YOLOv9 vs YOLOv8
Il panorama della computer vision in tempo reale si è evoluto rapidamente negli ultimi anni e ogni nuovo modello ha ampliato ciò che è possibile fare sui dispositivi edge e sui server cloud. Nel confronto tra la più recente architettura YOLOv9 e il popolare framework Ultralytics YOLOv8, gli sviluppatori spesso devono scegliere tra la ricerca innovativa sui percorsi del gradiente e un ecosistema collaudato e pronto per la produzione.
Questa guida confronta i due modelli e ne analizza le innovazioni architetturali, le metriche prestazionali e gli scenari di deployment ideali, per aiutarti a scegliere il modello giusto per il tuo prossimo progetto di intelligenza artificiale.
Specifiche tecniche e autori#
Comprendere la genealogia di questi modelli offre un contesto essenziale per interpretare le rispettive scelte progettuali.
YOLOv9 Sviluppato da Chien-Yao Wang e Hong-Yuan Mark Liao dell'Institute of Information Science, Academia Sinica, Taiwan, YOLOv9 è stato rilasciato il 21 febbraio 2024. La ricerca si concentra sulla risoluzione del collo di bottiglia informativo nelle reti neurali profonde. Puoi consultare il lavoro di ricerca originale su YOLOv9 su arXiv o visualizzare il codice sorgente nel repository GitHub ufficiale di YOLOv9.
Ultralytics YOLOv8 Sviluppato da Glenn Jocher, Ayush Chaurasia e Jing Qiu presso Ultralytics, YOLOv8 è stato lanciato il 10 gennaio 2023. Si è affermato come standard di settore per la versatilità, offrendo un'API unificata per un'ampia varietà di task di visione. Il codice sorgente è mantenuto nel repository GitHub principale di Ultralytics, garantendo aggiornamenti continui e stabilità a lungo termine.
Innovazioni architetturali#
YOLOv9: informazioni di gradiente programmabili#
La caratteristica distintiva di YOLOv9 è l'introduzione di Informazioni programmabili sul gradiente (PGI) e della rete di aggregazione dei layer efficiente generalizzata (GELAN). Man mano che le reti neurali convoluzionali diventano più profonde, tendono a perdere informazioni essenziali sulle caratteristiche durante la propagazione in avanti. PGI affronta questo collo di bottiglia informativo conservando gradienti accurati, utilizzati per aggiornare i pesi e favorire un'estrazione affidabile delle caratteristiche. Questa architettura massimizza l'efficienza dei parametri, consentendo a YOLOv9 di raggiungere un'elevata precisione con meno operazioni in virgola mobile (FLOPs).
YOLOv8: il modello versatile e affidabile#
YOLOv8 ha introdotto un meccanismo di rilevamento senza anchor semplificato, che riduce il numero di predizioni dei riquadri e accelera la soppressione non massima (NMS) durante la post-elaborazione. Il suo modulo C2f (collo di bottiglia parziale tra fasi con due convoluzioni) migliora il flusso del gradiente nella rete rispetto ai modelli precedenti. Ancora più importante, YOLOv8 è stato progettato pensando alla versatilità e supporta nativamente il rilevamento degli oggetti, la segmentazione di istanze, la classificazione delle immagini, la stima della posa e l'estrazione di riquadri orientati (OBB), senza necessità di configurazioni aggiuntive.
Anche se YOLOv9 offre ottime metriche di rilevamento grezze, integrarlo nativamente in pipeline complesse può essere difficile. Usare YOLOv9 tramite il framework Ultralytics colma questo divario, offrendo accesso agli strumenti di esportazione e deployment di Ultralytics.
Equilibrio delle prestazioni e benchmark#
Il compromesso tra velocità e precisione è il fattore più importante quando si distribuiscono modelli di visione. Di seguito trovi un confronto dettagliato delle dimensioni dei modelli, della latenza e della precisione media (mAP), valutate sul dataset COCO standard.
| Modello | dimensione (pixel) | mAPval50-95 | 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 | 7.2 | 26.7 |
| YOLOv9m | 640 | 51.4 | - | 6.43 | 20.1 | 76.8 |
| YOLOv9c | 640 | 53.0 | - | 7.16 | 25.5 | 102.8 |
| YOLOv9e | 640 | 55.6 | - | 16.77 | 58.1 | 192.5 |
| YOLOv8n | 640 | 37.3 | 80.4 | 1.47 | 3.2 | 8.7 |
| YOLOv8s | 640 | 44.9 | 128.4 | 2.66 | 11.2 | 28.6 |
| YOLOv8m | 640 | 50.2 | 234.7 | 5.86 | 25.9 | 78.9 |
| YOLOv8l | 640 | 52.9 | 375.2 | 9.06 | 43.7 | 165.1 |
| YOLOv8x | 640 | 53.9 | 479.1 | 14.37 | 68.2 | 257.8 |
Analizzando le metriche, YOLOv9 dimostra un ottimo rapporto tra parametri e precisione, con una mAP superiore a YOLOv8 a ogni dimensione. Il modello YOLOv9c raggiunge il 53,0% di mAP con appena 25,5 milioni di parametri. Tuttavia, YOLOv8 è più veloce su GPU nella maggior parte delle dimensioni: la variante YOLOv8n impiega 1,47 ms in una configurazione NVIDIA TensorRT.
I vantaggi dell’ecosistema Ultralytics#
Quando si sceglie un'architettura, è fondamentale considerare la facilità d'uso e l'ecosistema software circostante. La gestione delle dipendenze, la scrittura di data loader personalizzati e la gestione di script di esportazione complessi possono rallentare lo sviluppo. L'ecosistema integrato di Ultralytics gestisce queste complessità.
Che tu scelga YOLOv8 o YOLOv9 (pienamente supportato nella libreria Ultralytics), puoi contare su un'API unificata, tecniche di augmentation dei dati automatiche e un'esportazione semplificata nel formato ONNX. Le architetture Ultralytics si addestrano inoltre in modo efficiente ed evitano l'elevato consumo di memoria CUDA tipico dei modelli di grandi dimensioni basati su Transformer.
Esempio di codice per l'addestramento#
Addestrare uno dei due modelli usando l'API Python è semplice e richiede solo poche righe di codice.
from ultralytics import YOLO
# Carica il modello desiderato (se necessario, sostituisci 'yolov9c.pt' con 'yolov8n.pt')
model = YOLO("yolov8n.pt")
# Addestra il modello sul tuo dataset personalizzato
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Convalida le metriche prestazionali del modello
metrics = model.val()
# Esporta in ONNX per il deployment in produzione
model.export(format="onnx")Casi d'uso e consigli#
La scelta tra YOLOv9 e YOLOv8 dipende dai requisiti specifici del tuo progetto, dai vincoli di deployment e dalle tue preferenze in fatto di ecosistema.
Quando scegliere YOLOv9#
YOLOv9 è una scelta valida 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 YOLOv8#
YOLOv8 è consigliato per:
- Distribuzione versatile multi-task: progetti che richiedono un modello collaudato per rilevamento, segmentazione, classificazione e 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 Ultralytics (YOLO26)#
Per la maggior parte dei nuovi progetti, Ultralytics YOLO26 offre la combinazione migliore di prestazioni ed esperienza per gli sviluppatori:
- Distribuzione edge senza NMS: applicazioni che richiedono inferenza costante a bassa latenza senza la complessità della post-elaborazione con soppressione non massima.
- Ambienti solo CPU: dispositivi senza accelerazione GPU dedicata, sui quali l'inferenza CPU di YOLO26, fino al 43% più rapida (YOLO26n rispetto a 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.
Uno sguardo al futuro: l'arrivo di YOLO26#
Sebbene YOLOv8 e YOLOv9 siano entrambi validi, il panorama della computer vision evolve rapidamente. Per i deployment moderni, Ultralytics consiglia Ultralytics YOLO26, rilasciato a gennaio 2026.
YOLO26 cambia il modo in cui i rilevatori di oggetti funzionano in produzione. Offre un design nativo end-to-end senza NMS (opzionale tramite nms=False), eliminando la latenza della post-elaborazione NMS e la relativa variabilità. Per supportare meglio l'hardware edge e quello a basso consumo, YOLO26 include la rimozione di DFL (perdita focale di distribuzione), semplificando le esportazioni per dispositivi mobili.
Per l'addestramento, YOLO26 utilizza l'ottimizzatore MuSGD, un ibrido di SGD e Muon che porta nei task di visione la stabilità di addestramento ispirata agli LLM e accelera la convergenza. Con un'inferenza su CPU fino al 43% più veloce (YOLO26n rispetto a YOLO11n) e ProgLoss + STAL (Progressive Loss e assegnazione delle etichette consapevole degli oggetti piccoli) per migliorare il rilevamento degli oggetti piccoli, YOLO26 è la scelta consigliata per i nuovi progetti aziendali.
In base ai vincoli del tuo hardware, potrebbe interessarti anche confrontare questi modelli con Ultralytics YOLO11 per attività generiche e bilanciate, oppure esplorare modelli basati su Transformer come RT-DETR per ricerche specialistiche ad alta fedeltà.
Applicazioni e casi d'uso nel mondo reale#
La scelta tra YOLOv8 e YOLOv9 dipende in larga misura dai vincoli del progetto e dall'hardware di destinazione.
- Assistenza sanitaria e imaging medico: quando ogni pixel conta, ad esempio nei sistemi di rilevamento dei tumori, l'architettura GELAN di YOLOv9 aiuta a preservare i dettagli più fini, riducendo potenzialmente i falsi negativi nelle diagnosi critiche.
- Vendita al dettaglio e analisi delle scorte: per i sistemi intelligenti per supermercati che monitorano scaffali molto affollati, YOLOv9 offre la mAP necessaria per distinguere in modo affidabile gli articoli sovrapposti.
- Città intelligenti e monitoraggio del traffico: nell'ambito della rapida evoluzione della logistica e gestione del traffico, la bassa latenza e la comprovata robustezza di YOLOv8 lo rendono adatto a tracciare simultaneamente i veicoli su più flussi video.
- Deployment edge: se distribuisci i modelli su dispositivi con risorse limitate, come un Raspberry Pi o hardware mobile, gli efficienti blocchi C2f di YOLOv8 (e le ottimizzazioni CPU di YOLO26) offrono una pipeline di inferenza più fluida e con consumi adatti ai dispositivi a batteria.
Commenti1
Fai una domanda, condividi i tuoi risultati o aiuta qualcun altro.
finfindara(modificato)
Great comparison! YOLOv9 introduces notable improvements in detection accuracy and model optimization, particularly for smaller and densely packed objects. However, this YOLOv8 comparison shows that v8 still delivers a strong balance of speed, flexibility, and ease of deployment — making it a solid choice for many real-time applications. Both models have their strengths depending on the specific use case.