YOLOv9 vs YOLOv5: un confronto dettagliato
Questa pagina fornisce un confronto tecnico tra YOLOv9 e YOLOv5, due modelli popolari della serie YOLO , concentrandosi sulle loro capacità di rilevamento degli oggetti. Approfondiamo le differenze architettoniche, le metriche delle prestazioni, le metodologie di addestramento e i casi d'uso più adatti per aiutarvi a scegliere il modello giusto per le vostre attività di computer vision.
YOLOv9: Informazioni sul gradiente programmabile
YOLOv9, presentato nel febbraio 2024 da Chien-Yao Wang e Hong-Yuan Mark Liao dell'Institute of Information Science, Academia Sinica, Taiwan, rappresenta un significativo progresso nel rilevamento di oggetti in tempo reale. Il modello è descritto nel documento"YOLOv9: Learning What You Want to Learn Using Programmable Gradient Information" e il codice è disponibile su GitHub.
Architettura e innovazioni: YOLOv9 introduce due innovazioni chiave: Programmable Gradient Information (PGI) e Generalized Efficient Layer Aggregation Network (GELAN). PGI affronta la perdita di informazioni nelle reti profonde, consentendo al modello di apprendere in modo più efficace, mentre GELAN ottimizza l'architettura della rete per migliorare l'utilizzo dei parametri e l'efficienza computazionale. Questa combinazione porta a una maggiore precisione senza un aumento proporzionale del costo computazionale.
Prestazioni: YOLOv9 raggiunge prestazioni all'avanguardia sul set di dati MS COCO, dimostrando una precisione e un'efficienza superiori rispetto alle versioni precedenti di YOLO e ad altri rilevatori di oggetti in tempo reale. Ad esempio, YOLOv9c raggiunge 53,0 mAPval50-95 con 25,3M parametri.
Casi d'uso: YOLOv9 è ideale per le applicazioni che richiedono elevata precisione ed efficienza, come ad esempio:
- Rilevamento di oggetti ad alta precisione: Scenari in cui la precisione è fondamentale, come la guida autonoma, la sorveglianza avanzata e la visione robotica.
- Ambienti con risorse limitate: Sebbene l'addestramento richieda più risorse rispetto a YOLOv5, l'architettura efficiente consente l'implementazione su dispositivi edge con una velocità di inferenza ottimizzata.
Punti di forza:
- Alta precisione: Raggiunge punteggi mAP superiori, in particolare in modelli come YOLOv9e.
- Progettazione efficiente: GELAN e PGI contribuiscono a migliorare i parametri e l'efficienza computazionale rispetto ai modelli precedenti con un'accuratezza simile.
Punti deboli:
- Maggiore richiesta di risorse per la formazione: L'addestramento dei modelli YOLOv9 richiede più risorse computazionali e tempo rispetto a YOLOv5.
- Modello relativamente più recente: Essendo un modello più recente, la comunità e la documentazione si stanno ancora sviluppando rispetto al più affermato YOLOv5.
YOLOv5: versatilità e velocità
Ultralytics YOLOv5, scritto da Glenn Jocher e rilasciato nel giugno 2020, è rinomato per la sua velocità, facilità d'uso e versatilità. Anche se non esiste un documento arXiv specifico, informazioni dettagliate sono disponibili nella documentazione diUltralytics YOLOv5 e nel repository GitHub.
Architettura e caratteristiche: YOLOv5 è costruito con un'attenzione particolare alla velocità e all'accessibilità, utilizzando architetture come CSP Bottleneck e PANet. Offre una gamma di modelli di diverse dimensioni (YOLOv5n, s, m, l, x) per soddisfare le diverse esigenze di budget computazionale e di prestazioni. YOLOv5 è implementato in PyTorch, che lo rende facile da usare e altamente adattabile.
Prestazioni: YOLOv5 offre un equilibrio tra velocità e precisione, rendendolo adatto a un'ampia gamma di applicazioni reali. YOLOv5s, una variante piccola, raggiunge 37,4 mAPval50-95 con una velocità di inferenza elevata.
Casi d'uso: YOLOv5 è eccezionalmente versatile e si adatta bene agli scenari in cui la velocità e la facilità di implementazione sono fondamentali:
- Applicazioni in tempo reale: Ideale per le applicazioni che richiedono una rapida inferenza, come l'elaborazione di video dal vivo, la robotica e la visione di droni.
- Distribuzione su dispositivi periferici: I modelli più piccoli (YOLOv5n, YOLOv5s) sono adatti per l'implementazione su dispositivi edge e piattaforme mobili, grazie alla loro minore richiesta di calcolo.
- Prototipazione e sviluppo rapidi: La facilità d'uso e l'ampia documentazione rendono YOLOv5 eccellente per cicli di sviluppo rapidi e per scopi didattici.
Punti di forza:
- Alta velocità: Offre una velocità di inferenza elevata, soprattutto con le varianti di modello più piccole.
- Facilità d'uso: Ben documentato e con una comunità ampia e attiva, che lo rende facile da usare e da implementare.
- Versatilità: Disponibile in diverse dimensioni e adattabile a vari compiti, tra cui il rilevamento, la segmentazione e la classificazione.
Punti deboli:
- Accuratezza inferiore rispetto a YOLOv9: in generale, i modelli YOLOv5 non raggiungono lo stesso livello di accuratezza del più recente YOLOv9, soprattutto in scenari difficili.
- Architettura meno innovativa di YOLOv9: pur essendo efficace, la sua architettura non incorpora le innovazioni PGI e GELAN presenti in YOLOv9.
| Modello | dimensione(pixel) | mAPval50-95 | VelocitàCPU ONNX(ms) | VelocitàT4TensoreRT10(ms) | params(M) | FLOP(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 |
Conclusione
La scelta tra YOLOv9 e YOLOv5 dipende dalle priorità del progetto. Se la precisione è fondamentale e sono disponibili risorse per la formazione, YOLOv9 è la scelta migliore. Per le applicazioni che privilegiano la velocità, la facilità d'uso e la flessibilità di distribuzione, soprattutto sui dispositivi edge, YOLOv5 rimane un'opzione eccellente e ampiamente adottata.
Per gli utenti interessati a esplorare altri modelli, Ultralytics offre anche YOLOv8, YOLOv7, YOLOv6 e il nuovo YOLO11, ciascuno con i propri punti di forza e le proprie ottimizzazioni. Esplorate la documentazione di Ultralytics Models per scoprire l'intera gamma di opzioni.
