ökosystem entscheiden.

Dieser Leitfaden vergleicht die beiden Modelle und untersucht ihre architektonischen Innovationen, Leistungskennzahlen und geeigneten Einsatzszenarien, damit du das richtige Modell für dein nächstes Projekt im Bereich künstliche Intelligenz auswählen kannst.

Technische Daten und Urheberschaft#

Die Entwicklungslinie dieser Modelle zu kennen, liefert wichtigen Kontext für die jeweiligen Designentscheidungen.

YOLOv9 YOLOv9 wurde von 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. Die Forschung konzentriert sich auf die Lösung des Informationsengpasses in tiefen neuronalen Netzen. Du kannst die ursprüngliche YOLOv9-Forschungsarbeit auf arXiv lesen oder den Quellcode im offiziellen YOLOv9-GitHub-Repository ansehen.

Mehr über YOLOv9 erfahren

Ultralytics YOLOv8 YOLOv8 wurde von Glenn Jocher, Ayush Chaurasia und Jing Qiu bei Ultralytics entwickelt und am 10. Januar 2023 veröffentlicht. Das Modell etablierte sich als vielseitiger Branchenstandard und bietet eine einheitliche API für zahlreiche Bildverarbeitungsaufgaben. Der Quellcode wird im zentralen Ultralytics-GitHub-Repository gepflegt, was kontinuierliche Aktualisierungen und langfristige Stabilität gewährleistet.

Architektonische Innovationen#

YOLOv9: Programmierbare Gradienteninformationen#

Das bestimmende Merkmal von YOLOv9 ist die Einführung von Programmable Gradient Information (PGI) und dem Generalized Efficient Layer Aggregation Network (GELAN). Wenn Convolutional Neural Networks tiefer werden, verlieren sie bei der Vorwärtsverarbeitung typischerweise wichtige Merkmalsinformationen. PGI behebt diesen Informationsengpass, indem präzise Gradienten erhalten bleiben, die zur Aktualisierung der Gewichte dienen und eine zuverlässige Merkmalsextraktion unterstützen. Diese Architektur maximiert die Parametereffizienz und ermöglicht YOLOv9 eine hohe Genauigkeit bei weniger Gleitkommaoperationen (FLOPs).

YOLOv8: Der vielseitige Allrounder#

YOLOv8 führte einen optimierten ankerfreien Erkennungsmechanismus ein, der die Anzahl der Bounding-Box-Vorhersagen reduziert und die Nicht-Maximum-Unterdrückung (NMS) bei der Nachverarbeitung beschleunigt. Sein C2f-Modul (Cross-Stage Partial Bottleneck mit zwei Faltungen) verbessert den Gradientenfluss im Netzwerk gegenüber älteren Modellen. Noch wichtiger ist, dass YOLOv8 auf Vielseitigkeit ausgelegt wurde und direkt Objekterkennung, Instanzsegmentierung, Bildklassifizierung, Posenschätzung und die Extraktion orientierter Bounding-Boxen (OBB) unterstützt.

Integration ins Ökosystem

YOLOv9 bietet zwar starke Erkennungskennzahlen, doch die native Integration in komplexe Pipelines kann schwierig sein. Mit YOLOv9 im Ultralytics-Framework lässt sich diese Lücke schließen und du erhältst Zugriff auf die Export- und Bereitstellungswerkzeuge von Ultralytics.

Ausgewogene Leistung und Benchmarks#

Bei der Bereitstellung von Bildverarbeitungsmodellen ist der Kompromiss zwischen Geschwindigkeit und Genauigkeit der entscheidende Faktor. Unten findest du einen detaillierten Vergleich von Modellgrößen, Latenz und mittlerer Average Precision (mAP), ermittelt anhand des Standarddatensatzes 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
YOLOv8n64037.380.41.473.28.7
YOLOv8s64044.9128.42.6611.228.6
YOLOv8m64050.2234.75.8625.978.9
YOLOv8l64052.9375.29.0643.7165.1
YOLOv8x64053.9479.114.3768.2257.8

Bei der Auswertung der Kennzahlen zeigt YOLOv9 ein starkes Verhältnis zwischen Parameterzahl und Genauigkeit und erreicht bei jeder Größe eine höhere mAP als YOLOv8. Das Modell YOLOv9c erzielt mit nur 25,5 Millionen Parametern eine mAP von 53,0 %. YOLOv8 ist jedoch bei den meisten Größen auf der GPU schneller; die Variante YOLOv8n benötigt auf einer NVIDIA-TensorRT-Konfiguration 1,47 ms.

Die Vorteile des Ultralytics-Ökosystems#

Ein wichtiger Aspekt bei der Wahl einer Architektur ist die Benutzerfreundlichkeit und das umgebende Softwareökosystem. Das Verwalten von Abhängigkeiten, das Schreiben eigener Datenlader und der Umgang mit komplexen Exportskripten können die Entwicklung ausbremsen. Das integrierte Ultralytics-Ökosystem übernimmt diese Aufgaben.

Egal, ob du YOLOv8 oder YOLOv9 wählst (beide werden vollständig von der Ultralytics-Bibliothek unterstützt): Du profitierst von einer einheitlichen API, automatischen Datenerweiterungsverfahren und einem optimierten Export ins ONNX-Format. Ultralytics-Architekturen lassen sich außerdem effizient trainieren und vermeiden den hohen CUDA-Speicherverbrauch, der bei großen Transformer-Modellen üblich ist.

Codebeispiel für das Training#

Das Training eines der beiden Modelle über die Python-API ist einfach und erfordert nur wenige Codezeilen.

from ultralytics import YOLO

# Bevorzugtes Modell laden (bei Bedarf „yolov9c.pt“ durch „yolov8n.pt“ ersetzen)
model = YOLO("yolov8n.pt")

# Das Modell mit deinem eigenen Datensatz trainieren
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Leistungskennzahlen des Modells überprüfen
metrics = model.val()

# Für die Bereitstellung in der Produktion nach ONNX exportieren
model.export(format="onnx")

Anwendungsfälle und Empfehlungen#

Die Wahl zwischen YOLOv9 und YOLOv8 hängt von deinen konkreten Projektanforderungen, den Bedingungen für die 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 YOLOv8 wählen solltest#

YOLOv8 empfiehlt sich für:

  • Vielseitige Bereitstellung für mehrere Aufgaben: Projekte, die ein bewährtes Modell für Erkennung, Segmentierung, Klassifizierung und Posenschätzung innerhalb des Ultralytics-Ökosystems benötigen.
  • Etablierte Produktivsysteme: Bestehende Produktivumgebungen, die bereits auf der YOLOv8-Architektur und stabilen, umfassend getesteten Bereitstellungspipelines basieren.
  • Umfangreiche Unterstützung durch Community und Ökosystem: Anwendungen, die von den zahlreichen YOLOv8-Anleitungen, Integrationen von Drittanbietern und aktiven Community-Ressourcen profitieren.

Wann du Ultralytics (YOLO26) wählen solltest#

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

  • NMS-freie Bereitstellung auf Edge-Geräten: Anwendungen, die eine gleichbleibende Inferenz mit geringer Latenz ohne die Komplexität der Nachbearbeitung durch Non-Maximum Suppression erfordern.
  • Umgebungen ohne GPU: Geräte ohne dedizierte GPU-Beschleunigung, bei denen die bis zu 43 % schnellere CPU-Inferenz von YOLO26 (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.

Ausblick: YOLO26 kommt#

YOLOv8 und YOLOv9 sind leistungsfähige Modelle, doch die Bildverarbeitung entwickelt sich rasant weiter. Für moderne Bereitstellungen empfiehlt Ultralytics Ultralytics YOLO26, das im Januar 2026 veröffentlicht wurde.

YOLO26 verändert die Ausführung von Objektdetektoren in Produktionsumgebungen. Das Modell bietet ein natives End-to-End-Design ohne NMS (optional über nms=False) und beseitigt die Latenz der NMS-Nachverarbeitung samt deren Schwankungen. Zur besseren Unterstützung von Edge-Hardware und Geräten mit geringem Stromverbrauch bietet YOLO26 DFL Removal (Distribution Focal Loss), wodurch sich mobile Exporte vereinfachen.

Für das Training verwendet YOLO26 den MuSGD-Optimierer, eine Kombination aus SGD und Muon, die von LLMs inspirierte Stabilität beim Training von Bildverarbeitungsaufgaben bietet und die Konvergenz beschleunigt. Mit bis zu 43 % schnellerer CPU-Inferenz (YOLO26n gegenüber YOLO11n) und ProgLoss + STAL (Progressive Loss und Small-Target-Aware Label Assignment) zur verbesserten Erkennung kleiner Objekte ist YOLO26 die empfohlene Wahl für neue Unternehmensprojekte.

Alternative Architekturen

Je nach deinen Hardwarebeschränkungen könntest du diese Modelle auch mit Ultralytics YOLO11 für ausgewogene Aufgaben mit allgemeinem Einsatz vergleichen oder Transformer-Modelle wie RT-DETR für spezialisierte Forschung mit besonders hoher Detailtreue in Betracht ziehen.

Anwendungen und Anwendungsfälle in der Praxis#

Die Wahl zwischen YOLOv8 und YOLOv9 hängt weitgehend von den Einschränkungen deines Projekts und der Zielhardware ab.

  • Gesundheitswesen und medizinische Bildgebung: Wenn jedes Pixel zählt, etwa bei Tumorerkennungssystemen, hilft die GELAN-Architektur von YOLOv9, feine Details zu bewahren. Dadurch lassen sich falsch negative Ergebnisse bei kritischen Diagnosen möglicherweise reduzieren.
  • Einzelhandel und Bestandsanalyse: Bei intelligenten Supermarktsystemen, die dicht gefüllte Regale überwachen, bietet YOLOv9 die erforderliche mAP, um überlappende Artikel zuverlässig voneinander zu unterscheiden.
  • Intelligente Städte und Verkehrsüberwachung: Bei der dynamischen Logistik- und Verkehrssteuerung eignen sich die geringe Latenz und die bewährte Robustheit von YOLOv8 gut, um Fahrzeuge gleichzeitig in mehreren Kamerastreams zu verfolgen.
  • Edge-Bereitstellungen: Wenn du das Modell auf ressourcenbeschränkten Geräten wie einem Raspberry Pi oder Mobilgeräten bereitstellst, sorgen die effizienten C2f-Blöcke von YOLOv8 (und die CPU-Optimierungen von YOLO26) für eine reibungslosere, akkuschonende Inferenzpipeline.

Kommentare1

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

  1. finfindaraGitHub(bearbeitet)

    Great comparison! YOLOv9 introduces notable improvements in detection accuracy and model optimization, particularly for smaller and densely packed objects. However, this YOLOv8 comparison shows that v8 still delivers a strong balance of speed, flexibility, and ease of deployment — making it a solid choice for many real-time applications. Both models have their strengths depending on the specific use case.