YOLOv9 YOLO11: un ponte tra innovazione architettonica e prontezza produttiva

Il panorama del rilevamento di oggetti in tempo reale evolve rapidamente, con ogni generazione che spinge i limiti di precisione, velocità ed efficienza. Questo confronto approfondisce YOLOv9, noto per le sue innovazioni teoriche nel campo delle informazioni di gradiente, e YOLO11, il potente strumento Ultralytics progettato per un'implementazione senza soluzione di continuità e una grande versatilità.

Sebbene entrambi i modelli derivino dalla leggendaria YOLO , essi hanno scopi distinti nell'ecosistema della visione artificiale. Questa guida analizza le loro architetture, le metriche delle prestazioni e i casi d'uso ideali per aiutare gli sviluppatori a selezionare lo strumento più adatto alle loro esigenze specifiche.

Sintesi: Innovazione contro ecosistema

YOLOv9 si concentra sulla risoluzione del problema fondamentale della perdita di informazioni nelle reti profonde attraverso concetti architettonici innovativi come il Programmable Gradient Information (PGI). È una scelta eccellente per la ricerca accademica e per scenari che richiedono la massima conservazione delle caratteristiche su set di dati complessi.

YOLO11, al contrario, è progettato per il mondo reale. Essendo parte integrante Ultralytics , offre una facilità d'uso senza pari, velocità di inferenza superiori su hardware edge e supporto nativo per un'ampia gamma di attività che vanno oltre il semplice rilevamento. Per gli sviluppatori che realizzano applicazioni commerciali, YOLO11 un percorso più snello dalla formazione alla distribuzione.

Specifiche tecniche e prestazioni

La tabella seguente evidenzia le differenze di prestazioni tra i modelli sul COCO . Mentre YOLOv9 ottime prestazioni teoriche, YOLO11 vantaggi significativi in termini di velocità ed efficienza dei parametri, in particolare nelle varianti di modelli più piccoli fondamentali per l'edge AI.

Modello	dimensione ^(pixel)	mAP^val 50-95	Velocità ^{CPU ONNX (ms)}	Velocità ^{T4 TensorRT10 (ms)}	parametri ^(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: Approfondimento sui gradienti programmabili

YOLOv9 introdotto per risolvere il problema del "colli di bottiglia delle informazioni" nelle reti neurali profonde. Man mano che le reti diventano più profonde, i dati di input spesso perdono informazioni critiche prima di raggiungere i livelli di previsione.

Autori: Chien-Yao Wang, Hong-Yuan Mark Liao
Organizzazione: Institute of Information Science, Academia Sinica, Taiwan
Data: 21 febbraio 2024
Arxiv:YOLOv9: Learning What You Want to Learn Using Programmable Gradient Information

Caratteristiche architettoniche chiave

Informazioni sul gradiente programmabile (PGI): il PGI genera gradienti affidabili tramite un ramo di supervisione ausiliario, garantendo che il ramo principale apprenda caratteristiche robuste anche in architetture molto profonde. Ciò è particolarmente utile per la ricerca sulle dinamiche di discesa del gradiente.
GELAN (Generalized Efficient Layer Aggregation Network): una nuova architettura che ottimizza l'utilizzo dei parametri, combinando gli aspetti migliori di CSPNet ed ELAN. Ciò consente a YOLOv9 raggiungere un'elevata precisione con una struttura relativamente leggera rispetto aiUltralytics precedentiUltralytics .

Scopri di più su YOLOv9

YOLO11: progettato per la produzione e la versatilità

YOLO11 il culmine dell'esperienza Ultralytics nel supportare milioni di professionisti dell'intelligenza artificiale. Dà priorità all'utilità pratica, garantendo che i modelli non siano solo accurati nei benchmark, ma anche facili da addestrare, esportare ed eseguire su hardware diversi, dalle NVIDIA ai dispositivi Raspberry Pi.

Autori: Glenn Jocher, Jing Qiu
Organizzazione:Ultralytics
Data: 27 settembre 2024
Repo:Ultralytics

Il vantaggio di Ultralytics

YOLO11 per la sua integrazione con il più ampio Ultralytics . Ciò include:

Efficienza della memoria: YOLO11 ottimizzato per richiedere una quantità significativamente inferiore CUDA durante l'addestramento rispetto alle architetture che fanno un uso intensivo di trasformatori o ai repository non ottimizzati. Ciò democratizza l'accesso all'addestramento, consentendo agli utenti di mettere a punto modelli all'avanguardia su GPU di livello consumer come RTX 3060 o 4070.
Ampio supporto alle attività: A differenza di YOLOv9, che si concentra principalmente sul rilevamento nel suo repository di base, YOLO11 supporta YOLO11 :
Esportabilità: esportazione con un solo clic in formati come ONNX, TensorRT, CoreML e TFLite YOLO11 scelta ideale per l'implementazione su dispositivi mobili e integrati.

Scopri di più su YOLO11

Formazione semplificata con Ultralytics

L'addestramento YOLO11 un codice boilerplate minimo. È possibile avviare l'addestramento su un set di dati personalizzato in pochi secondi utilizzando 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)

Casi d'uso reali

La scelta tra questi due modelli dipende in larga misura dai vincoli di implementazione e dagli obiettivi del progetto.

Scenari ideali per YOLOv9

Benchmarking accademico: i ricercatori che studiano la topologia di rete e il flusso di informazioni troveranno YOLOv9 i concetti PGI in YOLOv9 per la ricerca dell'architettura neurale.
Estrazione di caratteristiche ad alta fedeltà: per le attività in cui è fondamentale catturare caratteristiche sottili nelle immagini mediche ad alta risoluzione, la struttura GELAN offre una forte capacità di rappresentazione.
Implementazione standard GPU : in ambienti in cui la latenza è meno critica rispetto allo sfruttamento dell'ultimo 0,1% di mAP, il modello YOLOv9e più grande è un forte concorrente.

Scenari Ideali per YOLO11

Edge AI e IoT: grazie alle velocità CPU superiori (ad esempio, 1,5 ms per YOLO11n contro 2,3 ms per YOLOv9t su GPU T4, con differenze ancora più marcate sulla CPU), YOLO11 perfetto per la navigazione dei droni e le telecamere intelligenti.
SaaS commerciale: la stabilità e la manutenzione attiva del Ultralytics garantiscono che le applicazioni commerciali rimangano sicure e aggiornate con le ultime PyTorch .
Pipeline multitasking: le applicazioni che richiedono il rilevamento e il tracciamento simultanei, come l'analisi sportiva, traggono vantaggio dalla capacità YOLO11 di passare da un'attività all'altra senza modificare il framework sottostante.
Formazione con risorse limitate: le startup e gli studenti con hardware limitato possono formare YOLO11 efficaci senza incorrere negli elevati costi cloud associati alle architetture più pesanti.

Il futuro: uno sguardo verso YOLO26

Sebbene YOLOv9 YOLO11 scelte eccellenti, il campo della visione artificiale è in continua evoluzione. Ultralytics recentemente introdotto YOLO26, un modello che ridefinisce l'efficienza per il 2026 e oltre.

YOLO26 si basa sulle lezioni apprese da entrambe le architetture, ma introduce un design nativo end-to-end NMS, introdotto per la prima volta in YOLOv10. Ciò elimina la necessità della post-elaborazione Non-Maximum Suppression, semplificando notevolmente le pipeline di implementazione.

Perché scegliere YOLO26?

Velocità: CPU fino al 43% più veloce rispetto alle generazioni precedenti, ottenuta grazie alla rimozione della Distribution Focal Loss (DFL) e all'ottimizzazione dell'esecuzione dei grafici.
Stabilità: utilizza il nuovo MuSGD Optimizer, un ibrido tra SGD Muon (ispirato all'addestramento LLM), che offre la stabilità dell'addestramento con batch di grandi dimensioni alle attività di visione.
Precisione: include le funzioni ProgLoss + STAL che migliorano notevolmente il riconoscimento di oggetti di piccole dimensioni, un punto critico comune nell'analisi delle immagini satellitari.

Per gli sviluppatori che oggi intraprendono nuovi progetti, YOLO11 altamente raccomandabile valutare YOLO26 insieme a YOLO11 per garantire la compatibilità futura delle vostre applicazioni.

Scopri di più su YOLO26

Conclusione

Sia YOLOv9 YOLO11 pietre miliari significative nella storia del rilevamento degli oggetti. YOLOv9 miglioramenti teorici fondamentali per quanto riguarda la conservazione delle informazioni nelle reti profonde. Tuttavia, YOLO11 (e il più recente YOLO26) offre generalmente un pacchetto più pratico per la maggior parte degli utenti grazie Ultralytics integrato, ai rapporti velocità-precisione superiori e alla facilità di implementazione.

Sfruttando la Ultralytics , gli sviluppatori possono facilmente sperimentare entrambi i modelli, confrontare le loro prestazioni su set di dati personalizzati e implementare quello vincente nella produzione con pochi clic.

Letture aggiuntive

Confronto tra modelli: scopri come questi modelli si posizionano rispetto a YOLOv8 e RT-DETR.
Gestione dei dati: scopri come annotare i dati in modo efficiente per questi modelli utilizzando Ultralytics .
Implementazione: consulta le guide per l'esportazione dei modelli in TensorRT per ottenere GPU massime GPU .