YOLOv9 YOLO11: tendiendo un puente entre la innovación arquitectónica y la preparación para la producción

El panorama de la detección de objetos en tiempo real evoluciona rápidamente, y cada generación amplía los límites de precisión, velocidad y eficiencia. Esta comparación profundiza en YOLOv9, conocido por sus avances teóricos en información de gradientes, y YOLO11, la potente herramienta Ultralytics diseñada para un despliegue fluido y versátil.

Aunque ambos modelos provienen de la legendaria YOLO , cumplen funciones distintas en el ecosistema de la visión artificial. Esta guía analiza sus arquitecturas, métricas de rendimiento y casos de uso ideales para ayudar a los desarrolladores a seleccionar la herramienta adecuada para sus necesidades específicas.

Resumen ejecutivo: Innovación frente a ecosistema

YOLOv9 se centra en abordar el problema fundamental de la pérdida de información en las redes profundas mediante conceptos arquitectónicos novedosos como la información de gradiente programable (PGI). Es una excelente opción para la investigación académica y los escenarios que requieren la máxima retención de características en conjuntos de datos complejos.

YOLO11, por el contrario, está diseñado para el mundo real. Como ciudadano nativo del Ultralytics , ofrece una facilidad de uso inigualable, velocidades de inferencia superiores en hardware de vanguardia y compatibilidad nativa con una amplia gama de tareas que van más allá de la simple detección. Para los desarrolladores que crean aplicaciones comerciales, YOLO11 una ruta más optimizada desde el entrenamiento hasta la implementación.

Especificaciones técnicas y rendimiento

La siguiente tabla destaca las diferencias de rendimiento entre los modelos en el COCO . Mientras que YOLOv9 un gran rendimiento teórico, YOLO11 ventajas significativas en velocidad y eficiencia de parámetros, especialmente en las variantes de modelos más pequeños, fundamentales para la IA periférica.

Modelo	tamaño ^(píxeles)	mAP^val 50-95	Velocidad ^{CPU ONNX (ms)}	Velocidad ^{T4 TensorRT10 (ms)}	parámetros ^(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

YOLO11n	640	39.5	56.1	1.5	2.6	6.5
YOLO11s	640	47.0	90.0	2.5	9.4	21.5
YOLO11m	640	51.5	183.2	4.7	20.1	68.0
YOLO11l	640	53.4	238.6	6.2	25.3	86.9
YOLO11x	640	54.7	462.8	11.3	56.9	194.9

YOLOv9: Análisis en profundidad de los gradientes programables

YOLOv9 introdujo para resolver el problema del «cuello de botella de la información» en las redes neuronales profundas. A medida que las redes se profundizan, los datos de entrada suelen perder información crítica antes de llegar a las capas de predicción.

Autores: Chien-Yao Wang, Hong-Yuan Mark Liao
Organización: Instituto de Ciencias de la Información, Academia Sinica, Taiwán
Fecha: 21 de febrero de 2024
Arxiv:YOLOv9: Aprendiendo lo que quieres aprender usando información de gradiente programable

Características arquitectónicas clave

Información de gradiente programable (PGI): PGI genera gradientes fiables a través de una rama de supervisión auxiliar, lo que garantiza que la rama principal aprenda características robustas incluso en arquitecturas muy profundas. Esto resulta especialmente útil para investigar la dinámica del descenso de gradientes.
GELAN (Red de agregación de capas eficiente generalizada): una arquitectura novedosa que optimiza la utilización de parámetros, combinando los mejores aspectos de CSPNet y ELAN. Esto permite YOLOv9 una alta precisión con una estructura relativamente ligera en comparación conUltralytics anterioresUltralytics .

Más información sobre YOLOv9

YOLO11: Diseñado para la producción y la versatilidad

YOLO11 la culminación de la experiencia Ultralytics en el apoyo a millones de profesionales de la IA. Da prioridad a la utilidad práctica, garantizando que los modelos no solo sean precisos en las pruebas de rendimiento, sino que también sean fáciles de entrenar, exportar y ejecutar en diversos equipos, desde NVIDIA hasta dispositivos Raspberry Pi.

Autores: Glenn Jocher, Jing Qiu
Organización:Ultralytics
Fecha: 27 de septiembre de 2024
Repositorio:Ultralytics

La ventaja de Ultralytics

YOLO11 por su integración con el amplio Ultralytics . Esto incluye:

Eficiencia de memoria: YOLO11 optimizado para requerir una cantidad significativamente menor CUDA durante el entrenamiento en comparación con arquitecturas con gran cantidad de transformadores o repositorios no optimizados. Esto democratiza el acceso al entrenamiento, lo que permite a los usuarios ajustar modelos de última generación en GPU de consumo como la RTX 3060 o la 4070.
Amplio soporte de tareas: A diferencia de YOLOv9, que se centra principalmente en la detección en su repositorio base, YOLO11 admite YOLO11 :
Exportabilidad: Exportación con un solo clic a formatos como ONNX, TensorRT, CoreML y TFLite YOLO11 TFLite YOLO11 opción ideal para implementaciones móviles e integradas.

Más información sobre YOLO11

Formación optimizada con Ultralytics

El entrenamiento YOLO11 un código repetitivo mínimo. Puedes comenzar a entrenar con un conjunto de datos personalizado en cuestión de segundos utilizando la Python :

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")

# Train the model
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

Casos de uso en el mundo real

La elección entre estos dos modelos depende en gran medida de las limitaciones de implementación y los objetivos del proyecto.

Escenarios ideales para YOLOv9

Benchmarking académico: Los investigadores que estudian la topología de redes y el flujo de información encontrarán YOLOv9 los conceptos PGI de YOLOv9 para la búsqueda de arquitecturas neuronales.
Extracción de características de alta fidelidad: para tareas en las que es fundamental capturar características sutiles en imágenes médicas de alta resolución, la estructura central de GELAN ofrece una gran capacidad de representación.
Implementación estándar GPU : en entornos en los que la latencia es menos crítica que sacar hasta el último 0,1 % del mAP, el modelo YOLOv9e, de mayor tamaño, es un fuerte competidor.

Escenarios ideales para YOLO11

IA periférica e IoT: con velocidades CPU superiores (por ejemplo, 1,5 ms para YOLO11n frente a 2,3 ms para YOLOv9t en GPU T4, y diferencias aún mayores en CPU), YOLO11 perfecto para la navegación con drones y las cámaras inteligentes.
SaaS comercial: La estabilidad y el mantenimiento activo del Ultralytics garantizan que las aplicaciones comerciales sigan siendo seguras y estén actualizadas con las últimas PyTorch .
Tuberías multitarea: Las aplicaciones que requieren detección y seguimiento simultáneos, como el análisis deportivo, se benefician de la capacidad YOLO11 para cambiar de tarea sin modificar el marco subyacente.
Formación con recursos limitados: Las empresas emergentes y los estudiantes con hardware limitado pueden entrenar YOLO11 eficaces sin incurrir en los elevados costes de nube asociados a arquitecturas más pesadas.

El futuro: mirando hacia YOLO26

Aunque YOLOv9 YOLO11 excelentes opciones, el campo de la visión artificial nunca se detiene. Ultralytics presentado recientemente YOLO26, un modelo que redefine la eficiencia para 2026 y más allá.

YOLO26 se basa en las lecciones aprendidas de ambas arquitecturas, pero introduce un diseño nativo de extremo a extremo NMS, pionero por primera vez en YOLOv10. Esto elimina la necesidad del posprocesamiento de supresión no máxima, lo que simplifica considerablemente los procesos de implementación.

¿Por qué considerar YOLO26?

Velocidad: CPU hasta un 43 % más rápida en comparación con las generaciones anteriores, gracias a la eliminación de la pérdida focal de distribución (DFL) y a la optimización de la ejecución de gráficos.
Estabilidad: utiliza el nuevo optimizador MuSGD, un híbrido de SGD Muon (inspirado en el entrenamiento LLM), que ofrece la estabilidad del entrenamiento de lotes grandes a las tareas de visión.
Precisión: Cuenta con las funciones ProgLoss + STAL, que mejoran drásticamente el reconocimiento de objetos pequeños, un punto débil habitual en el análisis de imágenes satelitales.

Para los desarrolladores que inician nuevos proyectos hoy en día, YOLO11 muy recomendable evaluar YOLO26 junto con YOLO11 para garantizar la viabilidad futura de sus aplicaciones.

Más información sobre YOLO26

Conclusión

Tanto YOLOv9 YOLO11 hitos importantes en la historia de la detección de objetos. YOLOv9 mejoras teóricas fundamentales en lo que respecta a la retención de información en redes profundas. Sin embargo, YOLO11 (y el más reciente YOLO26) ofrece en general un paquete más práctico para la mayoría de los usuarios debido al Ultralytics integrado, a sus excelentes ratios de velocidad-precisión y a su facilidad de implementación.

Al aprovechar la Ultralytics , los desarrolladores pueden experimentar fácilmente con ambos modelos, comparar su rendimiento en conjuntos de datos personalizados e implementar el ganador en producción con solo unos pocos clics.

Lecturas adicionales

Comparación de modelos: Vea cómo se comparan estos modelos con YOLOv8 y RT-DETR.
Gestión de datos: aprenda a anotar datos de manera eficiente para estos modelos utilizando Ultralytics .
Implementación: explore las guías para exportar modelos a TensorRT para obtener el máximo GPU .