YOLOv9 vs YOLOv5: comparación detallada
Esta página ofrece una comparación técnica entre YOLOv9 y YOLOv5, dos modelos populares de la serie YOLO , centrada en sus capacidades de detección de objetos. Profundizamos en sus diferencias arquitectónicas, métricas de rendimiento, metodologías de formación y casos de uso adecuados para ayudarle a elegir el modelo adecuado para sus tareas de visión por ordenador.
YOLOv9: Información de gradiente programable
YOLOv9, presentado en febrero de 2024 por Chien-Yao Wang y Hong-Yuan Mark Liao, del Instituto de Ciencias de la Información de la Academia Sinica de Taiwán, representa un avance significativo en la detección de objetos en tiempo real. El modelo se detalla en su artículo"YOLOv9: Learning What You Want to Learn Using Programmable Gradient Information" y el código está disponible en GitHub.
Arquitectura e innovaciones: YOLOv9 introduce dos innovaciones clave: La Información de Gradiente Programable (PGI) y la Red de Agregación de Capas Eficiente Generalizada (GELAN). PGI aborda la pérdida de información en las redes profundas, permitiendo que el modelo aprenda de forma más eficaz, mientras que GELAN optimiza la arquitectura de la red para mejorar la utilización de los parámetros y la eficiencia computacional. Esta combinación conduce a una mayor precisión sin un aumento proporcional del coste computacional.
Rendimiento: YOLOv9 alcanza un rendimiento de vanguardia en el conjunto de datos MS COCO, demostrando una precisión y eficacia superiores en comparación con versiones anteriores de YOLO y otros detectores de objetos en tiempo real. Por ejemplo, YOLOv9c alcanza 53,0 mAPval50-95 con 25,3 millones de parámetros.
Casos de uso: YOLOv9 es ideal para aplicaciones que exigen gran precisión y eficacia, como:
- Detección de objetos de alta precisión: Escenarios en los que la precisión es primordial, como la conducción autónoma, la vigilancia avanzada y la visión robótica.
- Entornos con recursos limitados: Aunque el entrenamiento requiere más recursos que YOLOv5, la arquitectura eficiente permite el despliegue en dispositivos periféricos con una velocidad de inferencia optimizada.
Puntos fuertes:
- Alta precisión: Consigue puntuaciones mAP superiores, sobre todo en modelos como YOLOv9e.
- Diseño eficiente: GELAN y PGI contribuyen a mejorar la eficiencia computacional y de parámetros en comparación con modelos anteriores con una precisión similar.
Debilidades:
- Mayor demanda de recursos de formación: El entrenamiento de los modelos de YOLOv5 requiere más recursos informáticos y tiempo en comparación con YOLOv5.
- Modelo relativamente nuevo: Al tratarse de un modelo más reciente, la comunidad y la documentación aún están en desarrollo en comparación con el YOLOv5, más consolidado.
YOLOv5: versatilidad y velocidad
Ultralytics YOLOv5, creado por Glenn Jocher y publicado en junio de 2020, es famoso por su velocidad, facilidad de uso y versatilidad. Aunque no existe un artículo arXiv específico, hay información detallada disponible en la documentación deUltralytics YOLOv5 y en el repositorio GitHub.
Arquitectura y características: YOLOv5 se ha construido centrándose en la velocidad y la accesibilidad, utilizando arquitecturas como CSP Bottleneck y PANet. Ofrece una gama de tamaños de modelo (YOLOv5n, s, m, l, x) para atender a diferentes presupuestos computacionales y necesidades de rendimiento. YOLOv5 está implementado en PyTorch, lo que lo hace fácil de usar y muy adaptable.
Rendimiento: YOLOv5 ofrece un equilibrio entre velocidad y precisión que lo hace adecuado para una amplia gama de aplicaciones del mundo real. YOLOv5s, una variante pequeña, alcanza 37,4 mAPval50-95 con rápidas velocidades de inferencia.
Casos prácticos: YOLOv5 es excepcionalmente versátil y encaja bien en escenarios en los que la velocidad y la facilidad de despliegue son fundamentales:
- Aplicaciones en tiempo real: Ideal para aplicaciones que requieren una inferencia rápida, como el procesamiento de vídeo en directo, la robótica y la visión de drones.
- Despliegue en los bordes: Los modelos más pequeños (YOLOv5n, YOLOv5s) son idóneos para su despliegue en dispositivos periféricos y plataformas móviles debido a su menor demanda computacional.
- Creación rápida de prototipos y desarrollo: Su facilidad de uso y amplia documentación hacen que YOLOv5 sea excelente para ciclos de desarrollo rápidos y fines educativos.
Puntos fuertes:
- Alta velocidad: Ofrece velocidades de inferencia rápidas, especialmente con variantes de modelos más pequeños.
- Facilidad de uso: Bien documentada y con una comunidad amplia y activa, lo que facilita su uso y aplicación.
- Versatilidad: Disponible en múltiples tamaños y adaptable a diversas tareas, como la detección, la segmentación y la clasificación.
Debilidades:
- Menor precisión en comparación con YOLOv9: En general, los modelos YOLOv5 no alcanzan el mismo nivel de precisión que el último YOLOv9, sobre todo en escenarios exigentes.
- Arquitectura menos innovadora que YOLOv9: Aunque eficaz, su arquitectura no incorpora las novedosas innovaciones PGI y GELAN de YOLOv9.
| Modelo | tamaño(píxeles) | mAPval50-95 | VelocidadCPU ONNX(ms) | VelocidadT4TensorRT10(ms) | params(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 |
| YOLOv5n | 640 | 28.0 | 73.6 | 1.12 | 2.6 | 7.7 |
| YOLOv5s | 640 | 37.4 | 120.7 | 1.92 | 9.1 | 24.0 |
| YOLOv5m | 640 | 45.4 | 233.9 | 4.03 | 25.1 | 64.2 |
| YOLOv5l | 640 | 49.0 | 408.4 | 6.61 | 53.2 | 135.0 |
| YOLOv5x | 640 | 50.7 | 763.2 | 11.89 | 97.2 | 246.4 |
Conclusión
La elección entre YOLOv9 y YOLOv5 depende de las prioridades de su proyecto. Si la precisión es primordial y se dispone de recursos para la formación, YOLOv9 es la mejor opción. Para las aplicaciones que dan prioridad a la velocidad, la facilidad de uso y la flexibilidad de despliegue, especialmente en dispositivos periféricos, YOLOv5 sigue siendo una opción excelente y ampliamente adoptada.
Para los usuarios interesados en explorar otros modelos, Ultralytics también ofrece YOLOv8, YOLOv7, YOLOv6 y el recién lanzado YOLO11, cada uno con sus propios puntos fuertes y optimizaciones. Explore la documentación deUltralytics Models para descubrir toda la gama de opciones.
