Начать

YOLO11 и YOLOv9

Архитектуры обнаружения объектов в реальном времени продолжают совершенствоваться. Среди заметных этапов развития — Ultralytics YOLO11 и YOLOv9. Обе модели показывают хорошие результаты, но по-разному решают основные задачи инференса и обучения глубоких нейросетей.

В этом руководстве сравниваются YOLO11 и YOLOv9, анализируются их архитектуры, метрики производительности и оптимальные сценарии развертывания, чтобы помочь тебе выбрать модель для следующего проекта компьютерного зрения.

Обзор моделей#

Ultralytics YOLO11#

YOLO11 — оптимизированная универсальная модель для производственной среды. Она сочетает высокую точность с практическими требованиями к периферийным вычислениям и крупномасштабному развертыванию.

YOLOv9#

YOLOv9 — академическая разработка, предлагающая новые концепции для уменьшения потери информации в глубоких нейросетях с акцентом на извлечение признаков.

Подробнее о YOLOv9

Архитектурные инновации#

YOLOv9: программируемая информация о градиентах#

YOLOv9 решает проблему «информационного узкого места», когда данные теряются при прохождении через последовательные слои глубокой сети. Для этого авторы представили Programmable Gradient Information (PGI) и Generalized Efficient Layer Aggregation Network (GELAN). PGI помогает градиентам, используемым для обновления весов при обратном распространении, сохранять больше исходной информации, что приводит к точным представлениям признаков. Архитектура GELAN повышает эффективность использования параметров, позволяя YOLOv9 обеспечивать высокую точность при относительно компактной структуре.

YOLO11: экосистема и эффективность#

YOLOv9 сосредоточена на распространении градиентов, а YOLO11 разработана с расчетом на надежную и универсальную работу в реальных условиях. В ней усовершенствована базовая архитектура YOLO, чтобы требования к памяти CUDA во время обучения были ниже, чем у моделей с большим числом трансформерных блоков. YOLO11 — это не просто детектор объектов: тогда как YOLOv9 в Ultralytics поддерживает обнаружение и сегментацию, YOLO11 поддерживает сегментацию экземпляров, классификацию изображений, оценку позы и ориентированные ограничивающие рамки (OBB).

Упрощённая разработка

Одно из главных преимуществ YOLO11 — интеграция в Python-пакет Ultralytics, который объединяет в единый API сложные процессы загрузки данных, аугментации и распределённого обучения.

Сравнение производительности#

При выборе модели для производственной среды учитывай компромисс между средней точностью (mAP), скоростью инференса и количеством параметров.

Модельразмер
(пиксели)
mAPval50-95Скорость
CPU ONNX
(мс)
Скорость
T4 TensorRT10
(мс)
параметры
(M)
FLOPs
(B)
YOLO11n64039.556.11.52.66.5
YOLO11s64047.090.02.59.421.6
YOLO11m64051.5183.24.720.168.1
YOLO11l64053.4238.66.225.387.2
YOLO11x64054.7462.811.356.9195.3
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

YOLOv9e обеспечивает наивысшую общую точность (55,6 mAP), поэтому подходит для академического тестирования, хотя работает на T4 с TensorRT за 16,77 мс против 11,3 мс у YOLO11x. YOLO11 обеспечивает лучшее соотношение скорости и точности на каждом масштабе. Например, YOLO11m достигает 51,5 mAP за 4,7 мс (TensorRT), тогда как сопоставимая по размеру YOLOv9m — 51,4 mAP за 6,43 мс.

Методики обучения и экосистема#

Удобство разработки в двух фреймворках заметно различается.

Обучение YOLOv9#

Обучение YOLOv9 из исходного репозитория часто требует работы с измененным исследовательским кодом, управления версиями конкретных зависимостей и использования сложных аргументов командной строки, что может замедлить работу корпоративных команд. Веса YOLOv9 также доступны в пакете ultralytics, который избавляет от большей части этой настройки.

Обучение YOLO11#

YOLO11 использует хорошо поддерживаемый API Python Ultralytics, позволяющий за несколько шагов перейти от установки к обученной модели. Для обучения доступны готовые предварительно обученные веса и активное сообщество.

from ultralytics import YOLO

# Загрузка предварительно обученной облегчённой модели YOLO11
model = YOLO("yolo11s.pt")

# Обучение на пользовательском наборе данных со встроенной аугментацией
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Экспортируем в формат ONNX для развертывания
model.export(format="onnx")

Всего за три строки кода Python разработчики могут загрузить модель, запустить обучение с оптимизированными значениями гиперпараметров по умолчанию и экспортировать обученную архитектуру во фреймворки вроде ONNX или TensorRT для развертывания на периферийных устройствах.

Применение в реальных условиях#

Когда выбирать YOLOv9#

YOLOv9 хорошо подходит исследователям, изучающим архитектуры глубокого обучения и методы работы с градиентной информацией. Самый крупный вариант, YOLOv9e, подходит для аналитики плотных сцен, где критична точность, а сложность развертывания менее важна, чем производительность алгоритма.

Когда выбирать YOLO11#

YOLO11 — более подходящий выбор для производственной среды. Его возможности обнаружения объектов подходят для управления дорожным движением в умных городах и для работы на периферийных устройствах, таких как Raspberry Pi или NVIDIA Jetson. Кроме того, универсальность YOLO11 в решении различных задач позволяет использовать единый конвейер разработки для сегментации в производстве и оценки позы в спортивной аналитике.

Представляем YOLO26#

Разработчикам, которые сегодня начинают новые проекты, Ultralytics рекомендует YOLO26, новейшую модель Ultralytics YOLO, выпущенную в январе 2026 года.

YOLO26 объединяет последние достижения в модели, готовой к производственной эксплуатации:

  • Сквозная архитектура без NMS: дополнительная голова YOLO26 с сопоставлением один-к-одному (nms=False) пропускает постобработку с подавлением немаксимумов (NMS), упрощая и ускоряя конвейеры развертывания.
  • Удаление DFL: отказ от Distribution Focal Loss повышает совместимость с маломощными устройствами и ускорителями периферийного ИИ.
  • Оптимизатор MuSGD: вдохновленный методами обучения больших языковых моделей (LLM), оптимизатор MuSGD (гибрид SGD и Muon) обеспечивает стабильное обучение и быструю сходимость.
  • Инференс на CPU до 43% быстрее: YOLO26n работает на CPU до 43% быстрее YOLO11n, поэтому подходит для периферийных устройств без выделенных GPU.
  • ProgLoss + STAL: прогрессивная функция потерь и назначение меток с учетом малых объектов (STAL) улучшают распознавание небольших объектов, что критически важно для мониторинга сельского хозяйства и аэросъемки.

Тем, кто хочет изучить разные архитектуры, также стоит обратить внимание на RT-DETR для обнаружения объектов на базе трансформеров или на YOLO-World для обнаружения объектов с открытым словарем в режиме zero-shot.

Заключение#

YOLO11 и YOLOv9 — важные модели в истории компьютерного зрения. YOLOv9 предлагает примечательные архитектурные идеи для сохранения признаков. Для большинства реальных развертываний — от корпоративных приложений ИИ до мобильных периферийных устройств — YOLO11 выигрывает благодаря простоте использования, экономному потреблению памяти и универсальной поддержке задач. Для новых систем более современная YOLO26 обеспечивает быстрый инференс на CPU и дополнительное развертывание без NMS.

Участники

Комментарии

Задай вопрос, поделись результатами или помоги кому-нибудь.