YOLOv9 vs YOLOv5: Comparaison détaillée
Cette page présente une comparaison technique entre YOLOv9 et YOLOv5, deux modèles populaires de la série YOLO , en mettant l'accent sur leurs capacités de détection d'objets. Nous nous penchons sur les différences architecturales, les mesures de performance, les méthodologies de formation et les cas d'utilisation appropriés pour vous aider à choisir le bon modèle pour vos tâches de vision par ordinateur.
YOLOv9 : Information sur le gradient programmable
YOLOv9, présenté en février 2024 par Chien-Yao Wang et Hong-Yuan Mark Liao de l'Institute of Information Science, Academia Sinica, Taiwan, représente une avancée significative dans la détection d'objets en temps réel. Le modèle est détaillé dans leur article"YOLOv9 : Learning What You Want to Learn Using Programmable Gradient Information" et le code est disponible sur GitHub.
Architecture et innovations : YOLOv9 introduit deux innovations clés : L'information de gradient programmable (PGI) et le réseau d'agrégation de couches efficace généralisé (GELAN). PGI traite la perte d'information dans les réseaux profonds, permettant au modèle d'apprendre plus efficacement, tandis que GELAN optimise l'architecture du réseau pour améliorer l'utilisation des paramètres et l'efficacité des calculs. Cette combinaison permet d'améliorer la précision sans augmentation proportionnelle des coûts de calcul.
Performance : YOLOv9 atteint des performances de pointe sur l'ensemble de données MS COCO, démontrant une précision et une efficacité supérieures à celles des versions précédentes de YOLO et d'autres détecteurs d'objets en temps réel. Par exemple, YOLOv9c atteint 53,0 mAPval50-95 avec 25,3 millions de paramètres.
Cas d'utilisation : YOLOv9 convient parfaitement aux applications exigeant une grande précision et une grande efficacité, telles que
- Détection d'objets de haute précision : Scénarios où la précision est primordiale, comme la conduite autonome, la surveillance avancée et la vision robotique.
- Environnements à ressources limitées : Bien que la formation nécessite plus de ressources que YOLOv5, l'architecture efficace permet un déploiement sur des appareils périphériques avec une vitesse d'inférence optimisée.
Points forts :
- Grande précision : Permet d'obtenir des scores mAP supérieurs, en particulier pour des modèles tels que YOLOv9e.
- Conception efficace : GELAN et PGI contribuent à améliorer l'efficacité des paramètres et des calculs par rapport aux modèles précédents avec une précision similaire.
Faiblesses :
- Une demande de ressources de formation plus importante : La formation des modèles YOLOv9 nécessite plus de ressources informatiques et de temps que YOLOv5.
- Modèle relativement récent : Comme il s'agit d'un modèle plus récent, la communauté et la documentation sont encore en train de se développer par rapport au YOLOv5, qui est plus établi.
YOLOv5: Polyvalence et rapidité
Ultralytics YOLOv5, dont l'auteur est Glenn Jocher et qui a été publié en juin 2020, est réputé pour sa vitesse, sa facilité d'utilisation et sa polyvalence. Bien qu'il n'y ait pas d'article arXiv spécifique, des informations détaillées sont disponibles dans la documentation d'Ultralytics YOLOv5 et dans le dépôt GitHub.
Architecture et caractéristiques : YOLOv5 est construit en mettant l'accent sur la vitesse et l'accessibilité, en utilisant des architectures telles que CSP Bottleneck et PANet. Il offre une gamme de tailles de modèles (YOLOv5n, s, m, l, x) pour répondre aux différents budgets de calcul et aux besoins de performance. YOLOv5 est implémenté dans PyTorch, ce qui le rend convivial et très adaptable.
Performance : YOLOv5 offre un équilibre entre vitesse et précision, ce qui le rend adapté à un large éventail d'applications réelles. YOLOv5s, une petite variante, atteint 37,4 mAPval50-95 avec des vitesses d'inférence rapides.
Cas d'utilisation : YOLOv5 est exceptionnellement polyvalent et convient parfaitement aux scénarios dans lesquels la rapidité et la facilité de déploiement sont essentielles :
- Applications en temps réel : Idéal pour les applications nécessitant une inférence rapide, telles que le traitement vidéo en direct, la robotique et la vision des drones.
- Déploiement en périphérie : Les modèles les plus petits (YOLOv5n, YOLOv5s) sont bien adaptés au déploiement sur des appareils périphériques et des plateformes mobiles en raison de leurs exigences de calcul moindres.
- Prototypage et développement rapides : Sa facilité d'utilisation et sa documentation complète font de YOLOv5 un excellent outil pour les cycles de développement rapides et les projets éducatifs.
Points forts :
- Haute vitesse : Offre des vitesses d'inférence rapides, en particulier avec des variantes de modèles plus petites.
- Facilité d'utilisation : Bien documenté et bénéficiant d'une communauté importante et active, il est facile à utiliser et à mettre en œuvre.
- Polyvalence : Disponible en plusieurs tailles et adaptable à diverses tâches, notamment la détection, la segmentation et la classification.
Faiblesses :
- Précision moindre par rapport à YOLOv9 : En général, les modèles YOLOv5 n'atteignent pas le même niveau de précision que le dernier YOLOv9, en particulier dans les scénarios exigeants.
- Architecture moins innovante que YOLOv9 : bien qu'efficace, son architecture n'intègre pas les innovations PGI et GELAN présentes dans YOLOv9.
| Modèle | taille(pixels) | mAPval50-95 | VitesseCPU ONNX(ms) | VitesseT4TenseurRT10(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 |
Conclusion
Le choix entre YOLOv9 et YOLOv5 dépend des priorités de votre projet. Si la précision est primordiale et que des ressources pour la formation sont disponibles, YOLOv9 est le meilleur choix. Pour les applications qui privilégient la vitesse, la facilité d'utilisation et la souplesse de déploiement, en particulier sur les appareils périphériques, YOLOv5 reste une option excellente et largement adoptée.
Pour les utilisateurs intéressés par d'autres modèles, Ultralytics propose également YOLOv8, YOLOv7, YOLOv6, et le tout nouveau YOLO11, chacun avec ses propres forces et optimisations. Explorez la documentation sur les modèlesUltralytics pour découvrir la gamme complète des options.
