YOLOv9 YOLO11: concilier innovation architecturale et maturité opérationnelle

Le domaine de la détection d'objets en temps réel évolue rapidement, chaque nouvelle génération repoussant les limites en matière de précision, de vitesse et d'efficacité. Cette comparaison examine en détail YOLOv9, connu pour ses avancées théoriques en matière d'informations de gradient, et YOLO11, le puissant outil de production Ultralytics conçu pour un déploiement transparent et une grande polyvalence.

Bien que les deux modèles soient issus de la légendaire YOLO , ils remplissent des fonctions distinctes dans l'écosystème de la vision par ordinateur. Ce guide analyse leurs architectures, leurs mesures de performance et leurs cas d'utilisation idéaux afin d'aider les développeurs à choisir l'outil le mieux adapté à leurs besoins spécifiques.

Résumé : Innovation contre écosystème

YOLOv9 se concentre sur la résolution du problème fondamental de la perte d'informations dans les réseaux profonds grâce à des concepts architecturaux novateurs tels que les informations de gradient programmables (PGI). Il s'agit d'un excellent choix pour la recherche universitaire et les scénarios nécessitant une conservation maximale des caractéristiques sur des ensembles de données complexes.

YOLO11, en revanche, est conçu pour le monde réel. En tant que membre natif de Ultralytics , il offre une facilité d'utilisation inégalée, des vitesses d'inférence supérieures sur le matériel périphérique et une prise en charge native d'un large éventail de tâches allant au-delà de la simple détection. Pour les développeurs qui créent des applications commerciales, YOLO11 un parcours plus rationalisé, de la formation au déploiement.

Spécifications techniques et performances

Le tableau suivant met en évidence les différences de performances entre les modèles sur l'COCO . Alors que YOLOv9 de solides performances théoriques, YOLO11 des avantages significatifs en termes de vitesse et d'efficacité des paramètres, en particulier dans les variantes de modèles plus petits, essentielles pour l'IA de pointe.

Modèle	Taille ^(pixels)	mAP^val 50-95	Vitesse ^{CPU ONNX (ms)}	Vitesse ^{T4 TensorRT10 (ms)}	paramètres ^(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: plongée en profondeur dans les gradients programmables

YOLOv9 introduit pour résoudre le problème du « goulot d'étranglement de l'information » dans les réseaux neuronaux profonds. À mesure que les réseaux s'approfondissent, les données d'entrée perdent souvent des informations critiques avant d'atteindre les couches de prédiction.

Auteurs : Chien-Yao Wang, Hong-Yuan Mark Liao
Organisation : Institut des sciences de l'information, Academia Sinica, Taïwan
Date : 21 février 2024
Arxiv:YOLOv9 : Apprendre ce que vous voulez apprendre en utilisant l’information de gradient programmable

Principales caractéristiques architecturales

Informations sur les gradients programmables (PGI) : les PGI génèrent des gradients fiables via une branche de supervision auxiliaire, garantissant ainsi que la branche principale apprend des caractéristiques robustes, même dans des architectures très profondes. Cela s'avère particulièrement utile pour la recherche sur la dynamique de la descente de gradient.
GELAN (Generalized Efficient Layer Aggregation Network) : une architecture novatrice qui optimise l'utilisation des paramètres, combinant les meilleurs aspects de CSPNet et ELAN. Cela permet YOLOv9 atteindre une grande précision avec une structure relativement légère par rapport aux anciensUltralytics .

En savoir plus sur YOLOv9

YOLO11: Conçu pour la production et la polyvalence

YOLO11 l'aboutissement de l'expérience Ultralytics dans l'accompagnement de millions de praticiens de l'IA. Il privilégie l'utilité pratique, en veillant à ce que les modèles soient non seulement précis sur les benchmarks, mais aussi faciles à former, à exporter et à exécuter sur divers matériels, allant des NVIDIA aux appareils Raspberry Pi.

Auteurs : Glenn Jocher, Jing Qiu
Organisation :Ultralytics
Date : 27 septembre 2024
Référence :Ultralytics

L'avantage Ultralytics

YOLO11 par son intégration dans Ultralytics au sens large. Cela comprend :

Efficacité mémoire : YOLO11 optimisé pour nécessiter beaucoup moins CUDA pendant l'entraînement par rapport aux architectures à forte utilisation de transformateurs ou aux référentiels non optimisés. Cela démocratise l'accès à l'entraînement, permettant aux utilisateurs d'affiner des modèles de pointe sur des GPU grand public tels que les RTX 3060 ou 4070.
Assistance pour des tâches variées : Contrairement à YOLOv9, qui se concentre principalement sur la détection dans son référentiel de base, YOLO11 prend en charge YOLO11 :
Exportabilité : exportation en un clic vers des formats tels que ONNX, TensorRT, CoreML et TFLite YOLO11 choix idéal pour les déploiements mobiles et embarqués.

En savoir plus sur YOLO11

Formation simplifiée avec Ultralytics

La formation YOLO11 un minimum de code standard. Vous pouvez commencer la formation sur un ensemble de données personnalisé en quelques secondes à l'aide de 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)

Cas d'utilisation concrets

Le choix entre ces deux modèles dépend fortement de vos contraintes de déploiement et des objectifs de votre projet.

Scénarios idéaux pour YOLOv9

Référence académique : les chercheurs qui étudient la topologie des réseaux et les flux d'informations trouveront les concepts PGI de YOLOv9 pour la recherche d'architectures neuronales.
Extraction de caractéristiques haute fidélité : pour les tâches où la capture de caractéristiques subtiles dans l'imagerie médicale haute résolution est essentielle, l'infrastructure GELAN offre une grande puissance de représentation.
Déploiement standard GPU : dans les environnements où la latence est moins critique que l'optimisation des 0,1 % restants du mAP, le modèle YOLOv9e, plus volumineux, est un concurrent sérieux.

Scénarios idéaux pour YOLO11

IA en périphérie et IoT : grâce à ses vitesses CPU supérieures (par exemple, 1,5 ms pour YOLO11n contre 2,3 ms pour YOLOv9t sur GPU T4, et des écarts encore plus importants sur CPU), YOLO11 idéal pour la navigation par drone et les caméras intelligentes.
SaaS commercial : la stabilité et la maintenance active du Ultralytics garantissent la sécurité et la mise à jour des applications commerciales avec les dernières PyTorch .
Pipelines multitâches : les applications nécessitant une détection et un suivi simultanés, telles que l'analyse sportive, bénéficient de la capacité YOLO11 à changer de tâche sans modifier le cadre sous-jacent.
Formation avec des ressources limitées : les start-ups et les étudiants disposant d'un matériel limité peuvent former YOLO11 efficaces sans avoir à supporter les coûts élevés liés aux architectures plus lourdes.

L'avenir : regard vers YOLO26

Si YOLOv9 YOLO11 d'excellents choix, le domaine de la vision par ordinateur ne cesse d'évoluer. Ultralytics récemment présenté YOLO26, un modèle qui redéfinit l'efficacité pour 2026 et au-delà.

YOLO26 s'appuie sur les enseignements tirés des deux architectures, mais introduit une conception native de bout en bout NMS, lancée pour la première fois dans YOLOv10. Cela élimine le besoin d'un post-traitement de suppression non maximale, ce qui simplifie considérablement les pipelines de déploiement.

Pourquoi envisager YOLO26 ?

Vitesse : CPU jusqu'à 43 % plus rapide par rapport aux générations précédentes, grâce à la suppression de la perte focale de distribution (DFL) et à l'optimisation de l'exécution des graphiques.
Stabilité : utilise le nouvel optimiseur MuSGD, un hybride de SGD Muon (inspiré de la formation LLM), offrant la stabilité d'une formation par lots importants aux tâches de vision.
Précision : comprend les fonctions ProgLoss + STAL qui améliorent considérablement la reconnaissance des petits objets, un point sensible courant dans l'analyse des images satellites.

Pour les développeurs qui lancent aujourd'hui de nouveaux projets, YOLO11 fortement recommandé d'évaluer YOLO26 parallèlement à YOLO11 afin de garantir la pérennité de vos applications.

En savoir plus sur YOLO26

Conclusion

YOLOv9 YOLO11 tous deux des étapes importantes dans l'histoire de la détection d'objets. YOLOv9 des améliorations théoriques essentielles concernant la conservation des informations dans les réseaux profonds. Cependant, YOLO11 (et le plus récent YOLO26) offre généralement un ensemble plus pratique pour la plupart des utilisateurs grâce à Ultralytics intégré, à des rapports vitesse/précision supérieurs et à une facilité de déploiement.

En tirant parti de la Ultralytics , les développeurs peuvent facilement tester les deux modèles, comparer leurs performances sur des ensembles de données personnalisés et déployer le modèle gagnant en production en quelques clics seulement.

Lectures complémentaires

Comparaison des modèles : découvrez comment ces modèles se comparent à YOLOv8 et RT-DETR.
Gestion des données : découvrez comment annoter efficacement les données pour ces modèles à l'aide de Ultralytics .
Déploiement : consultez les guides pour exporter des modèles vers TensorRT pour optimiser GPU .