Перейти к содержанию

YOLO11 против YOLOv9: Техническое сравнение для обнаружения объектов

Ultralytics последовательно предоставляет современные модели YOLO, расширяя границы обнаружения объектов в реальном времени. На этой странице представлено техническое сравнение двух передовых моделей: Ultralytics YOLO11 и YOLOv9. Мы анализируем их архитектурные инновации, эталонные показатели производительности и подходящие приложения, чтобы помочь вам в выборе оптимальной модели для ваших задач компьютерного зрения.

Ultralytics YOLO11: Передовые технологии

Ultralytics YOLO11, новейшая итерация в серии Ultralytics YOLO, основана на предыдущих успехах, таких как YOLOv8. YOLO11 разработана для повышения точности и эффективности в различных задачах компьютерного зрения, включая обнаружение объектов, сегментацию экземпляров, классификацию изображений и оценку позы.

Технические детали:

Архитектура и ключевые особенности

YOLO11 имеет архитектуру, разработанную для улучшенного извлечения признаков и более быстрой обработки. Он достигает более высокой точности, часто с меньшим количеством параметров, чем предшественники, улучшая производительность в реальном времени и позволяя развертывание на различных платформах, от периферийных устройств, таких как NVIDIA Jetson и Raspberry Pi, до облачной инфраструктуры. Ключевым преимуществом YOLO11 является его полная интеграция в хорошо поддерживаемую экосистему Ultralytics, предлагающую оптимизированный пользовательский интерфейс через простой Python API и обширную документацию. Эта экосистема обеспечивает эффективное обучение с легкодоступными предварительно обученными весами и получает выгоду от активной разработки, сильной поддержки сообщества через GitHub и Discord, а также частых обновлений. Кроме того, YOLO11 демонстрирует универсальность, поддерживая несколько задач машинного зрения, помимо обнаружения, что часто отсутствует в конкурирующих моделях. Он также обычно требует меньше памяти во время обучения и инференса по сравнению с другими типами моделей, такими как transformers.

Сильные стороны

  • Баланс производительности: Отличный компромисс между скоростью и точностью.
  • Простота использования: Простой API, исчерпывающая документация и интегрированная экосистема (Ultralytics HUB).
  • Универсальность: Поддерживает задачи обнаружения, сегментации, классификации, определения позы и OBB.
  • Эффективность: Оптимизирована для различного оборудования, эффективного обучения и меньшего объема памяти.
  • Развитая поддержка: Активная разработка, мощная поддержка сообщества и частые обновления.

Слабые стороны

  • Как одноэтапный детектор, может столкнуться с проблемами с очень маленькими объектами по сравнению с некоторыми двухэтапными детекторами.
  • Более крупные модели требуют больше вычислительных ресурсов, хотя, как правило, меньше, чем модели на основе трансформеров.

Идеальные варианты использования

YOLO11 идеально подходит для приложений, требующих высокой точности и обработки в реальном времени:

Узнайте больше о YOLO11

YOLOv9: Повышение точности с помощью новых концепций

YOLOv9, представленная в начале 2024 года, представляет собой значительный академический вклад в обнаружение объектов, направленный на преодоление потери информации в глубоких нейронных сетях.

Технические детали:

Архитектура и ключевые особенности

YOLOv9 представляет две основные архитектурные инновации: Programmable Gradient Information (PGI) и Generalized Efficient Layer Aggregation Network (GELAN). PGI предназначен для предоставления полной входной информации для расчета функции потерь, тем самым смягчая проблему информационного узкого места, которая может ухудшить производительность в глубоких сетях. GELAN — это новая, высокоэффективная архитектура сети, которая оптимизирует использование параметров и вычислительную эффективность. Вместе эти функции позволяют YOLOv9 устанавливать новые эталоны точности на наборе данных COCO.

Сильные стороны

  • Повышенная точность: Устанавливает новые передовые результаты на наборе данных COCO для детекторов объектов в реальном времени, превосходя многие предыдущие модели по mAP.
  • Повышенная эффективность: GELAN и PGI способствуют созданию моделей, которые требуют меньше параметров и вычислительных ресурсов (FLOPs) для сопоставимой или лучшей производительности.
  • Сохранение информации: PGI эффективно решает проблему информационного узкого места, что имеет решающее значение для точного обучения более глубоких и сложных сетей.

Слабые стороны

  • Ресурсы для обучения: Как отмечено в документации YOLOv9, обучение моделей YOLOv9 может потребовать больше ресурсов и времени по сравнению с Ultralytics YOLOv5.
  • Новая архитектура: Поскольку это более новая модель от другой исследовательской группы, ее экосистема, поддержка сообщества и интеграция со сторонними разработчиками менее развиты, чем у хорошо зарекомендовавшей себя экосистемы Ultralytics.
  • Универсальность задач: В основном ориентирован на обнаружение объектов, не имеет встроенной поддержки для сегментации, классификации и оценки позы, которые есть в моделях Ultralytics, таких как YOLO11 и YOLOv8.

Идеальные варианты использования

YOLOv9 хорошо подходит для приложений, в которых достижение максимально возможной точности обнаружения объектов является основной целью:

  • Расширенная видеоаналитика: Высокоточная трассировка и анализ в сложных сценах.
  • Высокоточный промышленный контроль: Обнаружение мельчайших дефектов в производстве.
  • Исследования и бенчмаркинг: Расширение границ точности обнаружения на стандартных наборах данных.

Узнайте больше о YOLOv9

Прямое сравнение производительности: YOLO11 против YOLOv9

YOLO11 и YOLOv9 предлагают широкий выбор размеров моделей, что позволяет разработчикам найти правильный баланс между скоростью и точностью для своих конкретных потребностей. В следующей таблице представлено прямое сравнение их показателей производительности на наборе данных COCO.

Модель размер
(пиксели)		 mAPval
50-95		 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 21.5
YOLO11m 640 51.5 183.2 4.7 20.1 68.0
YOLO11l 640 53.4 238.6 6.2 25.3 86.9
YOLO11x 640 54.7 462.8 11.3 56.9 194.9
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

Из данных видно, что модели YOLO11 предлагают исключительный баланс производительности. Например, YOLO11s достигает более высокого mAP, чем YOLOv9s, с меньшим количеством FLOPs. Аналогично, YOLO11l превосходит YOLOv9c по точности, имея при этом значительно более низкие FLOPs и более высокую скорость inference на GPU. В то время как самая большая модель YOLOv9-E достигает наивысшего mAP, YOLO11 обеспечивает более практичный компромисс во всем модельном ряду, особенно если учитывать всесторонние тесты скорости и простоту развертывания, предоставляемые фреймворком Ultralytics.

Архитектурные и Экосистемные Различия

Основное различие заключается в их философии проектирования. Ultralytics YOLO11 создан для практиков. Его архитектура оптимизирована не только для производительности, но и для удобства использования, универсальности и интеграции. Унифицированная структура поддерживает несколько задач из коробки, что значительно сокращает время разработки сложных систем искусственного интеллекта. Окружающая экосистема, включая Ultralytics HUB, обширную документацию и активное сообщество, делает его идеальным выбором для создания и развертывания готовых к производству приложений.

YOLOv9, с другой стороны, — это модель, ориентированная на исследования, которая представляет новаторские академические концепции. Ее сила заключается в новом подходе к решению проблем глубокого обучения, таких как потеря информации. Несмотря на свою мощность, этот фокус означает, что ей не хватает целостной, удобной для разработчиков экосистемы, которая определяет модели Ultralytics. Интеграция YOLOv9 в многозадачный конвейер или развертывание ее на различном оборудовании может потребовать больше ручных усилий и опыта.

Заключение: какую модель вам следует выбрать?

Для подавляющего большинства разработчиков, исследователей и предприятий Ultralytics YOLO11 является рекомендуемым выбором. Он предлагает превосходное сочетание высокой производительности, скорости, универсальности и беспрецедентной простоты использования. Надежная экосистема и активная поддержка гарантируют, что вы сможете быстро и эффективно перейти от концепции к производству. Его способность обрабатывать обнаружение, сегментацию, классификацию и многое другое в рамках единой структуры делает его мощным и перспективным решением.

YOLOv9 — отличная модель для специалистов и исследователей, чья основная цель — достичь абсолютно максимальной точности обнаружения на бенчмарках и которые готовы справиться с дополнительными сложностями обучения и развертывания вне интегрированной экосистемы.

Изучите другие модели

Мир обнаружения объектов постоянно развивается. Помимо YOLO11 и YOLOv9, вас могут заинтересовать и другие мощные модели, доступные в экосистеме Ultralytics. Ознакомьтесь с нашими сравнениями YOLOv10, предшественника YOLOv8 и RT-DETR на основе трансформеров, чтобы найти идеальное решение для вашего проекта.



📅 Создано 1 год назад ✏️ Обновлено 1 месяц назад
glenn-jocher

Комментарии