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.
- 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 — академическая разработка, предлагающая новые концепции для уменьшения потери информации в глубоких нейросетях с акцентом на извлечение признаков.
- Авторы: Chien-Yao Wang и Hong-Yuan Mark Liao
- Организация: Институт информатики, 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
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).
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.
| Модель | размер (пиксели) | mAPval50-95 | Скорость CPU ONNX (мс) | Скорость T4 TensorRT10 (мс) | параметры (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLO11n | 640 | 39.5 | 56.1 | 1.5 | 2.6 | 6.5 |
| YOLO11s | 640 | 47.0 | 90.0 | 2.5 | 9.4 | 21.6 |
| YOLO11m | 640 | 51.5 | 183.2 | 4.7 | 20.1 | 68.1 |
| YOLO11l | 640 | 53.4 | 238.6 | 6.2 | 25.3 | 87.2 |
| YOLO11x | 640 | 54.7 | 462.8 | 11.3 | 56.9 | 195.3 |
| 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 |
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.
Комментарии
Задай вопрос, поделись результатами или помоги кому-нибудь.