YOLOv9 vs YOLOv5: Uma comparação detalhada
Esta página fornece uma comparação técnica entre o YOLOv9 e YOLOv5, dois modelos populares da série YOLO , centrando-se nas suas capacidades de deteção de objectos. Aprofundamos as suas diferenças arquitectónicas, métricas de desempenho, metodologias de formação e casos de utilização adequados para o ajudar a escolher o modelo certo para as suas tarefas de visão computacional.
YOLOv9: Informação de gradiente programável
O YOLOv9, apresentado em fevereiro de 2024 por Chien-Yao Wang e Hong-Yuan Mark Liao do Instituto de Ciências da Informação, Academia Sinica, Taiwan, representa um avanço significativo na deteção de objectos em tempo real. O modelo é detalhado no seu artigo"YOLOv9: Learning What You Want to Learn Using Programmable Gradient Information" e o código está disponível no GitHub.
Arquitetura e inovações: O YOLOv9 apresenta duas inovações importantes: Programmable Gradient Information (PGI) e a Generalized Efficient Layer Aggregation Network (GELAN). O PGI aborda a perda de informações em redes profundas, permitindo que o modelo aprenda com mais eficiência, enquanto o GELAN otimiza a arquitetura da rede para melhorar a utilização de parâmetros e a eficiência computacional. Essa combinação leva a uma maior precisão sem um aumento proporcional no custo computacional.
Desempenho: O YOLOv9 atinge o desempenho mais avançado no conjunto de dados MS COCO, demonstrando uma precisão e eficiência superiores em comparação com as versões anteriores YOLO e outros detectores de objectos em tempo real. Por exemplo, o YOLOv9c alcança 53,0 mAPval50-95 com 25,3M parâmetros.
Casos de utilização: O YOLOv9 é ideal para aplicações que exigem alta precisão e eficiência, tais como:
- Deteção de objectos de alta precisão: Cenários em que a precisão é fundamental, como a condução autónoma, a vigilância avançada e a visão robótica.
- Ambientes com recursos limitados: Embora a formação exija mais recursos do que YOLOv5, a arquitetura eficiente permite a implementação em dispositivos de ponta com uma velocidade de inferência optimizada.
Pontos fortes:
- Elevada precisão: Obtém pontuações superiores de mAP, particularmente em modelos como o YOLOv9e.
- Conceção eficiente: O GELAN e o PGI contribuem para uma melhor eficiência paramétrica e computacional em comparação com modelos anteriores com uma precisão semelhante.
Pontos fracos:
- Maior necessidade de recursos de formação: O treino dos modelos YOLOv9 requer mais recursos computacionais e tempo em comparação com o YOLOv5.
- Modelo relativamente recente: Sendo um modelo mais recente, a comunidade e a documentação ainda estão a desenvolver-se em comparação com o YOLOv5 mais estabelecido.
YOLOv5: Versatilidade e velocidade
Ultralytics YOLOv5, de autoria de Glenn Jocher e lançado em junho de 2020, é conhecido por sua velocidade, facilidade de uso e versatilidade. Embora não exista um artigo arXiv específico, estão disponíveis informações pormenorizadas na documentaçãoUltralytics YOLOv5 e no repositório GitHub.
Arquitetura e caraterísticas: YOLOv5 é construído com foco na velocidade e acessibilidade, utilizando arquitecturas como CSP Bottleneck e PANet. Oferece uma gama de tamanhos de modelos (YOLOv5n, s, m, l, x) para atender a diferentes orçamentos computacionais e necessidades de desempenho. YOLOv5 é implementado em PyTorch, tornando-o fácil de utilizar e altamente adaptável.
Desempenho: YOLOv5 oferece um equilíbrio entre velocidade e precisão, tornando-o adequado para uma ampla gama de aplicações do mundo real. O YOLOv5s, uma variante pequena, atinge 37,4 mAPval50-95 com velocidades de inferência rápidas.
Casos de utilização: YOLOv5 é excecionalmente versátil e adapta-se bem a cenários em que a velocidade e a facilidade de implementação são fundamentais:
- Aplicações em tempo real: Ideal para aplicações que requerem inferência rápida, como processamento de vídeo ao vivo, robótica e visão de drones.
- Implantação na periferia: Os modelos mais pequenos (YOLOv5n, YOLOv5s) são adequados para implantação em dispositivos periféricos e plataformas móveis devido às suas menores exigências computacionais.
- Prototipagem e desenvolvimento rápidos: A facilidade de utilização e a extensa documentação tornam YOLOv5 excelente para ciclos de desenvolvimento rápidos e para fins educativos.
Pontos fortes:
- Alta velocidade: Oferece velocidades de inferência rápidas, especialmente com variantes de modelos mais pequenos.
- Facilidade de utilização: Bem documentado com uma comunidade grande e ativa, o que facilita a sua utilização e implementação.
- Versatilidade: Disponível em vários tamanhos e adaptável a várias tarefas, incluindo deteção, segmentação e classificação.
Pontos fracos:
- Menor exatidão em comparação com o YOLOv9: Geralmente, os modelos YOLOv5 não atingem o mesmo nível de exatidão que o YOLOv9 mais recente, especialmente em cenários exigentes.
- Arquitetura menos inovadora do que a YOLOv9: Embora eficaz, a sua arquitetura não incorpora as inovações PGI e GELAN encontradas na YOLOv9.
| Modelo | tamanho(pixéis) | mAPval50-95 | VelocidadeCPU ONNX(ms) | VelocidadeT4TensorRT10(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 |
Conclusão
A escolha entre o YOLOv9 e YOLOv5 depende das prioridades do seu projeto. Se a precisão for fundamental e os recursos para treinamento estiverem disponíveis, o YOLOv9 é a melhor opção. Para aplicações que dão prioridade à velocidade, facilidade de utilização e flexibilidade de implementação, especialmente em dispositivos de ponta, YOLOv5 continua a ser uma opção excelente e amplamente adoptada.
Para os utilizadores interessados em explorar outros modelos, Ultralytics também oferece YOLOv8, YOLOv7, YOLOv6 e o recém-lançado YOLO11, cada um com os seus próprios pontos fortes e optimizações. Explore a documentação dos modelosUltralytics para descobrir a gama completa de opções.
