YOLO11 против YOLOv9#

Ландшафт компьютерного зрения постоянно меняется: новые архитектуры расширяют границы возможностей обнаружения объектов в реальном времени. Две важные вехи на этом пути — Ultralytics YOLO11 и YOLOv9. Хотя обе модели обеспечивают исключительную производительность, они представляют разные подходы к решению ключевых задач инференса и обучения в глубоком обучении.

В этом руководстве представлен подробный технический обзор YOLO11 и YOLOv9 с анализом их архитектур, показателей производительности и оптимальных сценариев развертывания, чтобы помочь тебе выбрать подходящую модель для следующего проекта в области искусственного интеллекта.

Обзор моделей#

Ultralytics YOLO11#

YOLO11 — это высокооптимизированная универсальная модель, разработанная для производственных сред. Она сочетает передовую точность с практическими требованиями периферийных вычислений и крупномасштабного развертывания.

• Авторы: Glenn Jocher и Jing Qiu
• Организация: Ultralytics
• Дата: 2024-09-27
• GitHub: https://github.com/ultralytics/ultralytics
• Документация: https://docs.ultralytics.com/models/yolo11

YOLOv9#

YOLOv9 — это значимый академический вклад, в котором представлены новые концепции для снижения потерь информации в глубоких нейронных сетях, с особым вниманием к теоретическим достижениям в извлечении признаков.

• Авторы: Chien-Yao Wang и Hong-Yuan Mark Liao
• Организация: Институт информационных наук Academia Sinica, Тайвань
• Дата: 2024-02-21
• Arxiv: https://arxiv.org/abs/2402.13616
• GitHub: https://github.com/WongKinYiu/yolov9
• Документация: https://docs.ultralytics.com/models/yolov9

Узнай больше о YOLOv9

Архитектурные инновации#

YOLOv9: программируемая информация о градиентах#

YOLOv9 решает проблему «информационного узкого места», из-за которой данные теряются при прохождении через последовательные слои глубокой сети. Для этого авторы представили программируемую информацию о градиентах (PGI) и обобщённую эффективную сеть агрегации слоёв (GELAN). PGI гарантирует, что градиенты, используемые для обновления весов во время обратного распространения, содержат полную информацию, что приводит к созданию высокоточных представлений признаков. Архитектура GELAN максимально повышает эффективность использования параметров, позволяя YOLOv9 достигать высокой точности при относительно компактной структуре.

YOLO11: экосистема и эффективность#

В то время как YOLOv9 сосредоточена на передаче градиентов, YOLO11 разработана с учётом надёжности и универсальности в реальных условиях. Она совершенствует базовую архитектуру YOLO, значительно снижая требования к памяти CUDA во время обучения по сравнению с альтернативами, активно использующими Transformer. Кроме того, YOLO11 — это не просто детектор объектов: модель изначально поддерживает сегментацию экземпляров, классификацию изображений, оценку позы и ориентированные ограничивающие рамки (OBB).

Сравнение производительности#

При выборе модели для производства критически важно оценить компромисс между средней точностью (mAP), скоростью инференса и количеством параметров.

Как видно из таблицы, YOLOv9e обеспечивает наивысшую общую точность, что делает её отличным выбором для академического бенчмаркинга. Однако YOLO11 демонстрирует превосходное соотношение скорости и точности по всем направлениям. Например, YOLO11m достигает 51.5 mAP за 4.7 мс (TensorRT), превосходя по скорости YOLOv9m аналогичного размера.

Методики обучения и экосистема#

Взаимодействие разработчика с двумя фреймворками существенно различается.

Обучение YOLOv9#

Обучение YOLOv9 часто требует работы с сильно изменённым исследовательским кодом, управления конкретными версиями зависимостей и использования сложных аргументов командной строки. Несмотря на мощные возможности, такой подход может быть сложным для динамичных корпоративных сред.

Обучение YOLO11#

YOLO11 использует хорошо поддерживаемый Python API Ultralytics, обеспечивая плавный путь «от нуля до результата». Эффективные процессы обучения поддерживаются готовыми предварительно обученными весами и отличной поддержкой сообщества.

from ultralytics import YOLO

# Load a pre-trained YOLO11 small model
model = YOLO("yolo11s.pt")

# Train on a custom dataset with built-in augmentations
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Export to ONNX format for deployment
model.export(format="onnx")

Всего с помощью трёх строк Python разработчики могут загрузить модель, запустить обучение с оптимизированными значениями гиперпараметров по умолчанию и экспортировать обученную архитектуру в такие фреймворки, как ONNX или TensorRT, для развертывания на периферийных устройствах.

Практические применения#

Когда стоит выбрать YOLOv9#

YOLOv9 — отличный выбор для исследователей, которые хотят изучать архитектуры глубокого обучения. Её фреймворк PGI делает модель идеальным кандидатом для высокоскоростной аналитики в розничной торговле, где требуется чрезвычайно высокая точность на плотных наборах данных, а сложность развертывания вторична по отношению к производительности алгоритма.

Когда выбирать YOLO11#

YOLO11 — оптимальный инструмент для производства. Оптимизированные возможности обнаружения объектов делают её идеальной для управления дорожным движением в умных городах и периферийных устройств, таких как Raspberry Pi или NVIDIA Jetson. Кроме того, универсальность модели в различных задачах позволяет одному конвейеру разработки выполнять сегментацию в производстве и оценку позы в спортивной аналитике.

Передний край: встречай YOLO26#

Хотя YOLO11 и YOLOv9 впечатляют своими возможностями, область искусственного интеллекта развивается стремительно. Разработчикам, которые начинают новые проекты сегодня, Ultralytics настоятельно рекомендует YOLO26 (выпущенную в январе 2026 года), которая ещё дальше расширяет возможности компьютерного зрения.

YOLO26 объединяет лучшие недавние инновации в готовое к промышленной эксплуатации мощное решение:

• Сквозная архитектура без NMS: YOLO26 изначально устраняет постобработку Non-Maximum Suppression (NMS), что значительно упрощает и ускоряет конвейеры развертывания.
• Удаление DFL: удаление Distribution Focal Loss обеспечивает лучшую совместимость с маломощными микроконтроллерами и периферийными AI-ускорителями.
• Оптимизатор MuSGD: вдохновлённый инновациями в обучении LLM, оптимизатор MuSGD (гибрид SGD и Muon) обеспечивает стабильное обучение и более быструю сходимость.
• До 43% более быстрый инференс на CPU: специально оптимизирован для периферийных вычислительных устройств без выделенных GPU.
• ProgLoss + STAL: эти улучшенные функции потерь значительно повышают качество распознавания небольших объектов, что критически важно для мониторинга сельскохозяйственных угодий и аэрофотосъёмки.

Пользователям, которые хотят изучить различные архитектуры, также стоит обратить внимание на RT-DETR для трекинга на основе Transformer или на YOLO-World для обнаружения объектов с открытым словарём без примеров.

Заключение#

И YOLO11, и YOLOv9 заняли своё место в истории компьютерного зрения. YOLOv9 предлагает выдающиеся архитектурные инновации для максимального сохранения признаков. Однако для подавляющего большинства реальных развертываний — от корпоративных AI-приложений до мобильных периферийных устройств — простота использования, эффективность работы с памятью и поддержка различных задач в YOLO11 обеспечивают неоспоримое преимущество. А по мере развития отрасли переход на более новую YOLO26 гарантирует, что твои системы будут использовать самый быстрый и надёжный инференс из доступных сегодня.