Inizia

YOLOv8 vs YOLOv9

L’evoluzione del rilevamento di oggetti in tempo reale è stata caratterizzata dalla costante ricerca di una maggiore accuratezza, latenza inferiore e migliore utilizzo dell’hardware. Due tappe fondamentali di questo percorso sono Ultralytics YOLOv8 e YOLOv9. Sebbene entrambi i modelli rappresentino lo stato dell’arte nella computer vision, rispondono a esigenze di distribuzione, filosofie architetturali ed ecosistemi di sviluppo differenti.

Questa guida illustra le differenze tecniche, le innovazioni architetturali e gli aspetti pratici del deployment per aiutarti a scegliere il modello giusto per il tuo prossimo progetto di intelligenza artificiale.

Origini dei modelli e filosofie fondamentali#

Prima di esaminare le metriche, è utile comprendere le origini e gli obiettivi di progettazione principali di ciascun modello.

Ultralytics YOLOv8: lo standard versatile dell’ecosistema#

Rilasciato dal team di Ultralytics, YOLOv8 è stato progettato non solo come rilevatore di oggetti autonomo, ma come framework unificato multi-attività. Privilegia un'esperienza di sviluppo fluida, requisiti di memoria ridotti e un'ampia compatibilità hardware.

YOLOv9: informazioni di gradiente programmabili#

Sviluppato in modo indipendente dai ricercatori dell’Academia Sinica, YOLOv9 si concentra in particolare sulla teoria architetturale, affrontando nello specifico il fenomeno del collo di bottiglia informativo nelle reti neurali profonde.

  • Autori: Chien-Yao Wang e Hong-Yuan Mark Liao
  • Organizzazione: Institute of Information Science, Academia Sinica, Taiwan
  • Data: 2024-02-21
  • arXiv: 2402.13616
  • GitHub: WongKinYiu/yolov9

Scopri di più su YOLOv9

Implementazione aziendale

Se stai pianificando un deployment commerciale su larga scala, valuta Ultralytics Platform per semplificare l'addestramento nel cloud, la gestione dei dataset e l'uso di endpoint API dedicati.

Approfondimento sull’architettura#

Le scelte architetturali nel deep learning determinano l’efficienza con cui un modello apprende e la sua velocità sull’hardware di destinazione, come un NVIDIA Jetson o una CPU Intel.

Architettura di YOLOv8: C2f e teste disaccoppiate#

YOLOv8 ha introdotto il modulo C2f (collo di bottiglia parziale tra stadi con due convoluzioni), che ha sostituito il precedente modulo C3. Questa modifica migliora il flusso dei gradienti e consente alla rete di apprendere rappresentazioni delle caratteristiche più ricche senza gravare eccessivamente sulla memoria GPU.

YOLOv8 adotta inoltre un design senza anchor con una testa disaccoppiata. Elaborando classificazione e regressione tramite percorsi separati, il modello converge più rapidamente durante l'addestramento e si generalizza meglio a dataset personalizzati eterogenei.

Architettura di YOLOv9: PGI e GELAN#

YOLOv9 introduce le informazioni programmabili sul gradiente (PGI) e la rete di aggregazione efficiente generalizzata dei livelli (GELAN). PGI garantisce che i dati essenziali non vadano persi attraversando i livelli della rete e fornisce gradienti affidabili per l'aggiornamento dei pesi. GELAN massimizza l'efficienza dei parametri, consentendo al modello di raggiungere un'elevata precisione mantenendo gestibile il numero di FLOP.

Tuttavia, i rami ausiliari reversibili di YOLOv9, usati solo durante l'addestramento, possono rendere il codice di addestramento più complesso da personalizzare rispetto alle pipeline standard.

Metriche di prestazione e benchmark#

La tabella seguente confronta direttamente i modelli nelle diverse dimensioni. Le prestazioni sono misurate sul dataset MS COCO, un benchmark standard per il rilevamento di oggetti.

Modellodimensione
(pixel)
mAPval50-95Velocità
CPU ONNX
(ms)
Velocità
T4 TensorRT10
(ms)
parametri
(M)
FLOPs
(B)
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
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

Nota: i valori migliori in ogni colonna sono evidenziati in grassetto.

Analisi dei compromessi#

YOLOv9 raggiunge una precisione maggiore (mAP) a ogni dimensione comparabile e usa meno parametri a ogni scala. Tuttavia, Ultralytics YOLOv8 offre una velocità di inferenza GPU maggiore: per esempio, 1.47 ms per YOLOv8n contro 2.3 ms per YOLOv9t quando compilato con TensorRT, e si esporta facilmente in formati come ONNX. Per le applicazioni che richiedono un numero elevato di fotogrammi al secondo (FPS) su hardware edge con risorse limitate, come Raspberry Pi o chip mobili meno recenti, le varianti n e s di YOLOv8 offrono un equilibrio prestazionale pratico.

Efficienza dell’addestramento e integrazione nell’ecosistema#

Scegliere un modello non significa solo consultare le tabelle di precisione: anche l'esperienza di sviluppo conta.

I vantaggi di Ultralytics: facilità d’uso#

L’addestramento di YOLOv9 richiede spesso la clonazione di repository GitHub complessi, un’attenta gestione degli ambienti PyTorch e la configurazione manuale dei pesi delle funzioni di perdita ausiliarie.

Al contrario, Ultralytics YOLOv8 è supportato da un'API Python semplificata. Progettata per essere facile da usare, gestisce nativamente l'aumento dei dati, la registrazione dei log (con strumenti come Weights & Biases e Comet ML) e l'addestramento multi-GPU.

from ultralytics import YOLO

# Carica un modello YOLOv8 small preaddestrato
model = YOLO("yolov8s.pt")

# Addestra il modello in modo efficiente con dati personalizzati
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Esporta per la distribuzione edge
model.export(format="engine", quantize=16)  # Esportazione TensorRT

Questa singola API riduce il tempo necessario per passare dal prototipo alla produzione. Inoltre, YOLOv8 richiede in genere meno memoria CUDA durante l'addestramento, consentendo agli sviluppatori di usare batch di dimensioni maggiori su hardware di fascia consumer.

Versatilità delle attività#

YOLOv9 è un eccellente rilevatore di bounding box, ma le applicazioni reali di IA visiva spesso richiedono di più. YOLOv8 supporta nativamente la segmentazione delle istanze, la classificazione delle immagini, la stima della posa e le bounding box orientate (OBB). Usare un unico framework per più attività riduce la complessità del software e il carico di manutenzione.

Uno sguardo al futuro

Se stai avviando un nuovo progetto, potresti voler valutare anche Ultralytics YOLO11 o YOLO26, il modello attualmente consigliato, che offre l'inferenza end-to-end opzionale senza NMS.

Casi d’uso nel mondo reale#

Come si comportano questi modelli in produzione?

Droni autonomi e robotica#

Per la robotica che richiede un rapido evitamento degli ostacoli, YOLOv8 è la scelta preferita. La bassa latenza di YOLOv8n aiuta i sistemi autonomi a reagire all'ambiente in tempo reale e a evitare collisioni. L'esportazione nativa verso OpenVINO e CoreML semplifica il deployment sui chip a basso consumo tipici dei droni commerciali.

Rilevamento dei difetti ad alta risoluzione#

In ambienti di produzione specializzati, dove è fondamentale rilevare anomalie microscopiche ed è accettabile l'elaborazione offline, YOLOv9 può rivelarsi efficace. L'architettura PGI aiuta la rete a conservare i dettagli visivi più fini necessari per individuare crepe sottilissime o errori di saldatura sui PCB.

Vendita al dettaglio intelligente e analisi per la sicurezza#

Per tracciare i clienti tra le corsie dei negozi o gestire sistemi di pagamento automatizzati, YOLOv8 offre il miglior equilibrio. La possibilità di eseguire simultaneamente il rilevamento e il tracciamento di più oggetti con algoritmi standard come BoT-SORT lo rende una soluzione affidabile per le installazioni retail con più telecamere.

Casi d'uso e consigli#

La scelta tra YOLOv8 e YOLOv9 dipende dai requisiti specifici del tuo progetto, dai vincoli di distribuzione e dalle preferenze relative all’ecosistema.

Quando scegliere YOLOv8#

YOLOv8 è un'ottima scelta per:

  • Deployment versatile multi-attività: progetti che richiedono un modello collaudato per il rilevamento, la segmentazione, la classificazione e la stima della posa nell'ecosistema Ultralytics.
  • Sistemi di produzione consolidati: ambienti di produzione esistenti già basati sull’architettura YOLOv8, con pipeline di distribuzione stabili e ben testate.
  • Ampio supporto della community e dell’ecosistema: applicazioni che traggono vantaggio dagli estesi tutorial di YOLOv8, dalle integrazioni di terze parti e dalle risorse della community attiva.

Quando scegliere YOLOv9#

YOLOv9 è consigliato per:

  • Ricerca sui colli di bottiglia informativi: progetti accademici che studiano le informazioni di gradiente programmabili (PGI) e le architetture di rete di aggregazione efficiente generalizzata dei livelli (GELAN).
  • Studi sull'ottimizzazione del flusso del gradiente: ricerche incentrate sulla comprensione e sulla riduzione della perdita di informazioni nei livelli delle reti profonde durante l'addestramento.
  • Benchmark di rilevamento ad alta precisione: scenari in cui le prestazioni di YOLOv9 nei benchmark COCO servono come riferimento per confrontare le architetture.

Quando scegliere Ultralytics (YOLO26)#

Per la maggior parte dei nuovi progetti, Ultralytics YOLO26 offre la migliore combinazione di prestazioni ed esperienza per gli sviluppatori:

  • Distribuzione edge senza NMS: applicazioni che richiedono un’inferenza costante e a bassa latenza, senza la complessità della post-elaborazione con Non-Maximum Suppression (NMS).
  • Ambienti senza GPU: Dispositivi privi di accelerazione GPU dedicata, sui quali l’inferenza CPU di YOLO26n, fino al 43% più veloce di YOLO11n, offre un vantaggio decisivo.
  • Rilevamento di oggetti piccoli: scenari impegnativi come le immagini aeree da droni o l'analisi dei sensori IoT, in cui ProgLoss e STAL migliorano la precisione sugli oggetti minuscoli.

La prossima evoluzione: YOLO26#

YOLOv8 e YOLOv9 sono modelli capaci, ma il panorama dell'IA si evolve rapidamente. Per i nuovi progetti, YOLO26, rilasciato a gennaio 2026, si basa sui punti di forza delle generazioni precedenti.

YOLO26 introduce un design end-to-end opzionale senza NMS (nms=False), che elimina la post-elaborazione NMS, semplificando il deployment e rendendo la latenza più prevedibile. Con l'ottimizzatore MuSGD, ProgLoss + STAL (Progressive Loss e assegnazione delle etichette consapevole degli oggetti piccoli) e la rimozione della DFL (Distribution Focal Loss eliminata per semplificare l'esportazione e migliorare la compatibilità con i dispositivi edge e a basso consumo), YOLO26n offre un'inferenza CPU fino al 43% più veloce rispetto a YOLO11n e migliora il rilevamento degli oggetti piccoli. YOLO26 è il punto di partenza consigliato per i progetti di edge computing.

In sintesi, YOLOv9 offre ricerche architetturali preziose e un'eccellente precisione massima, ma Ultralytics YOLOv8 resta una scelta pratica, ben supportata e versatile per la maggior parte degli ingegneri di computer vision che vogliono distribuire rapidamente software affidabile.

Commenti

Fai una domanda, condividi i tuoi risultati o aiuta qualcun altro.